PREVISIONES

CONTENIDO
1. ¿Qué es la previsión?
2. Tipos de previsiones
3. La importancia estratégica de la previsión
4. Etapas en el sistema de previsión
5. Enfoques de la previsión
6. Previsión de series temporales
7. Métodos de previsión causal: análisis de
regresión y correlación
8. Seguimiento y control de previsiones
¿QUÉ ES LA PREVISIÓN?
¿QUÉ ES LA PREVISIÓN?

Es el arte y la ciencia de predecir

acontecimientos futuros.

Supone la recopilación de datos históricos y su

proyección hacia el futuro con algún tipo de
modelo matemático.

Una planificación eficaz, tanto a corto como a

largo plazo, se basa en la previsión de la
demanda.
HORIZONTES TEMPORALES DE LA
PREVISIÓN

 A corto plazo:
 Cobertura hasta tres meses
 Se usa para:
 Planificación de compras
 Programación de trabajos

 Programación de necesidades de mano de obra

 Asignación de tareas

 Planificación de los niveles de producción

HORIZONTES TEMPORALES DE LA
PREVISIÓN
 A mediano plazo:
 Cobertura entre tres meses y tres años
 Se usa para:
 Planificación de las ventas
 Planificación de la producción y de su presupuesto
 Planificación de caja
 Para análisis de diferentes planes operativos
 A largo plazo:
 Periodosmayores a tres años
 Se usa para:
 Planificación de desarrollo y lanzamiento de nuevos
productos
 Gastos de capital – Inversiones

 Localización o expansión de instalaciones

DIFERENCIAS ENTRE
PREVISIONES A CORTO PLAZO Y
MEDIANO/LARGO PLAZO
1. A mediano y largo plazo se tratan de
cuestiones mas globales. Son base para
decisiones de gestión referentes a
productos, plantas y procesos

2. En las de corto plazo se usan metodologías

de diferentes. Métodos mas específicos y
mas cuantitativos.

3. Las de corto plazo tienden a ser mas

exactas.
TIPOS DE PREVISIONES
PREVISIONES ECONÓMICAS

Indicadores de planificación valiosos para

ayudar a las organizaciones a preparar
previsiones a medio y largo plazo

Tasas de inflación
Construcción de viviendas

Otros indicadores macroeconómicos

PREVISIONES SOBRE LA
TECNOLOGÍA

Pronósticos a largo plazo relacionados con la

tasa de crecimiento tecnológico
PREVISIONES DE LA DEMANDA

Son estimaciones de la demanda de los

productos o servicios de la empresa.
Algunas veces se llaman pronósticos de ventas
(forecast de ventas).
Conducen a los sistemas de producción de las
empresas, su capacidad y su planificación.
Sirven como input para la planificación
financiera, de mercadeo y de personal.
IMPORTANCIA
ESTRATÉGICA DE LA
PREVISIÓN
IMPORTANCIA ESTRATÉGICA

 La previsión es la única conocimiento que

tenemos de la demanda hasta que se
conozca la demanda real.

 Determinan decisiones de muchas áreas.

 RRHH
 Capacidad
 Gestión de la cadena de suministros
EN RRHH

 La contratación, formación y desvinculación

dependen de la demanda estimada.

 Si RRHH debe contratar sin previo aviso:

 Formación
  Calidad de la plantilla
CAPACIDAD

Capacidad insuficiente  genera déficit 

incumplimiento en las entregas  pérdida de
clientes  pérdida de market share

Exceso de capacidad  aumento de los costos

CADENA DE SUMINISTROS

De la exactitud de las previsiones dependen

las buenas relaciones con los proveedores y las
ventajas de precio para materiales

Ej: justificación de ampliaciones o inversiones en las instalaciones de los

proveedores.
ETAPAS DEL SISTEMA DE
PREVISIÓN
ETAPAS DE LA PREVISIÓN
 Se siguen siete etapas básicas para iniciar,
diseñar e implementar un sistema de
previsiones
1. Determinar el uso de la previsión (por ej. definir
los niveles de producción)
2. Seleccionar los sku’s para los que se va a
realizar la previsión
3. Definir el horizonte temporal de la previsión
(largo, mediano o corto plazo)
4. Seleccionar el modelo o los modelos de
previsión
5. Recopilación de los datos necesarios para hacer
la previsión
6. Realizar la previsión
ETAPAS DE LA PREVISIÓN
 Realidades:
1. Las previsiones rara vez son perfectas
 Hay factores externos que no se pueden predecir o
controlar
2. La mayoría de las técnicas de previsión
suponen que el sistema tiene cierta estabilidad
 Automatización de las predicciones
3. Las previsiones de familias de productos como
las agregadas son mas precisas que las
previsiones de productos individuales
 Este enfoque ayuda a equilibrar las predicciones por
defecto o por exceso de cada producto
ENFOQUES DE LA
PREVISIÓN
ENFOQUES DE LA PREVISIÓN

Incorporan factores tales

como la intuición de las
Enfoque personas que toman las
cualitativo decisiones, emociones,
experiencias y sistemas de
valores
Previsión
Se usan diferentes modelos
matemáticos
Enfoque
cuantitativo Utilizan datos históricos y
variables para prever la
demanda
 td
io
• Ja
d
d 4
u
e
•m rel
M
p
a
é
e
e 3
td
rr
o
c
s
d
a 2
o
e
o
d
n
o
D
o
al
p
el 1
id
p
e
n
h
v
MÉTODOS CUALITATIVOS
iió
e
n
n
ej
MÉTODOS CUALITATIVOS
 Jurado de opinión ejecutiva

Es una técnica de previsión que recoge la

opinión de un grupo de directivos de alto nivel
(a menudo en combinación con modelos
estadísticos) a partir de la que se alcanza una
estimación de la demanda
MÉTODOS CUALITATIVOS
 Método Delphi
Es una técnica de previsión que utiliza un
proceso de grupo que permite a los expertos
realizar previsiones.
Existen 3 tipos de participantes en el método:
Los que toman decisiones: expertos que realizan
la previsión
El personal soporte: ayuda a los que toman
decisiones analizando los resultados de las
encuestas
Los encuestados: personas cuyas opiniones son
el input para los tomadores de decisiones
MÉTODOS CUALITATIVOS
 Propuesta del personal de ventas

Es una técnica de previsión que se basa en la

estimación de las ventas esperadas por los
vendedores de cada zona

Estas previsiones se revisan posteriormente

para asegurarse de que son realistas
MÉTODOS CUALITATIVOS
 Estudio de mercado

Es una técnica de previsión que requiere

información de los clientes o clientes potenciales
con respecto a los planes de compra futuros

