LA ADMINISTRACIÓN DE LA

DEMANDA Y LOS MODELOS DE

PRONÓSTICO
AUTOR: JHON CIFUENTES
 Introducción . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 3

La administración de la demanda y los modelos de pronóstico . . . . . . . . . . . 4

Administración de la demanda . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 5

Definición de un proceso de pronóstico . . . . . . . . . . . . . . . . . . . . . . . . . . . 6

Análisis de series de tiempo . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 7

Bibliografía . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 26
ÍNDICE
 Introducción

¿Cómo se caracteriza y pronostica la demanda de un producto?

La administración de la demanda es un ejercicio que se debe desa-

rrollar para el corto, mediano y largo plazo. En el largo plazo, se
usan las proyecciones de demanda de los diferentes productos, con
la idea de apoyar las decisiones de planeación estratégica como tipo
INTRODUCCIÓN

de productos a comercializar, ubicación de instalaciones, políticas

de inventarios, entre otros. En el mediano plazo, el propósito de la
administración de la demanda, es proyectar nuevas demandas para
la planeación agregada de la producción, en este ejercicio se defi-
nen elementos como tipos de proveedores, organización de la fuerza
de ventas, fechas de recibo de materiales y entrega de productos
terminados, gestión de órdenes y pedidos, producción directa o sub-
contratación, etc. En el corto plazo, se necesita la administración
de la demanda para realizar todos los procesos de control de la
producción y programación detallada
(scheduling), unidades a producir en
el sistema, control de capacidades de
producción de las máquinas, prepa- Procesos
Secuencia de pasos, tareas, operacio-
ración de pedidos, procesos de alista- nes y actividades que se caracterizan
miento, cumplimiento con fecha de por tener una entrada y transforma-
ción, los cuales son controlados con
entrega a clientes, balanceo de líneas indicadores.
y distribución de planta (Layout).
 La administración de la
demanda y los modelos de
pronóstico
 Administración de la demanda

Como le expresan Croxton, Lambert y García (2002) y Chase et. ál. (2009), el proceso
de gestión de la demanda se encarga de generar un equilibrio entre las necesidades de
clientes y las capacidades del sistema de producción y la cadena de suministro en general.
Esta dinámica incluye anticipar a la demanda de los clientes para posteriormente sincro-
nizar todo el sistema producción, y de esta forma disparar los procesos de adquisición
y distribución de capacidades. Un buen proceso en la gestión de la demanda, logra que
una empresa sea más proactiva respecto a la demanda anticipada y más reactiva a la
demanda imprevista.

Así mismo Croxton, Lambert y García (2002) y Chase et. ál. (2009), definen que uno
de los elementos determinantes en este proceso de gestión, es reducir la variabilidad de
la demanda, mejorar el funcionamiento y flexibilidad del sistema de producción. Reducir
las variaciones de la demanda ayuda a mejorar la planificación y reduce los costos. Por
su parte, aumentar la flexibilidad permite a la empresa responder de mejor manera a
eventos internos y externos.

La variabilidad que generan los clientes es inevitable, sin embargo, uno de los objetivos
de la gestión de la demanda es eliminar las malas prácticas de gestión que aumentan
la variabilidad e introducir políticas que fomentan patrones de demanda que reduzcan
los problemas (Croxton, Lambert y García, 2002).

Aunque existen varias clasificaciones, este documento se centra en estas dos clases
de fuentes básicas para la demanda:

• Demanda dependiente: es la demanda de un producto o servicio que está sujeta

o es causada por la demanda de otro producto o servicio.

• Demanda independiente: no está sujeta o relacionada con la demanda de otro

producto o servicio, pero obedece a los requerimientos de una fuente externa
(Chase et. ál., 2009) (Varian, 2000).

Para efectos de este eje se hará especial énfasis en los modelos orientados a atender
los procesos de demanda independiente.
 Definición de un proceso de pronóstico

Como lo indica Helms (2000), en este proceso se desarrolla una parte crítica de la
gestión de la demanda, es decir, la previsión. Para ello, la empresa debe seleccionar los
enfoques de pronóstico apropiados. Esta selección debe incluir y determinar los niveles y
los plazos de los pronósticos necesarios en toda la empresa, revisar las fuentes de datos
más fiables para definir los procedimientos de pronóstico según el propósito requerido.

