PLANEACION DE LA DEMANDA
1 Fernando Canavire Castillo
¿QUÉ ES PRONOSTICAR?
Pronosticar es el arte y la ciencia
de predecir los eventos futuros.
Puede implicar el empleo de
datos históricos y su proyección
hacia el futuro mediante algún
tipo de modelo matemático
(métodos cuantitativos) o puede
ser una predicción subjetiva o
intuitiva (métodos cualitativos) o
puede ser una combinación de
éstas, es decir, un modelo
matemático ajustado mediante el
buen juicio del administrador
2
HORIZONTES DE TIEMPO DEL PRONÓSTICO
Pronóstico a corto plazo:.
Pronóstico a mediano plazo:
Pronóstico a largo plazo.
3
DIFERENCIAS DE LOS PRONÓSTICOS
Primero, los pronósticos a mediano y largo plazos manejan aspectos más
generales y apoyan decisiones administrativas relativas a la planeación y los
productos.
Segundo, el pronóstico a corto plazo usualmente se emplea para las
decisiones operativas de la empresa.
4
TIPOS DE PRONÓSTICOS
Los pronósticos económicos
Los pronósticos tecnológicos
Los pronósticos de la demanda
5
ENFOQUES DE PRONÓSTICOS
Los pronósticos cuantitativos utilizan una variedad de
modelos matemáticos que se apoyan en datos históricos
y/o en variables causales para pronosticar la demanda.
Los pronósticos cualitativos o subjetivos incorporan
factores como la intuición, las emociones, las
experiencias personales y el sistema de valores de quien
toma las decisiones para llegar a un pronóstico
6
MÉTODOS CUALITATIVOS
Jurado de opinión ejecutiva: Toma en cuenta las
opiniones de un grupo de expertos o administradores de
alto nivel,
Método Delphi: Toman las decisiones un grupo de 5 a
10 expertos que estarán elaborando el pronóstico real
7
MÉTODOS CUALITATIVOS
Composición de la fuerza de ventas: En este enfoque,
cada vendedor estima cuáles serán las ventas en su
región.
Encuesta en el mercado de consumo: Este método
solicita información a los clientes o posibles
consumidores acerca de sus planes de compra futuros
8
MÉTODOS CUANTITATIVOS
modelos de series de tiempo
1. Enfoque intuitivo o simplista
2. Promedios móviles
3. Suavizamiento exponencial
4. Proyección de tendencias
modelo asociativo
5. Regresión lineal
9
ENFOQUE INTUITIVO O SIMPLISTA
Tomemos un ejemplo. Se tienen datos históricos de la venta de
chompas delgadas en Santa Cruz de la Sierra .
Se quiere hallar el pronostico para el mes de junio
mes ventas
ene 200
feb 220
mar 241
abr 260
may 278
jun ¿?
10
ENFOQUE INTUITIVO O SIMPLISTA
El enfoque simplista indica que la cantidad de chompas que se
venderán es la misma que la cantidad del mes pasado, es decir
278 chompas. ¿Porque?
11
ENFOQUE INTUITIVO O SIMPLISTA
Porque supone que toda serie de tiempo es o tiene un ciclo y podría ser que
este llegando al punto de inflexión y cambie de dirección la curva. En todo
caso este método indica que la cantidad mínima que se venderá es la misma
que el mes pasado.
mes ventas ventas
300
ene 200
250
feb 220
200
mar 241
150
abr 260
100
may 278
50
jun 278
0
0 2 4 6 8 10 12 14
12
PROMEDIO MÓVIL
Toma en cuenta 3 o máximo 4 datos históricos e les saca el promedio
𝒋𝒖𝒏𝒊𝒐 = (𝟐𝟒𝟏+𝟐𝟔𝟎+ 𝟐𝟕𝟖) =𝟐𝟔𝟎
𝟑
ventas
mes ventas 300
ene 200
250
feb 220
200
mar 241
150
abr 260
100
may 278
50
jun 260
0
0 1 2 3 4 5 6 7
13
PROMEDIO MÓVIL PONDERADO
Toma en cuenta 3 o máximo 4 datos históricos pero cada uno
de estos datos es multiplicado por el nivel de importancia o por
la cercanía que se cree que tenga al pronostico. Estos valores se
suman y se divide entre la suma de los pesos ponderados
6 ventas
300
250
mes ventas 200
ene 200
150
feb 220
mar 241 100
abr 260 50
may 278 0
jun 266 0 1 2 3 4 5 6 7
14
SUAVIZAMIENTO EXPONENCIAL
El suavizamiento exponencial es un sofisticado método de pronóstico de
promedios móviles ponderado
que sigue siendo bastante fácil de usar. Implica mantener muy pocos
registros de datos históricos.