Esto es útil para mejorar el diseño de un

producto y planificar nuevos productos

Pueden ofrecer una previsión excesivamente

optimista dada la información transmitida por el
consumidor
MÉTODOS CUANTITATIVOS
• Enfoque simple
• Medias móviles
Modelos de • Alisado exponencial
series • Proyección de tendencia
temporales

• Regresión lineal
Modelo
asociativos
(o
causales)
MÉTODOS CUANTITATIVOS
 Modelos de series temporales

 Predicen partiendo de la premisa de que el futuro

es una función del pasado
 Observan lo que ha ocurrido a lo largo de un
periodo de tiempo y utilizan una serie de datos
pasados

 Modelos asociativos o causales

 Incorporan variables que pueden influir en la

cantidad que se va a predecir
PREVISIÓN DE SERIES
TEMPORALES
PREVISIÓN DE SERIES
TEMPORALES

 Está basada en una secuencia de datos

uniformemente espaciados

 Implica que los valores futuros son predichos

únicamente a partir de valores pasados

 Se desestiman otras variables sin importar el

valor potencial que puedan tener
DESCOMPOSICIÓN DE UNA SERIE
TEMPORAL
 El análisis de series temporales implica
desglosar los datos pasados en cuatro
componentes:

1. Tendencia

2. Estacionalidad

3. Ciclos

4. Variaciones irregulares o aleatorias

DESCOMPOSICIÓN DE UNA SERIE
TEMPORAL
 Tendencia:

Es el movimiento gradual de subida o bajada

de los valores de los datos a lo largo del
tiempo.

Ej. cambios en los ingresos, la población, la distribución por

edades o los gustos culturales
DESCOMPOSICIÓN DE UNA SERIE
TEMPORAL
Estacionalidad:
Es el patrón de variabilidad de los datos que se
repite cada cierto tiempo (número de días,
semanas, meses o trimestres)
Periodo del Número de estaciones
Duración de la estación
patrón en el patrón
Semana Día 7
Mes Semana 4–4½
Mes Día 28 – 31
Año Trimestre 4
Año Mes 12
Año Semana 52
DESCOMPOSICIÓN DE UNA SERIE
TEMPORAL
 Ciclos:

Son patrones en los datos que ocurren cada

cierto número de años

Normalmente están relacionados con ciclos

económicos

Son de gran importancia en el análisis y

planificación de los negocios a corto plazo
DESCOMPOSICIÓN DE UNA SERIE
TEMPORAL
 Variaciones irregulares o aleatorias:

Son irregularidades en los datos causados por

el azar y situaciones inusuales

No siguen ningún patrón perceptible

En épocas estables, hacer pronósticos es fácil: consiste

en sumar o restar al comportamiento de un año
determinado unos cuantos puntos porcentuales
DESCOMPOSICIÓN DE UNA SERIE
TEMPORAL

Demanda de un producto durante 4 años, señalando una tendencia

en crecimiento y la estacionalidad
PREVISIÓN DE SERIES
TEMPORALES

 Está basada en una secuencia de datos

uniformemente espaciados

 Implica que los valores futuros son predichos

únicamente a partir de valores pasados

 Se desestiman otras variables sin importar el

valor potencial que puedan tener
ENFOQUE SIMPLE

Es una técnica de previsión sencilla que

supone que la demanda del próximo periodo
es igual a la demanda del último periodo

Para algunas líneas de productos, es el modelo

con la mejor relación eficacia-costo y eficiencia
en la consecución de los objetivos

Sirve de punto de partida para poder comparar

con los modelos de previsión mas complejos
MEDIAS MÓVILES

Es una técnica de previsión que utiliza una

serie de valores recientes de los datos

Son útiles si se puede suponer que las

demandas del mercado serán bastante
estables a lo largo del tiempo

Este modelo tiende a suavizar las

irregularidades a corto plazo en las series de
datos
MEDIAS MÓVILES

Donde n es el número de periodos en la media

móvil (por ejemplo 4, 5 o 6 meses), para
medias móviles de 4, 5 o 6 periodos,
respectivamente

¿Cómo se calculan?????
MEDIAS MÓVILES (EJEMPLO)
MES VENTAS REALES (und) MEDIA MÓVIL DE 3 MESES

Enero 10
Febrero 12
Marzo 13
Abril 16 (10+12+13)/3 = 11,67
Mayo 19 (12+13+16)/3 = 13,67
Junio 23 (13+16+19)/3 = 16
Julio 26 (16+19+23)/3 = 19,33
Agosto 30 (19+23+26)/3 = 22,67
Septiembre 28 (23+26+30)/3 = 26,33
Octubre 18 (26+30+28)/3 = 28
Noviembre 16 (30+28+18)/3 = 25,33
Diciembre 14 (28+18+16)/3 = 20,67
MEDIAS MÓVILES (EJEMPLO)
35
30
25
20
15
10
5
0
r o r o z o r il yo io l io sto r e r e r e r e
e re a r b a un Ju go b b b b
En b A M J m tu m m
M ie c ie cie
Fe A
pt O v i
e o D
S N

Ventas reales Demanda esperada

MEDIAS MÓVILES
 Si existe una tendencia o patrón se pueden
utilizar ponderaciones para resaltar los
valores mas recientes
 Así se hace que la técnica sea mas sensible a

los cambios
 No hay fórmula para elegir las ponderaciones

 Si al último mes se le da demasiada

ponderación, la previsión puede reflejar

demasiado rápido una gran variación de la
demanda
MEDIAS MÓVILES
Matemáticamente es:

¿Cómo se calcula la media móvil

ponderada????
MEDIAS MÓVILES (EJEMPLO)
Ponderación aplicada Periodo
3 Último mes
2 Hace 2 meses
1 Hace 3 meses
6 Suma de ponderaciones

Previsión para este mes:

(3 x ventas último mes) + (2 x ventas de hace 2 meses) + (1 x ventas de hace 3
meses)
6  suma de ponderaciones (3 + 2 + 1)
MEDIAS MÓVILES PONDERADAS
(EJEMPLO)
MES VENTAS REALES (und) MEDIA MÓVIL DE 3 MESES

Enero 10
Febrero 12
Marzo 13
Abril 16
((10x1)+(12x2)+(13x3))/6 =
12,17
Mayo ((12x1)+(13x2)+(16x3))/6 =
19 14,33
Junio ((13x1)+(16x2)+(19x3))/6 =
23 17
Julio ((16x1)+(19x2)+(23x3))/6 =
26 20,5
Agosto ((19x1)+(23x2)+(26x3))/6 =
30 23,83
Septiembre ((23x1)+(26x2)+(30x3))/6 =
28 27,5
Octubre ((26x1)+(30x2)+(28x3))/6 =
18
MEDIAS MÓVILES PONDERADAS
(EJEMPLO)
35
30
25
20
15
10
5
0
r o r o z o r il yo io l io sto r e r e r e r e
e re a r b a un Ju go b b b b
En b A M J m tu m m
M ie c ie cie
Fe A
pt O v i
e o D
S N

Ventas reales Demanda esperada (MM)

Demanda esperada (MMP)
MEDIAS MÓVILES (SIMPLES Y
PONDERADAS)
 Ambas son eficaces en el alisado de
fluctuaciones repentinas de demanda
 La media móvil ponderada reacciona mas

rápidamente a los cambios de la demanda

Pero tienen problemas...