En complemento Helms (2000) y Marien (1999), también expresan que es posible que
dentro de la organización las necesidades de pronóstico sean diferentes, por ejemplo,
en los procesos de programación detallada se puede necesitar un pronóstico de nivel de
SKU (Stock Keeping Unit). Por su parte La planificación del transporte puede requerir
una previsión agregada a nivel de producto-familia (Marien, 1999). Sugirió cinco niveles
de pronóstico, todos basados ​​en el marco temporal del pronóstico. En complemento,
aparecen otros factores como los que indica Robeano (1991), el cual propone que las
necesidades de previsión de toda la empresa podrían cumplirse con tres pronósticos, uno
para operaciones, uno para marketing y otro para finanzas. Sin embargo, para el caso
del presente eje, nos centraremos en los procesos de pronóstico de las operaciones.

Es posible clasificar los modelos de pronósticos en dos tipos básicos:

• Métodos cualitativos: las técnicas cualitativas son subjetivas y se basan en es-

timados y opiniones, es decir, que presentan altos componentes basados en el
conocimiento y la experiencia.

• Métodos cuantitativos: estos son basados en información numérica y a su vez

estos se pueden clasificar en:

1. Series de tiempo: el análisis de series de tiempo, parte de la idea de que es

posible utilizar información relacionada con la demanda pasada para predecir
la demanda futura.

2. Métodos causales: se analiza utilizando la técnica de la regresión lineal, supo-

ne que la demanda se relaciona con algún factor subyacente en el ambiente.

3. Los modelos de simulación: permiten al encargado del pronóstico manejar

varias suposiciones acerca de la condición del pronóstico (Chase et. ál., 2009).

En la siguiente tabla, podemos ver una representación de los cuatro tipos básicos de
pronóstico, resaltando las técnicas que estudiaremos en este módulo.
 Métodos cuantitativos
Métodos
cualitativos Análisis de series de
Causales Simulación
tiempo
Técnicas Promedio móvil Análisis de Modelos
acumulativas simple. regresión. dinámicos.
Investigación de Promedio móvil Modelos
mercados ponderado. econométricos.
Grupos de Suavización Modelos de
consenso exponencial. entrada/salida.
Principales
Analogía histórica Análisis de regresión.
indicadores.
Método de Delphi Técnica Box Jenkins.
Series de tiempo
Shiskin.
Proyecciones de
tendencias.

Tabla 1. Clasificación de los métodos de pronóstico

Fuente: (Chase et. ál., 2009)

Análisis de series de tiempo

Se desarrollan a partir de la exploración de patrones de comportamiento, que permitan

una caracterización más específica de la misma. Una serie de tiempo consta de datos
que se registran a través de distintos períodos en el tiempo, los principales componentes
de una serie de tiempo son:

• Componente de tendencia: es el componente de una serie de tiempo de largo pla-

zo que representa el crecimiento o disminución en la serie sobre un período amplio.

• Componente cíclico: es la fluctuación en forma de onda alrededor de la tenden-

cia, los patrones cíclicos tienden a repetirse en los datos en grandes períodos de
tiempo (años).

• Componente estacional: es un patrón de cambio que se repite a sí mismo año

tras año o en períodos determinados.

• Componente aleatorio o estacionario: mide la variabilidad de las series de tiem-

po, después de que se retiran los otros componentes (Hanke y Arthur, 1996).
 La siguiente figura muestra la descripción gráfica de estos componentes:

Figura 1. Componentes de las series de tiempo

Fuente: Guerrero y Medina, 2006

A continuación, revisaremos algunos de los métodos de series de tiempo, que se desa-

rrollan para los componentes antes mencionados.

Promedio móvil simple

Es una herramienta útil cuando la serie tiempo no presenta variaciones crecientes o

decrecientes entre períodos, además, cuando no existe estacionalidad en la variable, el
promedio móvil es muy práctico cuando se desean eliminar las fluctuaciones aleatorias
del pronóstico. La mayoría de estos métodos son centrados, por lo anterior, es conveniente
utilizar datos históricos para predecir el periodo siguiente de manera directa.

La fórmula básica de un promedio móvil es la siguiente:

Dónde:

Ft+1 = pronóstico en el período t+1

Yt = valor en el período t

K = orden (número de períodos utilizados para calcular el pronóstico del promedio móvil)

Ejemplo

Se asume que un producto presenta el siguiente comportamiento en sus ven-

tas, para las últimas 8 semanas.

