PRONSTICO DE DEMANDA

LUIS QUEZADA LLANCA

Pronsticos de Ventas
Pronosticar

es el arte y la ciencia de predecir

eventos del futuro.
Los pronsticos estn siempre equivocados, la
idea es cometer el menor error posible.
Mecanismos de Ajuste:
- Mejores pronsticos
- Aumento de flexibilidad
El mejor pronstico es aquel que predice mejor y
no el que se ajusta mejor a los datos

Mtodos Cualitativos

Se basan en:
- Criterio
- Experiencia
- Datos relevantes (que pueden ser pocos)
- Modelo implcito
Mtodos
- Delphi
- Estudios de mercado
- Ciclo de vida
- Juicio informado

Mtodos Cuantitativos
Utilizan

un modelo matemtico
Mtodos:
- Series de Tiempo: asumen que el patrn de
demanda pasado se repetir en el futuro.
- Mtodos causales: desarrollan un modelo causaefecto entre la demanda y otras variables.

Series de Tiempo
Ejemplo de Descomposicin
Serie Original

Tiempo
Ciclo
Estacionalidad
Tendencia
Nivel
Ruido
Tiempo

Error de Proyeccin
Se debe estimar un error de la proyeccin.

Para monitorear datos de demanda errticos.

Para determinar si el mtodo de estimacin sigue a la
demanda real.
Para determinar el mtodo y/o parmetros ms
convenientes.
Para establecer niveles de seguridad (stocks, capacidades,
etc.).

Errores de Proyeccin
Sea
Dt demanda real en periodo t
Ft pronstico de demanda para periodo t
Error et Dt Ft
Suma de Errores Acumulativos
CFE e t
t

Errores de Proyeccin
Desviacin Media Absoluta
t

MAD t

i 1

CFE
MAD
Error porcentual medio absoluto

Seal de Rastreo T

1
MAPE t
n

D F
i 1

Di

Errores de Proyeccin
Seal de Rastreo T

CFE
MAD

Demanda

Pronostico

Error

Error
Acumulado

Error
Absoluto

Error
Abs. Acum.

MAD

Mes

Seal
de Rastreo

1
2
3
4
5
6
7
8
9
10

200
250
200
250
270
250
340
300
250
350

190
220
230
217
233
240
257
287
297
297

10
30
-30
33
37
10
83
13
-47
53

10
40
10
43
80
90
173
187
140
193

10
30
30
33
37
10
83
13
47
53

10
40
70
103
140
150
233
247
293
347

10,00
20,00
23,33
25,83
28,00
25,00
33,33
30,83
32,59
34,67

1,00
2,00
0,43
1,68
2,86
3,60
5,20
6,05
4,30
5,58

Medias Mviles
1
(D t D t -1 ...... D t - N 1 )
N
Ft estimacin de demanda del periodo t

Ft 1

D t demanda real del periodo t

N nmero de periodos en el promedio
Si N es pequeo la respuesta es ms rpida, pero el ruido
tiene efecto mayor
Si N es grande se reduce el efecto del ruido, pero la
respuesta es ms lenta

Medias Mviles Ponderadas

Ft 1 w t D t w t -1D t -1 ...... w t - N 1D t - N 1
Ft estimacin de demanda del periodo t
D t demanda real del periodo t
w t peso de periodo t
N nmero de periodos en el promedio

Ajuste Exponencial
Ejemplo 1

Frmula:
Ft 1 D t (1 - ) Ft
D t demanda de periodo t
Ft estimacin de demanda para periodo t

constante de suavizacin

Dda.
0
1
2
3
4
5
6
7
8
9
10

200
220
240
350
350
400
450
400
400
220
200

Est.
0,1
200
200
202
206
220
233
250
270
283
295
287

Est.
0,3
200
200
206
216
256
284
319
358
371
380
332

Ajuste Exponencial
Ponderadores

Periodo

0,05

0,1

0,2

0,3

1
2
3
4
5
6

0,0500
0,0475
0,0451
0,0429
0,0407
0,0387

0,1000
0,0900
0,0810
0,0729
0,0656
0,0590

0,2000
0,1600
0,1280
0,1024
0,0819
0,0655

0,3000
0,2100
0,1470
0,1029
0,0720
0,0504

Ajuste Exponencial
RESULTADO EJEMPLO
500
400
Demanda

300

Estimacin (0,1)
200

Estimacin (0,3)