La fórmula básica para el suavizamiento exponencial se expresa como sigue
𝐹𝑡 = 𝐹 𝑡 −1 +𝛼 ¿
Donde: Ft = Nuevo pronóstico
Ft-1= Pronóstico del periodo anterior
= Constante de suavizamiento exponencial o ponderación (de 0 a 1)
At-1 = Demanda real en el periodo anterior
15
SUAVIZAMIENTO EXPONENCIAL
En el ejemplo anterior
𝒋𝒖𝒏𝒊𝒐=𝟐𝟔𝟎+𝟎 ,𝟐𝟓 ∗(𝟐𝟕𝟖 −𝟐𝟔𝟎)=𝟐𝟔𝟓
mes ventas ventas
300
ene 200
250
feb 220
200
mar 241
150
abr 260
100
may 278 260 50
jun 265 0
0 1 2 3 4 5 6 7
16
MEDICIÓN DEL ERROR DE
PRONÓSTICO
Desviación absoluta media La primera medición del
error global de pronóstico para un modelo es la
desviación absoluta media (MAD). Su valor se calcula
sumando los valores absolutos de los errores
individuales del pronóstico y dividiendo el resultado
entre el número de periodos con datos (n):
M 𝐴𝐷=
∑|𝑅𝑒𝑎𝑙 − 𝑃𝑟𝑜𝑛 ó 𝑠𝑡𝑖𝑐𝑜|
𝑛
17
ERROR CUADRÁTICO MEDIO
El error cuadrático medio (MSE) es una segunda forma de
medir el error global de pronóstico. El MSE es el promedio de
los cuadrados de las diferencias encontradas entre los valores
pronosticados y los observados. Su fórmula es:
2
( 𝐸𝑟𝑟𝑜𝑟𝑟𝑒𝑠 𝑑𝑒 𝑝𝑟𝑜𝑛 ó 𝑠𝑡𝑖𝑐𝑜)
𝑀𝑆𝐸=
∑
𝑛
18
ERROR PORCENTUAL ABSOLUTO
MEDIO
Un problema tanto con la MAD como con el MSE es que sus valores
dependen de la magnitud del elemento que se pronostica. Si el elemento
pronosticado se mide en millares, los valores de la MAD y del MSE pueden
ser muy grandes. Para evitar este problema, podemos usar el error
porcentual absoluto medio (MAPE). Éste se calcula como el promedio de
las diferencias absolutas encontradas entre los valores pronosticados y los
reales, y se expresa como un porcentaje de los valores reales.
100 ∗| 𝑅𝑒𝑎𝑙 − 𝑝𝑟𝑜𝑛 ó 𝑠𝑡𝑖𝑐𝑜|
∑ 𝑅𝑒𝑎𝑙
𝑀𝐴𝑃𝐸=
𝑛
19
PRONOSTICO MEDIANTE
PROYECCIONES DE TENDENCIA
Esta técnica ajusta una recta de tendencia a una serie de
datos puntuales históricos, y después proyecta dicha
recta al futuro para obtener pronósticos de mediano y
largo plazos. Se pueden desarrollar varias ecuaciones
matemáticas (por ejemplo, exponencial y cuadrática),
pero en esta sección veremos sólo tendencias lineales
(en línea recta).