Ventas
t
(Yt)
1 124
2 125
3 122
4 130
5 127
6 125
7 128
8 124

Tabla 2.
Fuente: propia

Figura 2.
Fuente: propia
 Si se desea pronosticar las ventas de la semana número 9 y teniendo en cuenta que
los datos históricos no presentan variaciones crecientes o decrecientes entre períodos y
además no existe estacionalidad, entonces es posible utilizar método de promedio móvil
para realizar el pronóstico.

Para ello, lo primero que se debe definir es el orden K, este valor nos indica el número
de datos históricos que se desean tener en cuenta para el cálculo del pronóstico.

Para este ejemplo se trabajará con un K con valor igual a “3”, esto quiere decir que se
utilizarán 3 datos históricos para calcular el pronóstico del período posterior al último
dato usado en el promedio móvil, con base a esto el desarrollo es el siguiente:

t Ventas Ft+1
Nótese que como K es igual a 3, es posible calcu-
1 124 lar pronósticos a partir del período 4, tal como se
2 125 desarrollará:
3 123 Pronóstico del período 4 = F4
4 126 124,0 F3+1 = Y1 + Y2 + Y3 (datos de ventas)
5 127 K
6 125
F4 = 124 + 125 + 123 = 124
7 126
3
8 124

Tabla 3.
Fuente: propia

El procedimiento se continúa calculando los pronósticos para los períodos siguientes:

t Ventas Ft+1
1 124 Nótese que para el caso del período 9, el cálculo
2 125 del pronóstico se desarrollaría de la siguiente
forma:
3 123
Pronóstico del período 9 = F9
4 126 124,0
F8+1 = Y6 + Y7 + Y8
5 127 124,7
K
6 125 125,3
7 126 126,0 F9 = 125 + 126 + 124 = 125

8 124 126,0 3
9 125,0

Tabla 4.
Fuente: propia
Promedio móvil ponderado

El promedio móvil simple asigna a cada uno de los componentes de la serie de tiempo
la misma importancia, por su parte, un promedio móvil ponderado permite asignar
cualquier importancia a cada elemento de la serie de tiempo.

La importancia del valor dentro de la serie de tiempo se expresa en términos de una

ponderación (porcentaje) y se denota como Wt, es decir, que representa el valor pon-
derado para un dato del período “t”. Dicho valor se mueve entre “0” y “1”, mientras más
cerca esté la ponderación a “0”, esto indica que el dato de la serie de tiempo es de baja
importancia, sin embargo, mientras más cerca esté el valor de la ponderación a “1” se
entiende que el dato de la serie de tiempo es más importante para calcular el pronóstico.

Es común que, en muchos casos, se asignen mayores valores ponderados, a los datos
más recientes de la serie. El valor de Wt en cada período se asigna de manera aleatoria,
o con base al conocimiento y experiencia del decisor o pronosticador.

La fórmula general del promedio móvil ponderado es la siguiente:

Ft+1 = WtYt + Wt-1Yt-1 + Wt-2Yt-2 +……. + Wt-kYt-k

Dónde:

Ft+1 = pronóstico en el período t+1

Yt = valor en el período t

Wt = ponderación asignada a Yt

t = períodos

n = total de períodos ponderados y que se utilizarán para calcular el pronóstico.

Para explicar este método se desarrollará el siguiente ejercicio, para ello se asume
que tenemos las ventas de una empresa durante sus últimas 4 semanas, y que con esta
información se pronosticarán las ventas de la semana 5:
 Ventas Ponderación
t
(Yt) (Wt)
1 124 0.1
2 125 0.1
3 122 0.3
4 130 0,5

Tabla 5.
Fuente: propia

Nótese que la suma de todos los Wt en cada período es igual a 1

0.1 + 0.1 + 0.3 + 0.5 = 1

Ya con la información disponible, se procede a aplicar el método de promedio móvil

ponderado para calcular el pronóstico:

t Ventas Wt El cálculo del pronóstico se desarrolla de la

siguiente forma:
1 124 0.1
2 125 0.1
3 123 0.3 F4 = (0.1*124) + (0.1*125) + (0.3*123) + (0.4*126)