100
0
1

Semanas

10

Ajuste Exponencial
IMPACTO VALOR ESTIMACION INICIAL
600

500

400
DemandaReal
Proyeccion1
300

Proyeccion2
Proyecccion3

200

Proyeccion4

100

0
1

11 13 15 17 19 21 23 25 27 29 31 33 35 37 39 41

Ajuste Exponencial
Error de Estimacin
MAD: Desviacin Media Absoluta

MAD t D t - Ft (1 - ) MAD t -1
T: Seal de Rastreo
t

Tt

(D
k 1

Fk )

MADt

Ajuste Exponencial
Error de Estimacin: Intervalos de Control
[Dt Ft ]> 3,75 MADt

Punto Extremo

= 1,25 MADt

[T] > 6

No se sigue demanda.

(Slo el 3% de probabilidad que [T] > 6 en forma

aleatoria)

Ajuste Exponencial: Ejemplo 2

0,10,1
Dda.

Est.

0
200
1
220
2
240
3
350
4
350
5
400
6
350
7
330
8
300
9
250
10
200
Sesgo
Desviacin Absoluta

200
200
202
206
220
233
250
260
267
270
268

Error

20
38
144
130
167
100
70
33
-20
-68
614
791

0,30,3
MAD

Est.

10
11
14
27
37
50
55
57
54
51
53

200
200
206
216
256
284
319
328
329
320
299

Error

20
34
134
94
116
31
2
-29
-70
-99
231
628

MAD
10
13
19
54
66
81
66
46
41
50
65

Ajuste Exponencial: Ejemplo 3

ALFA

0,3

Error
Suma
TS
Absoluto Errores
Da
Demanda Proyeccin Error MAD
------------ ------------ -------------- ---------- ---------- ------------ ------------ -----------1
40,0
40,0
0,0
0,0
0,0
0,0
0,0
2
50,0
40,0
10,0
3,0
3,3
10,0
10,0
3
60,0
43,0
17,0
7,2
3,8
17,0
27,0
4
70,0
48,1
21,9
11,6
4,2
21,9
48,9
5
80,0
54,7
25,3
15,7
4,7
25,3
74,2
6
90,0
62,3
27,7
19,3
5,3
27,7
102,0
7
50,0
70,6
-20,6
19,7
4,1
20,6
81,4
8
64,4
----------------- --------- --------- ---------- ---------- --------TOTAL
440,0
358,6
81,4
76,6
25,4
122,5

Ajuste Exponencial con Tendencia

Ft 1 At Tt
At Dt (1 ) Ft
Tt ( At At 1 ) (1 )Tt 1
F = estimacin
A = promedio suavizado
T = tendencia suavizada
, = Coeficientes de suavizacin

Ajuste Exponencial con

Tendencia: Ejemplo
Semana Demanda Promedio Tendencia Estimacin
c/Tendencia
t
D
A
T
F
0
30
30,00
3,00
1
28
32,50
2,90
33,00
2
39
35,76
2,97
35,40
3
45
39,36
3,10
38,73
4
36
41,81
2,97
42,46
5
40
44,30
2,87
44,78
6
45
46,96
2,83
47,17
7
52
50,01
2,87
49,79
8
60
53,59
3,02
52,88
9
46
55,55
2,80
56,61
10
55
58,02
2,74
58,35
11
50
59,68
2,52
60,75
12
48
60,78
2,24
62,20
13
43
61,02
1,84
63,02
14
52
61,77
1,62
62,85
15
50
62,05
1,35
63,39
16
63,40

Error

-5,00
3,60
6,27
-6,46
-4,78
-2,17
2,21
7,12
-10,61
-3,35
-10,75
-14,20
-20,02
-10,85
-13,39

Estimacin
Simple
30,00
30,00
29,80
30,72
32,15
32,53
33,28
34,45
36,21
38,59
39,33
40,89
41,81
42,42
42,48
43,43
44,09

0,1
0,2

Ajuste Exponencial con

Tendencia: Ejemplo
Ajuste Exponencial con Tendencia
70

Demanda

60
50
40
30

Demanda Real

20

Demanda Estimada

10

Ajuste Simple

0
1

Semanas

11

13

15

Modelo Regresin Lineal con

Estacionalidad
y (at b) I t
a tendencia
b nivel
I t ndice estacional del periodo t

ruido

Modelo Regresin Lineal con

Estacionalidad
Procedimiento
Determinar ndices estacionales
Desestacionalizar la serie: dividir serie de datos por el
ndice correspondiente
Aplicar mnimos cuadrados a serie desestacionalizada:
estimar parmetros a y b
Proyectar demanda para los periodos siguientes

