PREDICCIN E INCERTIDUMBRE EN ADMINISTRACIN

Jess Alberto Zeballos, Mara Rosa Rodrguez y Sandra Noem Franco

(Facultad Ciencias Econmicas Universidad Nacional de Tucumn)

1.- Introduccin

En la administracin de la produccin y de las operaciones comerciales, las predicciones son parte

integral de la planeacin de un negocio. De su grado de precisin dependen la supervivencia, el
crecimiento y la rentabilidad a largo plazo, as como la eficiencia y la efectividad a corto plazo.

Es importante que las empresas cuenten con hiptesis cuyas predicciones de consecuencias
observacionales sean acertadas, para optimizar la eficacia de la planeacin empresarial. El primer
paso en la planeacin es la prediccin, es decir estimar la demanda futura de productos y servicios y
los recursos necesarios para producirlos. Las estimaciones de la demanda para productos y servicios,
por lo general, se conocen como pronsticos de venta que, en la administracin de la produccin y de
las operaciones, constituye el punto de partida de todos los dems pronsticos.

En este trabajo se muestran distintos modelos cuantitativos para realizar predicciones a diferentes
plazos. Estos modelos matemticos se basan en estimaciones estadsticas y, por lo tanto, las
explicaciones y predicciones que de ellos se derivan, no son nomolgicas, sino estocsticas.
Estimamos que los modelos propuestos disminuyen el margen de error y por consiguiente, el riesgo y
la incertidumbre.

En la literatura habitual de la Economa y de la Administracin es tpico utilizar el trmino pronstico

que aqu nosotros asimilamos al trmino prediccin ms usual en Epistemologa.

2.- Predicciones segn los Plazos

Las predicciones a largo plazo sirven para tomar decisiones estratgicas relacionadas con productos,
procesos e instalaciones y por lo general abarcan un ao o ms. Las predicciones a mediano plazo
por lo general cubren varios meses. Tambin, se necesitan predicciones a corto plazo que ayuden en
la toma de decisiones en pocas semanas.

Algunas razones para desarrollar predicciones a distintos plazos, son:

1. La planeacin de nuevas instalaciones: disear nuevas fbricas, realizar nuevos diseos o poner
en prctica un nuevo proceso de produccin; requieren de una prediccin de la demanda de
productos existentes y nuevos a largo plazo, que por lo general se realiza con aos de
anticipacin.
2. Planeacin de la produccin: como la demanda de productos y servicios vara de un mes a otro,
se deben elevar o reducir las tasas de produccin; en los que se estudian nuevos materiales,
existencias o inventarios, fuerza de trabajo, etc. Para esto se necesitan las predicciones a
mediano plazo.
3. Programacin de la fuerza de trabajo: como la demanda de los productos y servicios vara de una
semana a otra, se necesitan predicciones a corto plazo sobre productos especficos, tipos de
habilidades y mano de obra, efectivo, inventarios, etc.

3.- Mtodos de Prediccin

Los insumos se procesan a travs de modelos o mtodos de prediccin para el desarrollo de

estimaciones de la demanda, que son el punto bsico en el que los administrativos elaboran los
pronsticos de ventas. Estos se convierten en insumos, tanto para la estrategia empresarial como
para las predicciones de los recursos de la produccin.

Los mtodos o modelos de prediccin pueden ser de naturaleza cualitativa o cuantitativa.

jesuszeballos@tucbbs.com.ar; marosarodriguez@arnet.com.ar; sandranfranco@hotmail.com

1
3.1.- Mtodos Cualitativos

Se basan en juicios respecto a los factores causales de la venta de productos y servicios y en

opiniones sobre la posibilidad de que dichos factores sigan presentes en el futuro. Involucran diversos
niveles de complejidad, desde encuestas de opinin a estimaciones intuitivas respecto a eventos
futuros.