4 126 0,5

5 124,8 F4 = 124,8

Tabla 6.
Fuente: propia

Suavización exponencial simple

Este es uno de los métodos más sencillos de desarrollar, para ello se necesitan los
siguientes elementos:

Ft+1 = α Ft + (1-α)Yt

Ft+1 = pronóstico calculado en el período t+1

Ft = pronóstico calculado en el período t

Yt = valor en el período t

α = constante de suavización exponencial

 Esta constante define la uniformidad y la velocidad de reacción a las diferencias entre
los pronósticos y las ocurrencias reales, el valor de la constante se mueve en el siguiente
rango 0 < α < 1, un valor de α cercano a “0” indica que para el cálculo del pronóstico Ft+1
es más importante el valor del parámetro Yt, por otro lado, un valor de α cercano a “1”
indica que es más importante para el cálculo del pronóstico Ft+1 el valor pronosticado Ft.

Este método se desarrolla de la siguiente forma:

Asumamos un valor de α = 0,7

Un producto presenta el siguiente comportamiento en sus ventas, para las últimas 8

semanas.

Ventas
t
(Yt)
1 124
2 125
3 122
4 130
5 127
6 125
7 128
8 124

Tabla 7.
Fuente: propia

Figura 3.
Fuente: propia
Inicialización del método

t Ventas Ft Para inicializar el método, debemos calcular el

valor pronosticado en el período t = 1.
1 124 124
2 125
3 123 Sin embargo, este valor no es posible hallarlo con
la fórmula tradicional debido a que no contamos
4 126 con el valor del pronóstico del período anterior a t
5 127 = 1, el cual sería el período t = 0

6 125 Entonces, para el periodo t=1,

7 126 Ft = Yt
8 124 F1 = Y1 = 124

Tabla 8.
Fuente: propia

Siguientes pasos:

t Ventas Ft Una vez obtenidos los valores para el periodo t = 1,

se procede a calcular los valores para t =2
1 124 124
2 125 124
3 123 La forma de desarrollo es la siguiente:

4 126
5 127 Ft+1 = α Ft + (1-α)Yt
6 125 F2 = α F1 + (1-α)Y1
7 126 F2 = 0,7*124 + (1-0,7)*124
8 124 F2 = 124

Tabla 9.
Fuente: propia
 t Ventas Ft
1 124 124,0 El procedimiento se repite hasta calcular todos los
valores del ejercicio:
2 125 124,0
3 123 124,3
4 126 123,9 Como se calcula el pronóstico para el período t = 9:

5 127 124,5 Ft+1 = α Ft + (1-α)Yt

6 125 125,3 F9 = α F8 + (1-α)Y8

7 126 125,2 F9 = 0,7*124 + (1-0,7)*125,4
8 124 125,4 F9 = 125
9 125,0

Tabla 10.
Fuente: propia

Suavización exponencial doble (método de Brown)

Este método consiste en realizar dos suavizaciones exponenciales, con la idea de lograr
encontrar el pronóstico deseado. La primera suavización se aplica a los valores observados
en la serie de tiempo, mientras que la segunda se aplica al valor pronosticado hallado
en la primera suavización.

Las fórmulas del método son las siguientes:

Ft+p = at + btP

At = α Yt + [(1-α) (At-1 )]

A´t = αAt + [(1- α)(A´t -1 )]

at = 2 At - A´t

bt = α(At - A´t)

(1-α)
 Dónde:

Ft+p = pronóstico calculado en el período t+p

n = períodos con información

α = constante de suavización = (1/n) o un valor entre 0 y 1

p = número de períodos a pronosticar a futuro

Para inicializar la fórmula A1 = Y1, y A´1 = A1

Ejemplo de aplicación 1
Retomemos el mismo ejercicio de las 8 semanas que hemos venido trabajando, y
apliquemos el método de Brown; para ello, calcularemos la constante de atenuación
exponencial α de la siguiente manera:

Debido a que son 8 los períodos en los cuales tenemos información, utilizamos este
valor como “n”, para el cálculo de la constante de atenuación:

α = 1 = 1 entonces, α = 0,125

n8

Adicionalmente, sólo vamos a pronosticar un período a futuro, eso quiere decir que el
valor de P = 1

Con base en la información disponible y teniendo como referente que P = 1, utilizare-

mos la información disponible en el período t = 1, para calcular es el pronóstico para el
período t = 2.