MEDIAS MÓVILES
 Debilidades:
1. Si se aumenta el tamaño de n (número de
periodos promediados) se manejan mejor las
fluctuaciones pero se hace menos sensible a
cambios reales en los datos

2. No son buenas para captar tendencias. Esto es

por ser promedios y siempre seguirán el ritmo
de niveles pasados. No podrán predecir
cambios hacia niveles superiores o inferiores.
Se rezagan con respecto a los valores reales.

3. Requieren un gran número de datos históricos

ALISADO EXPONENCIAL

Es una técnica de previsión de media móvil

ponderada en la que los datos se ponderan
mediante una función exponencial

Necesita un número reducido de datos

Relativamente fácil de usar

ALISADO EXPONENCIAL

La fórmula base se puede representar así:

Nueva previsión = previsión del último periodo
+ α (demanda real del último periodo –
previsión del último periodo)

α es una ponderación o constante de

alisado (elegida por quien hace la
ponderación)
Toma valores entre 0 y 1
ALISADO EXPONENCIAL
Matemáticamente es:

Ft = nueva previsión
Ft-1 = previa previsión
α = constante de alisado (0 ≤ α ≥ 1)
At-1 = demanda real del periodo previo
t-1 = periodo previo
ALISADO EXPONENCIAL
Consideración:

La estimación de la demanda para un periodo

es igual a la estimación hecha para el
periodo anterior, ajustada por una fracción
de la diferencia entre la demanda real del
periodo anterior y la estimación que hicimos
para el mismo

¿Como se calcula????
ALISADO EXPONENCIAL (EJEMPLO)
En enero, una fabrica predijo para febrero una
demanda de 142 unidades. La demanda real
en febrero fue de 153 unidades. Usando una
constante de alisado escogida por la dirección
de α=0,2 se puede predecir la demanda de
marzo, que se calcula así:

Previsión de marzo = 142 + 0,2 x (153 – 142)

Previsión de marzo = 142 + 2,2
Previsión de marzo = 144 unidades
ALISADO EXPONENCIAL
 Constante de alisado:

 Habitualmente está en un intervalo de 0,05 y

0,50

 Sise quiere dar mayor ponderación a valores

recientes, α debe ser alto

 Sise quiere dar mayor ponderación a valores

antiguos, α debe ser bajo

 Siel valor es 1, desaparecen todos los valores

antiguos
ALISADO EXPONENCIAL (EJEMPLO)
MES VENTAS REALES (und) PREVISIONES (α=0,30)

Enero 10 12 (ya la tenemos)

Febrero 12 12 + 0,3x(10-12)= 11
Marzo 13 11 + 0,3x(12-11)= 11
Abril 16 12
Mayo 19 13
Junio 23 15
Julio 26 17
Agosto 30 20
Septiembre 28 23
Octubre 18 25
Noviembre 16 23
Diciembre 14 21
MEDIAS MÓVILES PONDERADAS Y
ALISADO EXPONENCIAL (EJEMPLO)
35
30
25
20
15
10
5
0
o o zo ril o
ni
o lio st
o e e e e
er re
r
ar b ay Ju br br br br
n A M Ju o u
E
Fe
b M Ag tie
m ct ie
m
ie
m
p O o v ic
Se N D

Ventas reales
Demanda esperada (MM)
Demanda esperada (MMP)
Alisado exponencial α=0,30
ALISADO EXPONENCIAL (EJEMPLO
CON 0,05)
MES VENTAS REALES (und) PREVISIONES (α=0,05)

Enero 10 12 (ya la tenemos)

Febrero 12 12 + 0,05x(10-12)= 12
Marzo 13 12 + 0,05x(12-11)= 12
Abril 16 12
Mayo 19 12
Junio 23 12
Julio 26 13
Agosto 30 14
Septiembre 28 15
Octubre 18 16
Noviembre 16 16
Diciembre 14 16
ALISADO EXPONENCIAL (EJEMPLO)
35
30
25
20
15
10
5
0
o o zo ril o
ni
o lio st
o e e e e
ner re
r
ar A b ay u Ju o br ubr br br
M J
E
Fe
b M Ag tie
m ct ie
m
ie
m
p O o v ic
Se N D

Ventas reales
Alisado exponencial α=0,30
Alisado exponencial α=0,05
ALISADO EXPONENCIAL (EJEMPLO)
MES VENTAS REALES (und) PREVISIONES (α=0,50)

Enero 10 12 (ya la tenemos)

Febrero 12 12 + 0,50x(10-12)= 11
Marzo 13 11 + 0,50x(12-11)= 12
Abril 16 12
Mayo 19 14
Junio 23 17
Julio 26 20
Agosto 30 23
Septiembre 28 26
Octubre 18 27
Noviembre 16 23
Diciembre 14 19
ALISADO EXPONENCIAL (EJEMPLO)
35
30
25
20
15
10
5
0
o o zo ril o
ni
o lio st
o e e e e
er re
r
ar b ay Ju br br br br
n A M Ju o u
E
Fe
b M Ag tie
m ct ie
m
ie
m
p O o v ic
Se N D

Ventas reales
Alisado exponencial α=0,30
Alisado exponencial α=0,05
Alisado exponencial α=0,50
ALISADO EXPONENCIAL
 Consideraciones:
 La estimación de la demanda para un periodo es
igual a la estimación hecha para el periodo
anterior, ajustada por una fracción de la
diferencia entre la demanda real del periodo
anterior y la estimación que hicimos para el
mismo
 Un α inadecuado puede marcar la diferencia
entre una previsión precisa y una imprecisa
 Es una técnica exitosa usada regularmente en
las empresas, especialmente por los programas
para el control de inventarios
MEDICIÓN DEL ERROR DE
PREVISIÓN
 La exactitud de cualquier método de
previsión (media móvil, alisado exponencial u
otro) se encuentra comparando los valores
previstos de periodos pasados con la
demanda real