Entre los mtodos cualitativos ms usuales, se encuentran:

El Consenso de Comit Ejecutivo y el Mtodo de Delfos que describen procedimientos para
generar un pronstico de ventas y, son tiles tanto para productos o servicios existentes como
nuevos. El Consenso de comit ejecutivo utiliza informacin proveniente de todos los mbitos de la
organizacin y el de Delfos se utiliza para lograr un consenso dentro de un comit y consiste en que
los ejecutivos respondan annimamente a una serie de preguntas en sesiones sucesivas.

La Encuesta a la Fuerza de Ventas y la Encuesta a Clientes describen mtodos principalmente

utilizados para productos y servicios existentes.

La Analoga Histrica y las Investigaciones de Mercado son procedimientos tiles para productos
y servicios nuevos. La analoga histrica estima las ventas futuras de un producto nuevo con el
conocimiento de las ventas de un producto similar y las investigaciones de mercado son las
encuestas de mercado que consisten en cuestionarios por correo y/o entrevistas telefnicas.

Por lo tanto, el mtodo de prediccin ms apropiado depender de la etapa del ciclo de vida del
producto.

3.2.-Modelos Cuantitativos

Son modelos matemticos que se basan en datos histricos, bajo el supuesto de que son relevantes
para el futuro. Estos modelos se pueden utilizar con series de tiempo. Una serie de tiempo es un
conjunto de valores observados, medidos durante perodos sucesivos.

Una de las caractersticas ms importantes que tienen estas predicciones es la precisin, que indica
cun cerca estn las predicciones de los datos reales. Las predicciones se realizan antes de conocer
los datos reales. Por lo tanto, su precisin slo puede determinarse despus que haya transcurrido el
tiempo. Si los valores de las predicciones quedan muy cerca de los datos reales, diremos que tienen
una elevada precisin o que el error de prediccin es bajo. Para determinar la precisin de los
modelos de prediccin se suman las distancias entre las predicciones y los datos reales a travs del
tiempo. Si la precisin del modelo es baja, o sea que la suma obtenida es alta, se modifica el mtodo
o se escoge uno nuevo.

3.2.1.-Predicciones a Largo Plazo

Considera la estimacin de condiciones futuras en lapsos mayores de un ao. Son necesarios para
dar apoyo a las decisiones estratgicas sobre planeacin de sistemas de produccin a largo plazo:
procesos, tecnologas, instalaciones, etc.

Como ejemplos, podemos mencionar el diseo de un producto nuevo, la determinacin de la

capacidad de produccin para un producto nuevo (cuntas nuevas fbricas se requieren y dnde
deben ubicarse) y la planeacin para el suministro a largo plazo de los materiales.

Los datos histricos de ventas tienden a estar formados por varias componentes: la tendencia, los
ciclos, la estacionalidad y la fluctuacin aleatoria o ruido. La tendencia a largo plazo es una lnea de
pendiente ascendente o descendente, un ciclo es un patrn de datos que puede abarcar varios aos
antes de que se repita, la estacionalidad se repite despus de un perodo, generalmente un ao y la
fluctuacin aleatoria que resulta de variaciones aleatorias o de causas no explicadas.

3.2.1.1.-Algunos Modelos Cuantitativos de Predicciones

Regresin Lineal y Correlacin: se utiliza en predicciones a largo plazo. Pero si el conjunto de los
datos histricos se proyecta en slo unos cuantos perodos en el futuro, la regresin tambin
puede utilizarse apropiadamente en predicciones a corto plazo. El anlisis de regresin lineal es
un modelo de prediccin que establece la relacin entre una variable dependiente y una o ms

2
 variables independientes. Si los datos histricos son las ventas, que forman una serie de tiempo,
la variable independiente es el perodo y la variable dependiente son las ventas. Un modelo de
regresin no necesariamente tiene que estar basado en una serie de tiempo, en cuyo caso el
conocimiento de los valores futuros de la variable independiente (llamada tambin variable
causal) se utiliza para predecir valores futuros de la variable dependiente.