REGRESIÓN LINEAL
Una recta de mínimos cuadrados se describe en términos
de su intersección con el eje y (la altura a la cual cruza al
eje y) y su pendiente (el ángulo de la recta). Si podemos
calcular la intersección con eleje y y la pendiente,
podremos expresar la recta con la siguiente ecuación:
FORMULAS UTILIZADAS
∑ 𝑋𝑌 − 𝑛 𝑋
´ 𝑌´
´
𝑌
=𝐴 + 𝐵𝑋 𝐵= 𝐴= 𝑌 − 𝐵 𝑋´
∑ 𝑋 2 −𝑛 ´𝑥2
mes X ventas Y
ene 200
feb 220
mar 241
abr 260
may 278
jun
APLICACIÓN EN EL EJERCICIO𝑋
X mes X ventas Y XY ^2
1 ene 200 200 1 n=5
2 feb 220 440 4 x promedio = 3
3 mar 241 723 9 Y promedio =239,8
4 abr 260 1040 16
5 may 278 1390 25
6 jun 298,6 3793 55
∑ 𝑋𝑌 − 𝑛 𝑋
´ 𝑌´
𝑌
=𝐴 +𝐵𝑋
𝐵= 2 2
=19,6
∑ 𝑋 −𝑛 ´𝑥
81
𝒀 =𝟏𝟖𝟏+𝟏𝟗 ,𝟔 𝑿
𝒀 ( 𝒋𝒖𝒏𝒊𝒐 )=𝟏𝟖𝟏+𝟏𝟗 , 𝟔 ∗𝟔=𝟐𝟗𝟖 ,𝟔
𝒀 ( 𝒋𝒖𝒍𝒊𝒐 ) =𝟏𝟖𝟏+𝟏𝟗 ,𝟔 ∗ 𝟕=𝟑𝟏𝟖 ,𝟐
OTRAS TENDENCIAS
Lineal
Exponencial
Potencial
PROYECCION DE TENDENCIA PARA
VARIACIONES CICLICAS ESTACIONALES
Generalmente los datos históricos tienden a tener una
variación cíclica y es mas difícil determinar el valor
pronosticado de cada parte del ciclo. Es por eso que
presentamos las siguientes metodologías para determinar
los pronósticos.
EJEMPLO
Suponga la venta de chompas de invierno en la ciudad de Santa
Cruz de la Sierra – Bolivia. Se tienen datos históricos de los
últimos 3 años y se sabe que el cambio climático hace que el
invierno sea mas fuerte y comience mas temprano. Los datos
son los siguientes.
año
mes 2017 2018 2019
enero 80 85 105
febrero 70 85 85
marzo 80 93 82
abril 90 95 115
mayo 113 125 131
junio 110 115 120
julio 100 102 113
agosto 88 102 110
septiembre 85 90 95
octubre 77 78 85
noviembre 75 82 83
diciembre 82 78 80
DIAGRAMA DE DISPERSIÓN DE DATOS
HISTÓRICOS
140
historico de ventas de chompas 2017 al 2019
120
100
80
cantidad
60
40
20
0
0 5 10 15 20 25 30 35 40
meses
1RA METODOLOGÍA
𝑑𝑒𝑚𝑎𝑛𝑑𝑎 𝑝𝑟𝑜𝑚𝑒𝑑𝑖𝑜 h𝑖𝑠𝑡𝑜𝑟𝑖𝑐𝑎=
∑ 2017+2018+ 2019 = 80+85+105 = 90
3 3
año
demanda
promedio
mes 2017 2018 2019 historica
enero 80 85 105 90
febrero 70 85 85 80
marzo 80 93 82 85
abril 90 95 115 100
mayo 113 125 131 123
junio 110 115 120 115
julio 100 102 113 105
agosto 88 102 110 100
septiembre 85 90 95 90
octubre 77 78 85 80
noviembre 75 82 83 80
diciembre 82 78 80 80
TOTAL 1050 1130 1204 1128
1RA METODOLOGÍA
año
demanda demanda