Según esto, primero se deben calcular los valores de At y A´t

At = α Yt + [(1-α) (At-1)], entonces A1 = α Y1 + [(1-α) (A1-1)] donde finalmente

A1 = α Y1 + [(1-α) (A0)],

Nótese que esta expresión necesita del valor A0 para ser calculada, sin embargo, no
se cuenta con ese dato, lo anterior, debido a que toda la información que tenemos está
disponible para el período t = 1, y no para el período t = 0, por consiguiente, para iniciar
el método utilizaremos A1 = Y1, esta asignación sólo aplica cuando t = 1, para valores
mayores, se debe utilizar la fórmula regular de At.

A1 = 124
 En el caso de A´t pasa algo similar

A´t = αAt + [(1- α) (A´t -1)], entonces A´1 = αA1 + [(1- α) (A´1 -1)] donde finalmente

A´1 = αA1 + [(1- α) (A´0)]

Esta expresión necesita del valor A´0 para ser calculada, pero como no lo tenemos,
utilizaremos A´1 = A1 esta asignación sólo aplica cuando t = 1, para valores mayores, se
debe utilizar la fórmula regular de A´t

A´1 = 124

Según esto tenemos los siguientes parámetros:

t Ventas At A´t at bt Ft
1 124 124 124 124 0
2 125 124,0
3 123
4 126
5 127
6 125
7 126
8 124

Tabla 11.
Fuente: propia

Una vez calculados At y A´t, se deben hallar los valores de a1 + b1, esto se hace de la
siguiente forma:

at = 2 At - A´t, entonces a1 = 2 A1 - A´1

a1 = 2*(124) – (124) = 124

Mientras que:

bt = α (At - A´t) entonces b1 = α (A1 - A´1)

(1-α) (1-α)

b1 = α (124 - 124) = 0

(1 - 0,125)
 Con los valores de a1 + b1, es posible ya calcular el pronóstico deseado

Ft+p = pronóstico calculado en el período t+p

Nótese que, para este caso, sólo vamos a pronosticar 1 período a futuro, es decir, que
P = 1, así pues, la fórmula del pronóstico se desarrollaría de esta forma:

F1+1 = a1 + b1*1, lo que nos daría que F2 = a1 + b1*1

F2 = 124 + 0*1 = 124

t Ventas At A´t at bt Ft
1 124 124,0 124,0 124 0
2 125 124,0
3 123
4 126
5 127
6 125
7 126
8 124

Tabla 12.
Fuente: propia

Repitiendo el procedimiento para todos los demás períodos, el resultado sería el

siguiente:

t Ventas At A´t at bt Ft
1 124 124,0 124,0 124,0 0,00
2 125 124,1 124,0 124,2 -0,03 124,0
3 123 124,0 124,0 124,0 0,01 124,2
4 126 124,2 124,0 124,4 -0,06 124,0
5 127 124,6 124,1 125,1 -0,14 124,4
6 125 124,6 124,2 125,1 -0,13 124,9
7 126 124,8 124,3 125,4 -0,16 125,0
8 124 124,7 124,3 125,1 -0,11 125,2
9 125,0
Tabla 13.
Fuente: propia
 Revisemos como se calculó el pronóstico para el período 9

Primero se debe calcular A8 y A´8

A8 = α Y8 + [(1-α) (A7)]

A8 = 0,125*(124) + [(1-0,125) (A7)] = 124,7

A´8 = αA8 + [(1- α) (A´7)]

A´8 = 0,125*(124,7) + [(1- 0,125) (124,3)] = 124,3

Posteriormente se calcula a8y b8

a8 = 2 A8 - A´8,

a8 = 2*(124,7) – 124,3 = 125,1

b8 = α (A8 - A´8)

(1-α)

b8 = 0,125*(124,7 – 124,3) = -0,11

0,125)

Por último, se halla pronóstico para el período 9

F8+1 = a8 + b8*1

F9 = 125,1 + (-0,11) *1 = 125,0

Suavización exponencial simple doble (Holt)

Es un método muy práctico cuando la serie presenta tendencia positiva o negativa,

pero no tiene signos de estacionalidad. El sistema de ecuaciones de este método es el
siguiente:

Ft+p = At + TtP

At = α Yt + [(1-α) (At-1 + Tt-1)]

Tt = β (At – At-1) + [(1- β) (Tt-1)]

 Donde:

n = períodos con información

α = constante de suavización = (1/n) o un valor entre 0 y 1

β = constante de suavización de la tendencia = |1/(1-n)| o un valor entre 0 y 1

p = número de períodos a pronosticar a futuro

A1 = Y1

T1 = 0

Ejemplo de aplicación 2
La siguiente serie de tiempo cuenta con información para 8 semanas (períodos), de
las ventas de un producto, nótese que, según la gráfica, la serie muestra una tendencia
positiva, es decir, que a medida que pasa el tiempo aparentemente las ventas tienden a
crecer semana tras semana.