Rangos de Predicciones: cuando el anlisis de regresin lineal genera predicciones para perodos
futuros, stas son estimaciones que estn sujetas a errores. La presencia de errores de
prediccin o de variaciones al azar es un proceso que est inmerso en la incertidumbre. Una
manera de tratar esta incertidumbre es desarrollando intervalos de confianza para las
predicciones.

Estacionalidad en las Predicciones de Series de Tiempo: en general, los patrones estacionales

son fluctuaciones que ocurren dentro de un ao y tienden a repetirse anualmente. Estas
estaciones pueden ser causadas por el clima, las vacaciones, los das de pago, los eventos
escolares o cualquier otro fenmeno.
Los pasos a seguir para desarrollar predicciones con el anlisis de regresin lineal cuando en los
datos de la serie de tiempo hay estacionalidad, se selecciona un conjunto representativo de datos
histricos. Luego se desarrolla un ndice de estacionalidad para cada estacin (mes, trimestre,
etc.), se usan estos ndices para desestacionalizar la serie (as se eliminan los patrones
estacionales). Se realiza el anlisis de regresin lineal sobre los datos desestacionalizados. Se
usa la ecuacin de regresin para calcular las predicciones futuras y finalmente se utilizan los
ndices de estacionalidad para aplicar los patrones estacionales a las predicciones.

En este trabajo realizamos una aplicacin con datos reales del ltimo modelo.

3.2.2.- Predicciones a Corto Plazo

Son estimaciones de situaciones futuras que abarcan perodos tan cortos de tiempo que los ciclos, la
estacionalidad y los patrones de tendencia surten muy poco efecto. La fluctuacin aleatoria es la
caracterstica principal que afecta a estas predicciones. Su clculo proporciona informacin para
tomar decisiones sobre: Qu cantidad de un producto debe mantenerse el mes siguiente o debe
producirse la semana siguiente? Cunto de cada materia prima debe pedirse para su entrega la
siguiente semana? Cuntos trabajadores deben programarse para trabajar en tiempo normal y extra
la semana entrante?

Los modelos de prediccin a corto plazo se evalan en funcin de: respuesta de impulso, capacidad
de amortiguacin de ruido y precisin. Las predicciones que reflejan todas las pequeas fluctuaciones
ocurridas en los datos del pasado se dice que incluyen variaciones aleatorias o ruido. Si las
predicciones tienen pequeas fluctuaciones de un perodo a otro, se dice que tienen amortiguacin de
ruido.

Las predicciones que responden rpidamente a los cambios en los datos histricos se describen
como de una respuesta de impulso elevada. Por el contrario, si hay un registro mnimo de los
cambios tienen una respuesta de impulso baja.

Es deseable que una prediccin a corto plazo contenga una respuesta de impulso elevada y una alta
capacidad de amortiguacin de ruido. Ambas situaciones no pueden darse simultneamente. Un
sistema de prediccin que responda rpidamente a los cambios en los datos, obligatoriamente
adquiere una gran cantidad de ruido. Al seleccionar modelos de prediccin se debe escoger cul ser
la caracterstica ms valiosa: una elevada respuesta al impulso o una elevada capacidad de
amortiguacin de ruido.

La precisin de un modelo predictivo ser mayor en la medida que sea ms prxima a los datos
reales. Hay tres medidas de precisin: El error estndar, el Error cuadrtico medio y la Desviacin
media absoluta (MAD).

3.2.2.1.-Algunos Modelos Cuantitativos de Predicciones

Mtodo de los Promedios Mviles: es el modelo de las series de tiempo a corto plazo que
pronostica las ventas para el siguiente perodo. Para ello, promedia los datos de unos cuntos
perodos recientes y este promedio se convierte en la prediccin del perodo siguiente. Cuanto mayor

3
sea la cantidad de perodos promediados, mayor es la capacidad de amortiguacin del ruido y menor
es la respuesta de impulso del pronstico y viceversa.