promedio promedio
mes 2017 2018 2019 historica mensual
enero 80 85 105 90 94
febrero 70 85 85 80 94
marzo 80 93 82 85 94
abril 90 95 115 100 94
mayo 113 125 131 123 94
junio 110 115 120 115 94
julio 100 102 113 105 94
agosto 88 102 110 100 94
septiembre 85 90 95 90 94
octubre 77 78 85 80 94
noviembre 75 82 83 80 94
diciembre 82 78 80 80 94
TOTAL 1050 1130 1204 1128
año
demanda demanda
promedio promedio indice
mes 2017 2018 2019 historica mensual estacional
enero 80 85 105 90 94 0,95744681
febrero 70 85 85 80 94 0,85106383
marzo 80 93 82 85 94 0,90425532
abril 90 95 115 100 94 1,06382979
mayo 113 125 131 123 94 1,30851064
junio 110 115 120 115 94 1,22340426
julio 100 102 113 105 94 1,11702128
agosto 88 102 110 100 94 1,06382979
septiembre 85 90 95 90 94 0,95744681
octubre 77 78 85 80 94 0,85106383
noviembre 75 82 83 80 94 0,85106383
diciembre 82 78 80 80 94 0,85106383
TOTAL 1050 1130 1204 1128
PROYECCION PARA EL 2020
x año ventas Y
1 2017 1050
2 2018 1130
3 2019 1204
4 2020 1282
1250
1200
f(x)
f(x) =
= 982.19
77 exp(
x + 974
1046.74 0.07 x )
x^0.12
1150 R²
R² =
=10.99
1100
1050
1000
950
0.5 1 1.5 2 2.5 3 3.5
CALCULO DEL PRONÓSTICO
1282
𝑒𝑛𝑒𝑟𝑜=𝑖𝑛𝑑𝑖𝑐𝑒𝑒𝑠𝑡𝑎𝑐𝑖𝑜𝑛𝑎𝑙∗𝑑𝑒𝑚𝑎𝑛𝑑𝑎 𝑝𝑟𝑜𝑚𝑒𝑑𝑖𝑜𝑚𝑒𝑛𝑠𝑢𝑎𝑙 𝑝𝑟𝑜𝑛𝑜𝑠𝑡𝑖𝑐𝑎𝑑𝑎=0,9574∗ =102
12
indice demanda
mes estacional pronosticada
enero 0,95744681 102
febrero 0,85106383 91
marzo 0,90425532 97
abril 1,06382979 114
mayo 1,30851064 140
junio 1,22340426 131
julio 1,11702128 119
agosto 1,06382979 114
septiembre 0,95744681 102
octubre 0,85106383 91
noviembre 0,85106383 91
diciembre 0,85106383 91
2DA METODOLOGÍA
𝑑𝑒𝑚𝑎𝑛𝑑𝑎 𝑝𝑟𝑜𝑚𝑒𝑑𝑖𝑜 h𝑖𝑠𝑡𝑜𝑟𝑖𝑐𝑎 𝑚𝑒𝑛𝑠𝑢𝑎𝑙
% 𝑑𝑒 𝑑𝑒𝑚𝑎𝑛𝑑𝑎=
𝑡𝑜𝑡𝑎𝑙 𝑑𝑒𝑚𝑎𝑛𝑑𝑎 𝑝𝑟𝑜𝑚𝑒𝑑𝑖𝑜h𝑖𝑠𝑡 ó 𝑟𝑖𝑐𝑎 𝑝𝑟𝑜𝑛ó 𝑠𝑡𝑖𝑐𝑜 𝑑𝑒 𝑑𝑒𝑚𝑎𝑛𝑑𝑎
% 𝑑𝑒 𝑑𝑒𝑚𝑎𝑛𝑑𝑎 = 90
= 0,0798
1282
año
demanda
promedio % de
mes 2017 2018 2019 historica demanda
enero 80 85 105 90 7,98%
febrero 70 85 85 80 7,09%
marzo 80 93 82 85 7,54%
abril 90 95 115 100 8,87%
mayo 113 125 131 123 10,90%
junio 110 115 120 115 10,20%
julio 100 102 113 105 9,31%
agosto 88 102 110 100 8,87%
septiembre 85 90 95 90 7,98%
octubre 77 78 85 80 7,09%
noviembre 75 82 83 80 7,09%
diciembre 82 78 80 80 7,09%
TOTAL 1050 1130 1204 1128 1
2DA METODOLOGÍA
𝑑𝑒𝑚𝑎𝑛𝑑𝑎
𝑝𝑟𝑜𝑛𝑜𝑠𝑡𝑖𝑐𝑎𝑑𝑎𝑚𝑒𝑛𝑠𝑢𝑎𝑙 =𝑑𝑒𝑚𝑎𝑛𝑑𝑎 𝑝𝑟𝑜𝑛𝑜𝑠𝑡𝑖𝑐𝑎𝑑𝑎𝑡𝑜𝑡𝑎𝑙 ∗% 𝑑𝑒 𝑑𝑒𝑚𝑎𝑛𝑑𝑎