Error de previsión = Demanda real – Previsión

Error = At – Ft

At = demanda real
Ft = previsión
MEDICIÓN DEL ERROR DE
PREVISIÓN
 Tres medidas habituales para calcular el error
total de previsión
 Desviación Media Absoluta (DAM)
 Error Cuadrado Medio (ECM)
 Error Porcentual Absoluto Medio (EPAM)

 Se usan para:
 Comparar distintos modelos de previsión
 Controlar que las previsiones están siendo
adecuadas
DESVIACIÓN ABSOLUTA MEDIA
(DAM)
 Se calcula sumando los valores absolutos de
los errores de previsión individuales y
dividiendo por el número de periodos de los
datos (n)
 Los programas como SAP encuentran la

constante de alisado mas baja para hacer

sus cálculos
 Matemáticamente es:
DESVIACIÓN ABSOLUTA MEDIA
(DAM)

VENTAS REALES
MES PREVISIONES (α=0,30) PREVISIONES (α=0,50)
(und)

Enero 10 12 12

Febrero 12 11 11

Marzo 13 11 12

Abril 16 12 12

Mayo 19 13 14

Junio 23 15 17
 DESVIACIÓN ABSOLUTA MEDIA
(DAM)

VENTAS
PREVISIONES PREVISIONES
MES REALES DAM (α=0,30) DAM (α=0,50)
(α=0,30) (α=0,50)
(und)
(10 – 12) = - (10 – 12) = -
Enero 10 12 12
2 2
Febrero 12 11 1 11 1

Marzo 13 11 2 12 2

Abril 16 12 4 12 4

Mayo 19 13 6 14 5

Junio 23 15 8 17 6
(-2+1+2+4+6+8)/6= 19/6= (-2+1+2+4+5+6)/6= 16/6=
DAM 3,17 2,67

Se escoge el método de alisado exponencial con la constante de 0,50

ERROR CUADRADO MEDIO (ECM)
 Es la media de las diferencias al cuadrado
entre los valores previstos y los observados

 Matemáticamente es:
ERROR CUADRADO MEDIO (ECM)

VENTAS REALES
MES PREVISIONES (α=0,30) PREVISIONES (α=0,50)
(und)

Enero 10 12 12

Febrero 12 11 11

Marzo 13 11 12

Abril 16 12 12

Mayo 19 13 14

Junio 23 15 17
 ERROR CUADRADO MEDIO (ECM)

VENTAS
PREVISIONES PREVISIONES
MES REALES ECM (α=0,30) ECM (α=0,50)
(α=0,30) (α=0,50)
(und)
(10 – 12) = - (10 – 12) = -
Enero 10 12 12
2 2
Febrero 12 11 1 11 1

Marzo 13 11 2 12 2

Abril 16 12 4 12 4

Mayo 19 13 6 14 5

Junio 23 15 8 17 6
(-2+1+2+4+6+8)2/6 = 361/6 = (-2+1+2+4+5+6)2/6 = 256/6 =
DAM 60,17 42,67

Se escoge el método de alisado exponencial con la constante de 0,50

ERROR CUADRADO MEDIO (ECM)
 Un inconveniente es que tiende a acentuar
las grandes desviaciones

 La utilización del ECM indica que se prefiere

tener varias desviaciones mas pequeñas que
incluso una sola gran desviación
ERROR PORCENTUAL ABSOLUTO
MEDIO (EPAM)
 Los valores del ECM y DAM dependen de la
magnitud de producto que se está previendo.
Ej: si lo que se prevé se mide en miles, los
valores del DAM y ECM pueden ser muy
elevados

 Se usa el EPAM para evitar este problema

 Se calcula como la medida de la diferencia,

en valor absoluto, entre los valores previstos
y los reales, expresada como porcentaje
sobre los valores reales
ERROR PORCENTUAL ABSOLUTO
MEDIO (EPAM)
 Matemáticamente es:

 Es el indicador mas fácil de interpretar

ERROR PORCENTUAL ABSOLUTO
MEDIO (EPAM)

VENTAS REALES
MES PREVISIONES (α=0,30) PREVISIONES (α=0,50)
(und)

Enero 10 12 12

Febrero 12 11 11

Marzo 13 11 12

Abril 16 12 12

Mayo 19 13 14

Junio 23 15 17
 ERROR PORCENTUAL ABSOLUTO
MEDIO (EPAM)

EPAM
VENTAS
PREVISIONES (α=0,30) PREVISIONES EPAM
MES REALES
(α=0,30) 100(Error/ (α=0,50) (α=0,50)
(und)
Real)
100x((10 – 100x((10 –
Enero 10 12 12)/10) = - 12 12)/10) = -
20% 20%
Febrero 12 11 8% 11 8%

Marzo 13 11 15% 12 8%

Abril 16 12 25% 12 25%

Mayo 19 13 32% 14 26%

Junio 23 15 35% 17 26%

DAM 95%/6 = 15,85% 73%/6 = 12,24%

Se escoge el método de alisado exponencial con la constante de 0,50

ALISADO EXPONENCIAL CON
AJUSTE DE TENDENCIA
 La técnica de alisado exponencial simple no
consigue anticipar las tendencias

 Hay disponibles otras técnicas de previsión

que pueden reflejar las tendencias pero
vamos a ver esta en detalle por ser una de
las más populares...