Mtodo de los Promedios Mviles Ponderados: el pronstico para el siguiente perodo es un

promedio ponderado de las ventas pasadas. Se aplica en situaciones que pudieran necesitar pesos o
coeficientes de ponderacin de los datos histricos. Por ejemplo, si se cree que los datos ms
recientes son ms importantes para una prediccin, se pueden aplicar coeficientes de ponderacin
ms elevados a estos datos y permite a los pronosticadores especificar la importancia relativa de
cada uno de los perodos pasados de datos.

Mtodo de Suavizacin Exponencial: en este mtodo las ventas pronosticadas para el ltimo
perodo se modifican utilizando la informacin del error de prediccin del ltimo perodo. La
suavizacin exponencial toma la prediccin del perodo anterior y le incorpora un ajuste para obtener
la prediccin del siguiente perodo. Este ajuste es proporcional al error y se calcula multiplicando el
error de prediccin del perodo anterior por una constante (constante de suavizacin) entre 0 y 1.
Los pronosticadores seleccionan valores para basados en criterios como la precisin, la respuesta
de impulso y la capacidad de amortiguacin del ruido. No siempre niveles ms altos de implican
predicciones ms precisas. Cada conjunto de datos tiende a tener cualidades nicas, de modo que se
sugiere experimentar con diferentes niveles de para obtener mayor precisin. La suavizacin
exponencial brinda ms peso a los datos de perodos ms recientes que a los perodos mas alejados.

Mtodo de Suavizacin Exponencial con Tendencia: el modelo difiere del anterior porque
considera datos con tendencia. Esta caracterstica puede estar presente en datos a mediano plazo.
Tambin se conoce como suavizacin exponencial doble, ya que suaviza tanto la estimacin del
promedio como la estimacin de tendencia, utilizando dos constantes de suavizacin.

3.3.- Modelo ptimo de Predicciones

Para seleccionar un mtodo de prediccin se debe considerar varios factores: costo, precisin, datos
disponibles, lapso de tiempo, naturaleza de los productos y servicios, respuesta de impulso y
amortiguacin del ruido.

Para monitorear y controlar un modelo de prediccin es conveniente utilizar lo que se conoce como
seal de seguimiento.

Suma a lg ebraica de errores a lo l arg o de n perodos

Seal de seguimiento =
Desviacin media absoluta a lo l arg o de n perodos

n n
(Demanda real Demanda prediccin )i (Demanda real Demanda pronosticada )i
Seal de seg = i =1
n
= i =1
MAD
(Demanda real Demanda prediccin ) i
i =1
n

La seal de seguimiento mide el error de prediccin acumulado a lo largo de n perodos, en funcin

de la desviacin media absoluta (MAD).

Si el modelo de prediccin es el adecuado, la seal de seguimiento debera ser prcticamente cero,

indicando que hay aproximadamente tantos puntos reales por encima de la prediccin como por
debajo. La capacidad de la seal de seguimiento para indicar la direccin del error de prediccin es
muy til porque muestra si el clculo predictivo debe reducirse o incrementarse. Si la seal de
seguimiento es positiva, incremente las predicciones; de ser negativa se reducen.

La importancia epistemolgica del Modelo ptimo de Predicciones radica en el hecho de que

disminuye el riesgo desde un punto de vista objetivo y la incertidumbre desde un punto de vista
subjetivo.

4.- Aplicaciones

4
El gerente de la Peluquera Exclusiva de San Miguel de Tucumn desea estimar las ventas a corto
plazo. Los datos registrados corresponden a las ventas mensuales desde Enero de 2006 hasta
Agosto de 2009. De este modo, la serie de tiempo consta de 44 datos.
1.- Se recurre al modelo de Regresin Lineal para realizar predicciones de las ventas futuras para
Setiembre y Octubre de 2009.

El modelo es Y = a + b X que se conoce como ecuacin de regresin lineal simple, donde Y es la

variable dependiente y variable a predecir y X es la variable independiente (tiempo).