𝑑𝑒𝑚𝑎𝑛𝑑𝑎 𝑝𝑟𝑜𝑛𝑜𝑠𝑡𝑖𝑐𝑎𝑑𝑎 𝑚𝑒𝑛𝑠𝑢𝑎𝑙 =1282∗ , 0798=102
año
demanda
promedio % de demanda
mes 2017 2018 2019 historica demanda pronosticada
enero 80 85 105 90 7,98% 102
febrero 70 85 85 80 7,09% 91
marzo 80 93 82 85 7,54% 97
abril 90 95 115 100 8,87% 114
mayo 113 125 131 123 10,90% 140
junio 110 115 120 115 10,20% 131
julio 100 102 113 105 9,31% 119
agosto 88 102 110 100 8,87% 114
septiembre 85 90 95 90 7,98% 102
octubre 77 78 85 80 7,09% 91
noviembre 75 82 83 80 7,09% 91
diciembre 82 78 80 80 7,09% 91
TOTAL 1050 1130 1204 1128 1 1282
3RA METODOLOGÍA
año
demanda
promedio
mes 2017 2018 2019 historica
enero 80 85 105 90
febrero 70 85 85 80
marzo 80 93 82 85
abril 90 95 115 100
mayo 113 125 131 123
junio 110 115 120 115
julio 100 102 113 105
agosto 88 102 110 100
septiembre 85 90 95 90
octubre 77 78 85 80
noviembre 75 82 83 80
diciembre 82 78 80 80
TOTAL 1050 1130 1204 1128
ANALISIS DE MÁXIMOS Y MÍNIMOS
REGRESION LINEAL
minimos maximos minimos maximos
1 70 113 1 70 113
2 75 125
2 75 125
3 78 131
3 78 131 4 80 137
4 80 5 82
82
135
80
f(x) = 70.06 x^0.1 130
78
R² = 1 f(x) = 113.21 x^0.14
76 125 R² = 1
74 120
72 115
70
110
68
105
66
100
64
0.5 1 1.5 2 2.5 3 3.5
0.5 1 1.5 2 2.5 3 3.5 4 4.5
CALCULO DE LOS PRONÓSTICOS
demanda
minimos maximos
1 70 113 promedio demanda
2 75 125 mes historica pronosticada
3 78 131 enero 90 x 100
4 80 137 febrero 80
5 82 marzo 85
abril 100
mayo 123 137
90 X junio 115
123 137 julio 105
agosto 100
septiembre 90
90 ∗137 octubre 80
𝑥= =100
123 noviembre 80
diciembre 80 82
GRAFICA DEL PRONÓSTICO
historico de ventas de chompas 2017 al 2019
160
140
120
100
cantidad
80
60
40
20
0
0 10 20 30 40 50 60
meses
PROYECCION DE TENDENCIA PARA
VARIACIONES CICLICAS ESTACIONALES
Generalmente los datos históricos tienden a tener una
variación cíclica y es mas difícil determinar el valor
pronosticado de cada parte del ciclo. Es por eso que
presentamos las siguientes metodologías para determinar
los pronósticos.
EJEMPLO
Suponga la venta de chompas de invierno en la ciudad de Santa
Cruz de la Sierra – Bolivia. Se tienen datos históricos de los
últimos 3 años y se sabe que el cambio climático hace que el
invierno sea mas fuerte y comience mas temprano. Los datos
son los siguientes.