 Vamos a presentar un modelo que se ajuste

a las tendencias Ejemplo...
ALISADO EXPONENCIAL CON
AJUSTE DE TENDENCIA
 La idea es calcular una media alisada
exponencialmente de los datos y ajustarla
para retrasos positivos o negativos en la
tendencia...
 Matemáticamente es:

Previsión incluyendo la tendencia (FITt) =

previsión alisada exponencialmente (Ft) +
tendencia alisada exponencialmente (Tt)

Con esta técnica, las estimaciones para la

media y para la tenencia están alisadas
ALISADO EXPONENCIAL CON
AJUSTE DE TENDENCIA
 Este procedimiento requiere de dos
constantes de alisado, α para la media y β
para la tendencia
 Se calcula la media y la tendencia para cada

periodo como sigue:

(Ft) = α(demanda real del último periodo) +
(1 – α)(previsión del último periodo)
O bien
Ft = α(At-1) + (1 – α)(Ft-1 + Tt-1)
Tt = β(previsión del periodo actual – previsión
del último periodo) + (1 – β)(estimación
de la tendencia del último periodo)
ALISADO EXPONENCIAL CON
AJUSTE DE TENDENCIA
 O bien
Tt = β(Ft – Ft-1) + (1 – β)Tt-1

Donde:
Ft = previsión alisada exponencialmente de la serie
de datos en el periodo t
Tt = tendencia alisada exponencialmente de la
serie de datos en el periodo t
At = demanda real en el periodo t
α = constante de alisado para la media (0≤ α ≤1)
β = constante de alisado para la tendencia (0≤ β
≤1)
ALISADO EXPONENCIAL CON
AJUSTE DE TENDENCIA
 En resumen, los tres pasos para calcular una
previsión con ajuste de tendencia son:

1. Calcular Ft utilizando la ecuación:

Ft = α(At-1) + (1 – α)(Ft-1 + Tt-1)

2. Calcular la tendencia alisada Tt usando la

ecuación:
Tt = β(Ft – Ft-1) + (1 – β)Tt-1

3. Calcular la previsión incluyendo la tendencia con

la ecuación:
FITt = Ft + Tt
ALISADO EXPONENCIAL CON
AJUSTE DE TENDENCIA (EJEMPLO)
MES DEMANDA REAL (und)

Enero 10
Febrero 12
35
Marzo 13 30
Abril 16 25
Mayo 20
19
15
Junio 23 10
Julio 26 5
0
Agosto 30 o zo o lio e e
ner ar ay Ju br br
E M M m m
Septiembre 28 ptie
o vie
Se N
Octubre 18
Noviembre 16
Diciembre ?
ALISADO EXPONENCIAL CON
AJUSTE DE TENDENCIA (EJEMPLO)
 Datos:
α = 0,20
 β = 0,40
 La previsión inicial para el mes 1 (Ft) = 12
unidades
 La tendencia (Tt) = 2 unidades

 Paso 1: previsión para el mes 2

F2 = α(A1) + (1 – α)(F1 + T1)
F2 = 0,20(10) + (1 – 0,20)(12 + 2)
F2 = 12
ALISADO EXPONENCIAL CON
AJUSTE DE TENDENCIA (EJEMPLO)
 Paso 2: tendencia para el mes 2
T2 = β(F2 – F1) + (1 – β)T1
Tt = 0,40(12 – 12) + (1 – 0,40)1
Tt = 0,76
 Paso 3: calculo de la previsión incluyendo la
tendencia para el mes 2
FIT2 = F2 + T2
FITt = 12 + 0,76
FITt = 13
ALISADO EXPONENCIAL CON
AJUSTE DE TENDENCIA (EJEMPLO)
VENTAS PRONÓSTICO
PREVISION TENDENCIA
MES REALES INCLUYENDO LA
ALISADA, Ft ALISADA, Tt
(und) TENDENCIA
12 (ya la
Enero 10 1 (ya la tenemos)
tenemos)

Febrero 12 12,40 0,76 13,16

Marzo 13 12,93 0,67 13,60

Abril 16 13,48 0,62 14,10

Mayo 19 14,48 0,77 15,25

Junio 23 16,00 1,07 17,07

Julio 26 18,26 1,55 19,80

Agosto 30 21,04 2,04 23,08

Septiembre 28 24,47 2,60 27,06

Octubre 18 27,25 2,67 29,92

Noviembre 16 27,54 1,72 29,25

Diciembre 14 26,60 0,66 27,26

ALISADO EXPONENCIAL CON
AJUSTE DE TENDENCIA (EJEMPLO)
35
30
25
20
15
10
5
0
o o zo ril o
ni
o lio st
o e e e e
er re
r
ar b ay Ju br br br br
n A M Ju o u
E
Fe
b M Ag tie
m ct ie
m
ie
m
p O o v ic
Se N D

Ventas reales Alisado exponencial α=0,30

Alisado exponencial α=0,05 Alisado exponencial α=0,50
Alisado exponencial ajustado
PROYECCIONES DE TENDENCIA
 Es un método de previsión de serie temporal
que ajusta una línea de tendencia a una serie
de datos históricos y proyecta a continuación
la línea hacia el futuro para realizar
previsiones

 Tiene alcance a medio o largo plazo

 Se pueden desarrollar ecuaciones

matemáticas de tendencia → lineales,
exponenciales, cuadráticas, logarítmicas, etc.
PROYECCIONES DE TENDENCIA
 Se elabora una línea recta de tendencia
utilizando un método estadístico preciso, se
puede aplicar el método de los mínimos
cuadrados
 Concepto:
 Se obtiene una recta que minimiza la suma de
los cuadrados de las distancias verticales o
desviaciones de la recta a cada una de las
observaciones reales
 Ecuación:
y = a + bx
PROYECCIÓN DE TENDENCIA
 Método de los mínimos cuadrados
PROYECCIONES DE TENDENCIA
 En donde:

y = valor calculado de la variable a predecir

a = corte en el eje y

b = pendiente de la recta de regresión o la

velocidad de variación de y con respecto a
variaciones dadas en x

x = variable independiente (en estos casos es el

tiempo)
PROYECCIONES DE TENDENCIA
 La pendiente b se calcula mediante la
siguiente fórmula:

 En donde:
b = pendiente de la recta
 ∑ = sumatoria
 x = valores conocidos de la variable independiente
 = media de los valores de x
 = media de de los valores de x
 n = número de datos
PROYECCIONES DE TENDENCIA
 Se puede calcular la intersección con el eje y
de la siguiente forma:

 Ejemplo…
PROYECCIONES DE TENDENCIA
(EJEMPLO)
PERIODO DE VENTAS
MES
TIEMPO (x) REALES (y) x2 xy
Enero 1 10 1 10

Febrero 2 12 4 24

Marzo 3 13 9 39

Abril 4 16 16 64

Mayo 5 19 25 95

Junio 6 23 36 138

Julio 7 26 49 182

Agosto 8 30 64 240

Septiembre 9 28 81 252

Octubre

Noviembre

∑x = 45 ∑ y= 177 ∑ x2 = 285 ∑ xy= 1044

PROYECCIONES DE TENDENCIA
(EJEMPLO)
35

30 f(x) = 3.66315789473684 x
R² = 0.975845073259827
25

20
Unidades

15

10

0
o o zo ril o
ni
o lio st
o e
ner re
r
ar A b ay u Ju o br
b M J m
E
Fe
M Ag tie
p
Se
Mes
PROYECCIONES DE TENDENCIA
(EJEMPLO)
 Ventas estimadas para Octubre:
 37 unidades