Se determinaron los valores de las constantes a y b, resultando: Y= 1271,02+78,47*X

Para predecir las ventas futuras en los meses requeridos, se asignan los valores 45 y 46, que son
los dos valores siguientes de X: Y (45) = 4.802,17 Y (46) = 4.880,64

2.- Para evitar las fluctuaciones, debidas a patrones estacionales, que ocurren durante un ao y se
repiten anualmente, recurrimos a otro modelo de regresin lineal donde se consideran los datos de
las ventas, agrupados trimestralmente desde Enero de 2006 hasta Diciembre de 2008, obteniendo 12
datos.

En este caso se calcula para cada trimestre el:

ndice de Estacionalidad = Promedio del trimestre / Promedio general del trimestre

Para desestacionalizar los datos se divide cada dato trimestral en su ndice de estacionalidad. Con
estos datos desestacionalizados (12 trimestres) se realiza una regresin lineal que resulta:
a = 5524,278 b = 623,010
Y = a + b X = 5524,278 + 623,010 . X

Las predicciones de las ventas desestacionalizadas para los cuatro trimestres del ao 2009 son:
Y(13) = 13623,40
Y(14) = 14246,41
Y(15) = 14869,42
Y(16) = 15492,43

Las predicciones estacionalizadas se calculan multiplicando estos ltimos por sus respectivos ndices
de estacionalidad, obtenindose:

Trimestres de 2009 ndice Estacionalidad Pred. Desestacionalizadas Pred. Estacionalizadas

Q1 0,734 13623,4 9999,6
Q2 0,874 14246,4 12451,4
Q3 1,044 14869,4 15523,7
Q4 1,348 15492,4 20883,8

3.- Como se contaba con datos semanales se recurri al modelo de Promedio Mvil para la
prediccin de las ventas para todas las semanas. En general, las ventas fueron estables en el ao
2009, con algunas fluctuaciones aleatorias de una semana a otra. Se consider un promedio mvil de
3, 5 y 7 semanas y se utilizaron los datos de 34 semanas consecutivas correspondientes al ao 2009
(desde enero 2009 hasta agosto 2009). Tambin, se compara la precisin de cada uno de los
promedios con el perodo de las 27 semanas ltimas.

Luego de calcular los promedios mviles de 3, 5 y 7 semanas, se determina la desviacin media

absoluta (MAD) para cada uno de las tres predicciones y se elige la que tenga el menor MAD,
resultando el promedio de 5 semanas. Con este modelo se estiman las ventas de las dos semanas
siguientes, correspondientes a las semanas 35 y 36: $1564,7 y $1615,4 respectivamente. Estas
predicciones son muy prximas a los valores reales.

5.- Conclusiones

En este trabajo mostramos diferentes modelos matemticos para realizar predicciones. Algunos de
ellos fueron aplicados a un conjunto de datos reales, correspondientes a las ventas de un negocio
durante tres aos. Se aplicaron los modelos pertinentes para obtener estimaciones en diversos
perodos de tiempo.

5
La incertidumbre nunca puede ser totalmente eliminada porque es un rasgo intangible y psicolgico
de la administracin. Con la aplicacin de los modelos matemticos usados se disminuye el riesgo de
error en la prediccin, porque se muestra que hay una relacin muy estrecha entre los valores
predictivos y los valores reales. En consecuencia, un administrador puede tomar decisiones con cierto
grado de certeza.

Podemos concluir que la aplicacin de los modelos de prediccin permite tomar acciones futuras,
dando cierta seguridad en la produccin oportuna de productos y servicios de la calidad ms alta al
costo ms bajo, logrando una ptima planeacin empresarial.

Bibliografa

GAITHER, N y FRAZIER, G. (1996). Administracin de Produccin y Operaciones. Nueva Cork:

International Thomson Editores.
KOTLER, P. (1996). Mercadotecnia, traducido por Pilar Mascar Sacristn, Sexta Edicin, Mxico:
Editorial Prentice-Hall Hispanoamericana S.A.