Ventas
T
(Yt)
1 124
2 125
3 127
4 129
5 132
6 136
7 140
8 142

Tabla 14.
Fuente: propia
 Figura 4.
Fuente: propia

Lo primero que se debe hacer es definir los valores de las constantes α y β, para ello
sabemos que:

α = (1/n) o puede tomar un valor entre 0 y 1

α = 1 = 0,125

β = |1/(1-n) | = |1/-7| = 0,143

Así mismo, definimos P = 1

Con base a la información que se tiene, se deben tomar los datos del período t = 1, y
con base a estos, calcular el pronóstico para el período 2

Para esto, lo primero que debemos hacer es calcular el valor de At

At = α Yt + [(1-α) (At-1 + Tt-1)]

A1 = α Y1 + [(1-α) (A0 + T0)]

Nótese que, para el desarrollo de la fórmula, es necesario conocer los valores de A0

y T0, sin embargo y debido a que estamos inicializando el método, estos valores aún no
se conocen, por lo anterior, se realiza una asignación directa en donde A1 = Y1 y T1 = 0

Para este caso, A1 = 124

Posteriormente debemos hacer el cálculo del valor de Tt, donde:

Tt = β(At – At-1 ) + [(1- β)(Tt-1 )]

T1 = β(A1 – A0 ) + [(1- β)(To )]

 Para el desarrollo de esta fórmula también es necesario conocer los valores de A0 y T0,
para esto, ya mencionamos que A1 = Y1 y T1 = 0

Para este caso, T1 = 0

Esta asignación directa sólo aplica cuando t = 1, para valores mayores, se debe utilizar
la fórmula regular de A1 y T1.

t Ventas (Yt) At Tt Ft
1 124 124 0 Ahora se debe calcular el valor de
pronóstico:
2 125 124
3 127
4 129 Ft+p = At + TtP

5 132 F1+1 = A1 + T1P

6 136 F2 = 124 + 0*1 = 124
7 140
8 142

Tabla. 15
Fuente: propia

Repitiendo el procedimiento para todos los demás períodos, el resultado sería el

siguiente:

t Ventas (Yt) At Tt Ft
1 124 124 0
2 125 124,13 0,018 124,00
3 127 124,50 0,069 124,14
4 129 125,12 0,148 124,57
5 132 126,11 0,268 125,27
6 136 127,58 0,440 126,38
7 140 129,52 0,654 128,02
8 142 131,65 0,865 130,17
9 132,52

Tabla 16.
Fuente: propia
 Revisemos como se calculó el pronóstico para el período 9

Primero debemos hallar A8 y T8

At = α Yt + [(1-α) (At-1 + Tt-1)]

A8 = α Y8 + [(1-α) (A7 + T7)]

A8 = 0,125*(142) + [(1-0,125) (129,52 + 0,654)] = 131,65

Tt = β(At – At-1 ) + [(1- β)(Tt-1 )]

T8 = β(A8 – A7 ) + [(1- β)(T7 )]

T8 = 0,143*(131,65 – 129,52) + [(1- 0,143) (0,654)] = 0,865

Por último, el pronóstico del período 9

Ft+p = At + TtP

F8+1 = A8 + T8P

F9 = 131,65 + 0,865*1 = 132,52

Método de Winters

Este método se utiliza cuando además de presentarse un componente de tendencia,

existen en los datos componentes estacionales o periódicos. Por lo anterior, este método
incluye una ecuación que sirve para calcular una estimación del componente estacional.