Modelo Regresin Lineal con

Estacionalidad
La demanda se proyecta como:

Fk (a k b) I k
Fk estimacin de demanda en periodo k

a , b estimaciones de tendencia y nivel

I k ndice estacional de periodo k

Modelo Regresin Lineal

ndices Estacionales
Los ndices estacionales se calculan como:
n

Ii

d
j 1
L

ij

*L

d
i 1

j 1

ij

en que
d ij demanda de periodo i en ciclo j
n nmero de ciclos (por ejemplo, aos)
L nmero de periodos en un ciclo (por ejemplo 12 meses)

Modelo Regresin Lineal:

Mtodo de los Mnimos Cuadrados
y ax b
n

t 1
n

t 1

xt yt nx y
x t2 n x

b y a x

Modelo Regresin Lineal

Bimestre Demanda
Histrica
1
2
3
4
5
6
7
8
9
10
11
12

151
167
218
264
428
256
194
211
280
318
546
305
3338

Indices

0,6201
0,6794
0,8951
1,0461
1,7507
1,0084
0,6201

Demanda
Desestacionalizada
243
246
244
252
244
254
313
311
313
304
312
302

Modelo Regresin Lineal

Aplicando el mtodo de los mnimos cuadrados ordinarios a la serie
desestacionalizada:
Bimestre

Suma
Promedio

(x)
1
2
3
4
5
6
7
8
9
10
11
12
78
6,5

Demanda
Desestacionalizada
(y)
243
246
244
252
244
254
313
311
313
304
312
302
3338
278

(xy)
243
492
732
1008
1220
1524
2191
2488
2817
3040
3432
3624
22811

(x2)
1
4
9
16
25
36
49
64
81
100
121
144
650

Modelo Regresin Lineal

n

t 1
n

t 1

xt yt nx y
x

2
t

nx

22 . 811 12 * 6 , 5 * 278
650 12 * ( 6 , 5 ) 2

7 , 7902

b y a x 278 7 , 7902 * 6 , 5 227 , 59

Cmo se pronostica la venta de los periodos

futuros?

Modelo Regresin Lineal

Estimacin

F13= (7,7902*13+227,53)*0,6201
F14= (7,7902*14+227,53)*0,6794

204
229
308
368
630
371

F15= (7,7902*15+227,53)*0,8951
F16 =
F17 =
F18 =

Regresin Lineal: Ejemplo

700
Demanda real

500
400
300

Dda. Desest.

200
Demanda Ajustada

100

PERIODOS

17

15

13

11

0
1

DEMANDAS

600

Estimacin de
Demanda

Mtodo de Winters
Ft k at k bt ( I t k L )
d
bt t (1 )(bt 1 at 1 )
It
at (bt bt 1 ) (1 )at 1
d
I t t (1 ) I t L
bt
a = tendencia suavizada
b = promedio suavizado
It = ndice estacional
, , = Coeficientes de suavizacin

Modelos Causales
y a b x
y = Valor de la variable dependiente
x = valor de la variable dependiente
a = Pendiente de la lnea de regresin
b = Trmino libre
Error estndar de la estimacin:

Sx , y

( y y )
n2

Modelos Causales
Coeficiente de Correlacin
El coeficiente de correlacin r mide la direccin
e intensidad de la relacin entre la variable
dependiente e independiente. Est entre -1 y 1.

n xy

{n x ( x )
2

x y
}{n y (
2

Reglas Prcticas
(Smith, 1984)

Son reglas lgicas y simples.

Requieren:
Varias reglas de proyeccin.
Modelo de simulacin para validarlas

y)2}

Reglas Prcticas: Ejemplos

En los prximos 3 meses se vender lo mismo que los

mismos 3 meses del ao pasado.
En los 3 meses siguientes se vender lo mismo que los 3
ltimos meses ms un 5%.
Los cambios porcentuales en los siguientes 3 meses sern
los mismos existentes el ao pasado

Seleccin de Mtodo de
Pronstico
Complejidad del sistema actual de pronstico.
Los usuarios (quienes utilizarn los mtodos)
Tiempo y recursos disponible para bsqueda de
datos y preparacin de la proyeccin.
Uso de la proyeccin
Disponibilidad de datos
Patrn de datos

PRONSTICO DE DEMANDA
LUIS QUEZADA LLANCA