DIAGRAMA DE DISPERSIÓN DE DATOS
HISTÓRICOS
140
historico de ventas de chompas 2017 al 2019
120
100
80
cantidad
60
40
20
0
0 5 10 15 20 25 30 35 40
meses
1RA METODOLOGÍA
𝑑𝑒𝑚𝑎𝑛𝑑𝑎 𝑝𝑟𝑜𝑚𝑒𝑑𝑖𝑜 h𝑖𝑠𝑡𝑜𝑟𝑖𝑐𝑎=
∑ 2017+2018+ 2019 = 80+85+105 = 90
3 3
año
demanda
promedio
mes 2017 2018 2019 historica
enero 80 85 105 90
febrero 70 85 85 80
marzo 80 93 82 85
abril 90 95 115 100
mayo 113 125 131 123
junio 110 115 120 115
julio 100 102 113 105
agosto 88 102 110 100
septiembre 85 90 95 90
octubre 77 78 85 80
noviembre 75 82 83 80
diciembre 82 78 80 80
TOTAL 1050 1130 1204 1128
1RA METODOLOGÍA
año
demanda demanda
promedio promedio
mes 2017 2018 2019 historica mensual
enero 80 85 105 90 94
febrero 70 85 85 80 94
marzo 80 93 82 85 94
abril 90 95 115 100 94
mayo 113 125 131 123 94
junio 110 115 120 115 94
julio 100 102 113 105 94
agosto 88 102 110 100 94
septiembre 85 90 95 90 94
octubre 77 78 85 80 94
noviembre 75 82 83 80 94
diciembre 82 78 80 80 94
TOTAL 1050 1130 1204 1128
CALCULO DEL PRONÓSTICO
año
demanda demanda
promedio promedio indice
mes 2017 2018 2019 historica mensual estacional
enero 80 85 105 90 94 0,95744681
febrero 70 85 85 80 94 0,85106383
marzo 80 93 82 85 94 0,90425532
abril 90 95 115 100 94 1,06382979
mayo 113 125 131 123 94 1,30851064
junio 110 115 120 115 94 1,22340426
julio 100 102 113 105 94 1,11702128
agosto 88 102 110 100 94 1,06382979
septiembre 85 90 95 90 94 0,95744681
octubre 77 78 85 80 94 0,85106383
noviembre 75 82 83 80 94 0,85106383
diciembre 82 78 80 80 94 0,85106383
TOTAL 1050 1130 1204 1128
PROYECCION PARA EL 2020
x año ventas Y
1 2017 1050
2 2018 1130
3 2019 1204
4 2020 1282
1250
1200
f(x)
f(x) =
= 982.19
77 exp(
x + 974
1046.74 0.07 x )
x^0.12
1150 R²
R² =
=10.99
1100
1050
1000
950
0.5 1 1.5 2 2.5 3 3.5
CALCULO DEL PRONÓSTICO
1282
𝑒𝑛𝑒𝑟𝑜=𝑖𝑛𝑑𝑖𝑐𝑒𝑒𝑠𝑡𝑎𝑐𝑖𝑜𝑛𝑎𝑙∗𝑑𝑒𝑚𝑎𝑛𝑑𝑎 𝑝𝑟𝑜𝑚𝑒𝑑𝑖𝑜𝑚𝑒𝑛𝑠𝑢𝑎𝑙 𝑝𝑟𝑜𝑛𝑜𝑠𝑡𝑖𝑐𝑎𝑑𝑎=0,9574∗ =102
12
indice demanda
mes estacional pronosticada
enero 0,95744681 102
febrero 0,85106383 91
marzo 0,90425532 97
abril 1,06382979 114
mayo 1,30851064 140
junio 1,22340426 131
julio 1,11702128 119
agosto 1,06382979 114
septiembre 0,95744681 102
octubre 0,85106383 91
noviembre 0,85106383 91
diciembre 0,85106383 91
2DA METODOLOGÍA
𝑑𝑒𝑚𝑎𝑛𝑑𝑎 𝑝𝑟𝑜𝑚𝑒𝑑𝑖𝑜 h𝑖𝑠𝑡𝑜𝑟𝑖𝑐𝑎 𝑚𝑒𝑛𝑠𝑢𝑎𝑙
% 𝑑𝑒 𝑑𝑒𝑚𝑎𝑛𝑑𝑎 =