 Ventas estimadas para Noviembre:

 40 unidades
PROYECCIONES DE TENDENCIA
 Consideraciones para usar el análisis lineal:
1. Siempre hay que representar gráficamente los
datos porque este método supone que los
datos están en “una línea recta”. Si el gráfico
da una curva, hay que recurrir a un análisis
curvilíneo
2. No se hacen pronósticos para periodos de
tiempo mucho mas allá de los correspondientes
a los datos que se tienen; solo para tres o
cuatro periodos mas allá
3. Se supone que las desviaciones alrededor de la
recta son aleatorias y están normalmente
distribuidas. La mayoría de los datos deben
estar muy cerca de la recta
VARIACIONES ESTACIONALES EN
LOS DATOS
 Son movimientos regulares, hacia arriba o
hacia abajo, en una serie temporal,
vinculados a eventos periódicos
 La estacionalidad puede aparecer con

cualquier periodicidad
 Es importante tener en cuenta las

variaciones estacionales para la planificación

de capacidad
 La presencia de estacionalidad hace que

sean necesarios ajustes en la línea de

tendencia
 Normalmente el análisis de los datos en

términos mensuales o trimestrales facilita el

VARIACIONES ESTACIONALES EN
LOS DATOS
 Pasos a seguir si se presentan “estaciones”
en la demanda:
1. Calcular la demanda histórica media de cada
estación sumando la demanda de ese mes cada
año y dividiéndola entre el número de años de
datos disponibles
2. Calcular la demanda media de todos los meses
dividiendo la demanda media anual total entre
el número de estaciones
3. Calcular un índice de estacionalidad para cada
estación dividiendo la demanda histórica real
de ese mes (calculada en el paso 1) entre la
demanda media anual de todos los meses
(paso 2)
VARIACIONES ESTACIONALES EN
LOS DATOS
 Pasos a seguir si se presentan “estaciones”
en la demanda:
4. Estimar la demanda anual del año siguiente
5. Dividir esta estimación de la demanda anual
total entre el número de estaciones y
multiplicarla por el índice de estacionalidad de
un mes determinado. Esto proporciona la
previsión estacionalizada de ese mes, que es lo
que se busca

Ejemplo…
VARIACIONES ESTACIONALES EN
LOS DATOS (EJEMPLO)
DEMANDA DE VENTAS (REALES)
DEMANDA MEDIA DEMANDA INDICE DE
2010 - 2012 MESUAL MEDIA ESTACIONALIDAD
MES 2010 2011 2012

ENERO 80 85 105 90 94 0,9574

FEBRERO 70 85 85 80 94 0,8511
MARZO 80 93 82 85 94 0,9043
ABRIL 90 95 115 100 94 1,0638
MAYO 113 125 131 123 94 1,3085
JUNIO 110 115 120 115 94 1,2234
JULIO 100 102 113 105 94 1,1170
AGOSTO 88 102 110 100 94 1,0638
SEPTIEMBRE 85 90 95 90 94 0,9574
OCTUBRE 77 78 85 80 94 0,8511
NOVIEMBRE 75 82 83 80 94 0,8511
DICIEMBRE 82 78 80 80 94 0,8511
Demanda media anual = 1128 und

Demanda 1.128
mesual = = 94 und
media 12 meses
VARIACIONES ESTACIONALES EN
LOS DATOS (EJEMPLO)
 Si se estima que la demanda anual del 2013
será de 1.200 unidades, se puede calcular
cómo sería la demanda mensual…
 VARIACIONES ESTACIONALES EN
LOS DATOS (EJEMPLO)
DEMANDA DE VENTAS (REALES)
DEMANDA MEDIA DEMANDA INDICE DE DEMANDA ESTIMADA
MES 2010 2011 2012 2010 - 2012 MESUAL MEDIA ESTACIONALIDAD 2013

ENERO 80 85 105 90 94 0,9574 96

FEBRERO 70 85 85 80 94 0,8511 85
MARZO 80 93 82 85 94 0,9043 90
ABRIL 90 95 115 100 94 1,0638 106
MAYO 113 125 131 123 94 1,3085 131
JUNIO 110 115 120 115 94 1,2234 122
JULIO 100 102 113 105 94 1,1170 112
AGOSTO 88 102 110 100 94 1,0638 106
SEPTIEMBRE 85 90 95 90 94 0,9574 96
OCTUBRE 77 78 85 80 94 0,8511 85
NOVIEMBRE 75 82 83 80 94 0,8511 85
DICIEMBRE 82 78 80 80 94 0,8511 85

Demanda media anual = 1128 1200

Demanda 1.200
mesual = x indice de estacionalidad de cada mes
estimada 12 meses
COMPARACIÓN DE PROYECCIONES DE
TENDENCIA (EJEMPLO – ANÁLISIS LINEAL)
140

120

100
f(x) = 0.36988416988417 x + 87.1571428571429
80

60

40

20

0
1 4 7 10 13 16 19 22 25 28 31 34
COMPARACIÓN DE PROYECCIONES DE
TENDENCIA (EJEMPLO – ANÁLISIS LINEAL)
140

120

100

80

60

40

20

0
1 4 7 10 13 16 19 22 25 28 31 34 37 40 43 46
COMPARACIÓN DE PROYECCIONES DE
TENDENCIA (EJEMPLO – CONSIDERANDO
ESTACIONALIDAD)

140

120

100

80

60

40

20

0
1 4 7 10 13 16 19 22 25 28 31 34 37 40 43 46
VARIACIONES CÍCLICAS EN LOS
DATOS
 Los ciclos son como las variaciones
estacionales de los datos pero que se
producen cada varios años
 Es difícil preverlas a partir de una serie

temporal de datos porque no es fácil predecir

el punto de inflexión que indica que está
empezando un nuevo ciclo
 El mejor camino es encontrar una variable

líder con la parezca que la serie de datos

tiene correlación
PREVISIÓN CAUSAL O
ASOCIATIVA
ANÁLISIS DE REGRESIÓN Y
CORRELACIÓN
 Es un modelo matemático que utiliza una
línea recta para describir las relaciones
funcionales entre las variables dependientes
e independientes con la cantidad que se va a
predecir
 Una vez identificadas las variables, se

construye un modelo estadístico

 Este enfoque es mas potente y preciso que el

de las series temporales, que únicamente

utilizan valores históricos de la variable a
predecir
ANÁLISIS DE REGRESIÓN Y
CORRELACIÓN
 En el análisis causal hay que tener en cuenta
muchos factores. Ej:
Las ventas de GREST pueden relacionarse con el
presupuesto de publicidad de la comercializadora, los
precios de venta, los precios de los competidores y sus
estrategias de promoción, o incluso la economía nacional
y la tasa de desempleo. En este caso, las ventas del
GREST serían las variables dependientes y las otras
variables serían las independientes
 Hay que buscar la mejor relación estadística
entre las ventas del producto y las variables
independientes
 El modelo cuantitativo de previsión causal

mas común es el análisis de regresión

lineal
USO DEL ANÁLISIS DE
REGRESIÓN PARA REALIZAR
PREVISIONES
 Puede utilizarse el mismo modelo
matemático del método de los mínimos
cuadrados con proyección de tendencia