Las fórmulas del modelo son las siguientes:

Ft+p = (At – PTt)Et-L+P

At = (Yt /Et-L) + [(1- α)(At-1 + Tt-1 )]

Tt = β(At – At-1) + (1- β)Tt-1

Et = ϒ(Yt / At) + (1- ϒ)Et-L

 Donde:

α = constante de suavización = (1/n) o un valor entre 0 y 1

β = constante de suavización de la tendencia = |1/(1-n)| o un valor entre 0 y 1

ϒ = constante de suavización de la estacionalidad, valor entre 0 y 1

p = número de periodos a pronosticar

L = factor de estacionalidad

At = Yt hasta que sea posible calcular At

T1 = 0

Et = 1

Instrucción

Para mayor información del método, se recomienda consultar

el capítulo 5 del libro “Pronósticos en los negocios”, escrito
por John Hanke, el cual se encontrará próximamente en la
base de datos de la Fundación Universitaria del Área Andina.

Por otro lado, revise en los recursos de aprendizaje de este eje,

la infografía titulada errores de pronóstico y el videorresumen
método de Winters.

Y resuelva la actividad de aprendizaje: juego de roles.

Análisis de regresión

Esta metodología se define como la relación funcional entre dos o más variables corre-
lacionadas, es una herramienta utilizada para pronosticar una variable con base en una
o más variables. La relación entre dichas variables se da con base a la observación de
datos, para esto, inicialmente es necesario graficar los datos y evaluar su linealidad para
todos o la mayoría de ellos. La regresión lineal es una clase especial de regresión en donde
la relación entre las variables genera una recta. Como su nombre lo indica, es viable su
utilización sólo cuando los datos presenten tendencias lineales.
 La técnica de mínimos cuadrados para regresión lineal tiene los siguientes componentes:

Y = a + bx

Donde:

a = y - bx

b=

a = secante Y

b = pendiente de la recta

= promedio de las y

= promedio de las x

x = valor de x en cada punto de datos

y = valor de y en cada punto de datos

n = número de datos

Y = valor de la variable dependiente calculada con la ecuación de regresión

Instrucción

Para profundizar en este tema revise la infografía titulada regresión lineal y resuelva la
actividad de aprendizaje: videopreguntas.

También es necesario leer el capítulo 15 del libro “Administración de producción y ope-

raciones” de Richard B. Chase, el cual se encontrará próximamente en la base de datos
de la Fundación Universitaria del Área Andina.

Para finalizar, es necesario entender los procesos de medición de errores y cómo estos
son útiles para la selección de un pronóstico, por lo anterior, se recomienda consultar el
capítulo 2 del libro “Pronósticos en los negocios” escrito por John Hanke el cual se encon-
trará próximamente en la base de datos de la Fundación Universitaria del Área Andina

Como conclusión podemos mencionar que los procesos de administración de la

demanda, se desarrollan a través del uso de técnicas de pronóstico, las cuales permiten
prever el comportamiento de una variable, en aras de lograr realizar todo el proceso de
gestión de las operaciones, a niveles estratégicos, tácticos y operativos.
 Bibliografía

Chase, R., Jacobs, R. y Aquilano, N. (2006). Operations management

for comepetitive advantage. Boston, EE.UU.: McGraw-Hill.

Chase, R. et. ál. (2009). Administración de operaciones. México,

México: McGraw Hill.

Croxton, K., Lambert, D. y García, S. (2002). The demand

management process. The International Journal of Logistics
Management, 13(2) 51-66.
BIBLIOGRAFÍA

Guerrero, M. y Medina, S. (2006). Time series models applied to the

records of the human rights commission of the federal district.
Economia Informa, 89-99.

Hanke, J. y Arthur, R. (1996). Pronósticos en los negocios. Nueva

Jersey, EE.UU.: Prentice Hall.

Helms, M. (2000). Supply chain forecasting - collaborative

forecasting supports supply chain management. Business
Process Management Journal, 392.

Marien, E. (1999). Demand planning and sales forecasting: a supply

chain essential. Supply Chain Management Review, 76-86.

Méndez, G. y López, E. (2014). Metodología para el pronóstico de

demanda. Tecnura, 18(40), 89-102.

Robeano, S. (1991). Unpublished speech at the national management

science roundtable. Nashville, EE.UU.

Sánchez, J. y Poveda, G. (2006). Aplicación de los métodos Mars,

Holt-Winters y Arima generalizado. Meteorología Colombiana,
36-46.

Varian, R. (2000). Microeconomía intermedia. Barcelona, España:

Antoni Bosch.
www.usanmarcos.ac.cr
San José, Costa Rica