𝑡𝑜𝑡𝑎𝑙 𝑑𝑒𝑚𝑎𝑛𝑑𝑎 𝑝𝑟𝑜𝑚𝑒𝑑𝑖𝑜 h𝑖𝑠𝑡 ó 𝑟𝑖𝑐𝑎
% 𝑑𝑒 𝑑𝑒𝑚𝑎𝑛𝑑𝑎 = 90
=0,0798
1128
año
demanda
promedio % de
mes 2017 2018 2019 historica demanda
enero 80 85 105 90 7,98%
febrero 70 85 85 80 7,09%
marzo 80 93 82 85 7,54%
abril 90 95 115 100 8,87%
mayo 113 125 131 123 10,90%
junio 110 115 120 115 10,20%
julio 100 102 113 105 9,31%
agosto 88 102 110 100 8,87%
septiembre 85 90 95 90 7,98%
octubre 77 78 85 80 7,09%
noviembre 75 82 83 80 7,09%
diciembre 82 78 80 80 7,09%
TOTAL 1050 1130 1204 1128 1
2DA METODOLOGÍA
𝑑𝑒𝑚𝑎𝑛𝑑𝑎
𝑝𝑟𝑜𝑛𝑜𝑠𝑡𝑖𝑐𝑎𝑑𝑎𝑚𝑒𝑛𝑠𝑢𝑎𝑙 =𝑑𝑒𝑚𝑎𝑛𝑑𝑎 𝑝𝑟𝑜𝑛𝑜𝑠𝑡𝑖𝑐𝑎𝑑𝑎𝑡𝑜𝑡𝑎𝑙 ∗% 𝑑𝑒 𝑑𝑒𝑚𝑎𝑛𝑑𝑎
𝑑𝑒𝑚𝑎𝑛𝑑𝑎 𝑝𝑟𝑜𝑛𝑜𝑠𝑡𝑖𝑐𝑎𝑑𝑎 𝑚𝑒𝑛𝑠𝑢𝑎𝑙 =1282∗ , 0798=102
año
demanda
promedio % de demanda
mes 2017 2018 2019 historica demanda pronosticada
enero 80 85 105 90 7,98% 102
febrero 70 85 85 80 7,09% 91
marzo 80 93 82 85 7,54% 97
abril 90 95 115 100 8,87% 114
mayo 113 125 131 123 10,90% 140
junio 110 115 120 115 10,20% 131
julio 100 102 113 105 9,31% 119
agosto 88 102 110 100 8,87% 114
septiembre 85 90 95 90 7,98% 102
octubre 77 78 85 80 7,09% 91
noviembre 75 82 83 80 7,09% 91
diciembre 82 78 80 80 7,09% 91
TOTAL 1050 1130 1204 1128 1 1282
3RA METODOLOGÍA
año
demanda
promedio
mes 2017 2018 2019 historica
enero 80 85 105 90
febrero 70 85 85 80
marzo 80 93 82 85
abril 90 95 115 100
mayo 113 125 131 123
junio 110 115 120 115
julio 100 102 113 105
agosto 88 102 110 100
septiembre 85 90 95 90
octubre 77 78 85 80
noviembre 75 82 83 80
diciembre 82 78 80 80
TOTAL 1050 1130 1204 1128
ANALISIS DE MÁXIMOS Y MÍNIMOS
REGRESION LINEAL
minimos maximos minimos maximos
1 70 113 1 70 113
2 75 125
2 75 125
3 78 131
3 78 131 4 80 137
4 80 5 82
82
135
80
f(x) = 70.06 x^0.1 130
78
R² = 1 f(x) = 113.21 x^0.14
76 125 R² = 1
74 120
72 115
70
110
68
105
66
100
64
0.5 1 1.5 2 2.5 3 3.5
0.5 1 1.5 2 2.5 3 3.5 4 4.5
CALCULO DE LOS PRONÓSTICOS
demanda
minimos maximos
1 70 113 promedio demanda
2 75 125 mes historica pronosticada
3 78 131 enero 90 100
x 100
4 80 137 febrero 80 89
5 82 marzo 85 94
abril 100 111
mayo 123 137
90 X junio 115 118
123 137 julio 105 107
agosto 100 102
septiembre 90 92
90 ∗137 octubre 80
𝑥= =100 82
123 noviembre 80 82
diciembre 80 82
GRAFICA DEL PRONÓSTICO
historico de ventas de chompas 2017 al 2019
160
140
120
100
cantidad
80
60
40
20
0
0 10 20 30 40 50 60
meses
GRACIAS!