 La variable dependiente que se quiere prever

seguirá siendo ŷ

 Pero ahora la variable independiente, x, no

tiene porqué seguir siendo el tiempo.
USO DEL ANÁLISIS DE
REGRESIÓN PARA REALIZAR
PREVISIONES
 La ecuación matemática es la siguiente:

ŷ = a + bx

donde: ŷ = valor de la variable dependiente

a = corte con el eje y
b = pendiente de la recta de regresión
x = variable independiente

Ejemplo…
CÁLCULO DE LA ECUACIÓN DE
REGRESIÓN LINEAL (EJEMPLO)
Con el paso del tiempo, la empresa ha
descubierto que el volumen de ventas de
antigripales depende del número de casos de
gripe que MinSalud registra.

La siguiente tabla es un listado de las ventas

del producto y los casos de gripe durante los
últimos 6 años:
CÁLCULO DE LA ECUACIÓN DE
REGRESIÓN LINEAL (EJEMPLO)

Ventas producidas Casos registrados

100.000 12.890
189.000 16.087
120.000 15.000
85.000 11.500
115.000 13.700
200.000 18.000
CÁLCULO DE LA ECUACIÓN DE
REGRESIÓN LINEAL (EJEMPLO)
La Dirección de la empresa quiere establecer
una relación matemática que le ayude a
predecir las ventas.

En primer lugar, hay que determinar si existe

una relación directa (lineal) entre los registros
de gripe y las ventas del producto; para ello se
grafican los datos conocidos en un gráfico de
dispersión…
CÁLCULO DE LA ECUACIÓN DE
REGRESIÓN LINEAL (EJEMPLO)
20,000
18,000
16,000
Unidades vendidas

14,000
12,000
10,000
8,000
6,000
4,000
2,000
0
50,000 100,000 150,000 200,000 250,000
Casos registrados
CÁLCULO DE LA ECUACIÓN DE
REGRESIÓN LINEAL (EJEMPLO)
A partir de los seis puntos, se observa una
relación de carácter positivo entre la variable
independiente (casos registrados) y la variable
dependiente (ventas): a medida que se
registran mas casos de gripe, las ventas de
antigripales tienden a ser mayores

Puede hallarse una ecuación matemática

utilizando la regresión de los mínimos
cuadrados…
CÁLCULO DE LA ECUACIÓN DE
REGRESIÓN LINEAL (EJEMPLO)

Ventas (y) Casos (x) x2 xy

100.000 12.890 166.152.100 1.289.000.000
189.000 16.087 258.791.569 3.040.443.000
120.000 15.000 225.000.000 1.800.000.000
85.000 11.500 132.250.000 977.500.000
115.000 13.700 187.690.000 1.575.500.000
200.000 18.000 324.000.000 3.600.000.000
∑y = 709.000 ∑x = 74.287 ∑x2 = ∑xy =
1.127.731.569 10.993.443.000
CÁLCULO DE LA ECUACIÓN DE
REGRESIÓN LINEAL (EJEMPLO)
 Promedio de y = 709.000/6 = 118.167
 Promedio de x = 74.287/6 = 12.381

 b = (10.993.443.000 – (6*118.167*12.381))

dividido entre (1.127.731.569 – (6*12.3812))

b = 10,65
 a = 118.167 – (10,65*12.381) = -13.710,36

 La ecuación queda así:

ŷ = -13.710,36 + (10,65)(x)

Ventas = -13.710,36 + (10,65)(casos

registrados)
CÁLCULO DE LA ECUACIÓN DE
REGRESIÓN LINEAL (EJEMPLO)
 MinSalud predice que para el año que viene
se registrarán 15.874 casos de gripe, así que
se pueden estimar las ventas recurriendo a
la ecuación de regresión:
Ventas = -13.710,36 + (10,65)(casos
registrados)
Ventas = -13.710,36 + (10,65)(15.874)

Ventas: 155.370 unidades

ERROR ESTÁNDAR DE LA
ESTIMACIÓN
 La previsión de unas ventas de 155.370
unidades de Teragrip se denomina
estimación puntual de y

 Realmente, la estimación puntual es el

promedio o valor esperado de una
distribución normal de posibles valores de las
ventas

 Para medir la exactitud de las estimaciones

de la regresión, es necesario calcular el
error estándar de estimación
CÁLCULO DE LA ECUACIÓN DE
REGRESIÓN LINEAL (EJEMPLO)
20,000
ŷ = -13.710,36 + (10,65)(x)
18,000
16,000
Unidades vendidas

14,000
12,000
10,000
8,000
6,000
4,000
2,000
0
-50,000 0 50,000 100,000150,000200,000250,000
Casos registrados
ERROR ESTÁNDAR DE LA
ESTIMACIÓN
 Este error estándar de estimación (Sy,x) se
conoce como la desviación estándar de la
regresión: mide el error desde la variable
dependiente, y, hasta la línea de regresión,
en lugar de hasta la media.

 Ecuación de la desviación estándar:

ERROR ESTÁNDAR DE LA
ESTIMACIÓN
 Donde: y = valor de y para cada dato
yc = valor de la variable
dependiente, calculado a partir de
la ecuación de regresión
n = número de datos
 De esa ecuación nace la siguiente:
ERROR ESTÁNDAR DE LA
ESTIMACIÓN
 Según el ejercicio (falta estimar ∑y )
2

 ∑y2 = 120.571.000.000

 Sy,x = 46.897
 El error estándar en la medición es de 46.897
unidades de ventas
COEFICIENTES DE CORRELACIÓN
PARA LAS RECTAS DE REGRESIÓN
 La ecuación de regresión es una forma de
expresar la naturaleza de la relación entre
dos variables
 Las rectas de regresión no son relaciones

“causa – efecto”
 Describen la relación entre las variables

 Otra forma de evaluar la relación entre dos

variables es calcular el coeficiente de

correlación
 Esta medida expresa el grado o intensidad

de la relación lineal
COEFICIENTES DE CORRELACIÓN
PARA LAS RECTAS DE REGRESIÓN

 El valor del índice de correlación varía en el

intervalo [-1,1]:
 Si r = 1, existe una correlación positiva perfecta.
El índice indica una dependencia total entre las
dos variables denominada relación directa:
cuando una de ellas aumenta, la otra también lo
hace en proporción constante.
 Si 0 < r < 1, existe una correlación positiva.
COEFICIENTES DE CORRELACIÓN
PARA LAS RECTAS DE REGRESIÓN
 Si r = 0, no existe relación lineal. Pero esto
no necesariamente implica que las variables
son independientes: pueden existir todavía
relaciones no lineales entre las dos variables.

 Si -1 < r < 0, existe una correlación negativa.

 Si r = -1, existe una correlación negativa

perfecta. El índice indica una dependencia
total entre las dos variables llamada relación
inversa: cuando una de ellas aumenta, la
otra disminuye en proporción constante.
COEFICIENTES DE CORRELACIÓN
PARA LAS RECTAS DE REGRESIÓN
COEFICIENTES DE CORRELACIÓN
PARA LAS RECTAS DE REGRESIÓN
 COEFICIENTES DE CORRELACIÓN
PARA LAS RECTAS DE REGRESIÓN
 Según el ejercicio:

Este valor de r indica una correlación significativa y ayuda a confirmar

una relación entre las dos variables
COEFICIENTES DE CORRELACIÓN
PARA LAS RECTAS DE REGRESIÓN
 Aunque el coeficiente de correlación es la
medida mas comúnmente utilizada para
describir la relación entre dos variables,
existe otra medida

 Es el llamado coeficiente de
determinación, y es el cuadrado del
coeficiente de correlación, es decir r2

 El valor de r2 siempre será un número

positivo dentro del intervalo 0 ≤ r2 ≤ 1
COEFICIENTES DE CORRELACIÓN
PARA LAS RECTAS DE REGRESIÓN

 Es el porcentaje de variación de la variable

dependiente (y) que se explica mediante la
ecuación de regresión

 En el ejercicio…

 Un r2 de (0,800 * 0,800) 0,64 indica que el

64% de la variación total se explica a través
de la ecuación de regresión
ANÁLISIS DE REGRESIÓN
MÚLTIPLE

 Es una ampliación práctica del modelo de

regresión simple

 Permite construir un modelo con varias

variables independientes en lugar de una
sola

 Es un modelo complejo y que se usa software

SEGUIMIENTO Y CONTROL DE
PREVISIONES
 Una vez realizada la previsión, no hay que
olvidarse de ella

 Una empresa necesita determinar el motivo

por el que la demanda real ( o cualquier
variable que se analice) difiere
significativamente de la prevista

 Una forma de hacer el seguimiento de las

previsiones para asegurarse de que se
aproximan a la realidad es usar una señal
de seguimiento
SEGUIMIENTO Y CONTROL DE
PREVISIONES
 Una señal de seguimiento es una medida del
grado de acierto con que la previsión está
prediciendo los valores reales
 Puesto que las previsiones se actualizan cada

semana, mes o trimestre, se comparan los

nuevos datos disponibles sobre la demanda
con los valores de previsión
 La señal de seguimiento se calcula como la

suma continua de los errores de previsión

(SCEP) dividida por la desviación absoluta
media (DAM)
SEGUIMIENTO Y CONTROL DE
PREVISIONES
SEGUIMIENTO Y CONTROL DE
PREVISIONES
 Las señales de seguimiento positivas indican
que la demanda es superior a la previsión y
las negativas indican lo contrario
 Una SCEP baja indica una buena señal de

seguimiento y puede tener errores positivos

como negativos
 Una tendencia constante de las previsiones a

ser superiores o inferiores a los valores

reales (SCEP alta) se llama error de sesgo
 El sesgo puede ocurrir si se usan variables de

tendencia erradas o se usa un mal índice de

estacionalidad
SEGUIMIENTO Y CONTROL DE
PREVISIONES
 Una vez calculadas las señales de
seguimiento, se comparan los límites de
control predeterminados
 Cuando una señal de seguimiento supera el

límite superior o inferior, existe un problema

con el método de previsión Señal que supera
el límite

0 DAM
_
SEGUIMIENTO Y CONTROL DE
PREVISIONES – LÍMITES DE SEGUIMIENTO
 Se trata de hallar valores razonables no tan
pequeños como para ser superados con cada
pequeño error de la previsión y no tan
grandes como para permitir que se pasen por
alto de forma habitual las malas previsiones
 Se sugiere utilizar ± 4 DAM para productos de

gran volumen y ± 8 DAM para los de bajo

volumen
 Un DAM equivale a ± 0,8 desviaciones

estándar
 Une previsión “bajo control” se espera que el

89% de los errores caigan dentro de ± 2DAM ,

el 98% en ± 3DAM o el 99% en ± 4DAM
ALISADO ADAPTATIVO Y
PREVISIÓN ENFOCADA
 Alisado adaptativo:
 Es un enfoque de la previsión por alisado
exponencial en el que la constante de alisado se
cambia automáticamente para mantener los
errores al mínimo

 Previsión enfocada:
 Es la previsión que prueba diversos modelos
informáticos y selecciona al mejor para una
aplicación determinada
RESUMEN
 Las previsiones son una parte crítica de las
funciones de quien dirige las operaciones

 Las previsiones de la demanda dirigen los

sistemas de producción, la capacidad y la
planificación de la empresa

 Afectan a las funciones de planificación

financiera, de mercadeo y de personal

 Existe una amplia variedad de técnicas de

previsión, tanto cualitativas como cuantitativas
RESUMEN
 Los enfoques cualitativos recurren a factores
como:
 Juicios de valor
 Experiencia
 Intuición
 Otros difíciles de cuantificar
 Los enfoques cuantitativos utilizan datos
históricos y relaciones causales o asociativas
para prever la demanda futura
 La mayoría de las empresas recurren a

paquetes de software como SAP, Forecast

PRO, tsMetrix, AFS, SAS, SPSS o… Excel
CONCLUSIÓN
 Ningún método de previsión es perfecto en
todas las situaciones
 Una vez que se ha encontrado un enfoque

adecuado, se deben seguir controlando las

previsiones para asegurarse de que sus
errores son aceptables
 Las previsiones son un reto para la dirección

pero su recompensa es alta