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 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:
 Periodos mayores 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
CAPACIDA
D

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
7. Validar e implementar los resultados
 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 personas que
Enfoque toman las decisiones,
cualitativo emociones, experiencias y
sistemas de valores
Previsión
Se usan diferentes modelos
matemáticos
Enfoque
cuantitativo Utilizan datos históricos y
variables para prever la
demanda
MÉTODOS CUALITATIVOS

• Jurado de opinión ejecutiva

1

• Método Delphi
2

• Propuesta del personal de ventas

3

• Estudio de mercado
4
 DETERMINACION DE LA
DEMANDA
Los pronósticos son estimaciones de la ocurrencia, la cronología o la magnitud de
futuros eventos inciertos, usando para esto la mejor información disponible, para
obtener un dato más confiable.

Juicio
Indicadores
Económicos
Estimación Previsión
de Ventas Subjetiva

Encuestas Previsión de
la Demanda
Demanda Cte.
Dato Previsión
Demanda Objetiva
Histórica
Modelo
Pronostico
 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:
 Losque 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
• •Modelos
Modelosde • Enfoque simple
deseries
series • Medias móviles
temporales
temporales • Alisado exponencial
• Proyección de tendencia

• Modelo
• Modelo
asociativos • Regresión lineal
asociativos (o
(o
causales)
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 en
Duración de la estación
patrón 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

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 3meses)
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 19 ((12x1)+(13x2)+(16x3))/6 = 14,33

Junio 23 ((13x1)+(16x2)+(19x3))/6 = 17
Julio 26 ((16x1)+(19x2)+(23x3))/6 = 20,5
Agosto 30 ((19x1)+(23x2)+(26x3))/6 = 23,83
Septiembre 28 ((23x1)+(26x2)+(30x3))/6 = 27,5
Octubre 18 ((26x1)+(30x2)+(28x3))/6 = 28,33
Noviembre 16 ((30x1)+(28x2)+(18x3))/6 = 23,33
Diciembre 14 ((28x1)+(18x2)+(16x3))/6 = 18,67
 MEDIAS MÓVILES PONDERADAS (EJEMPLO)
35
30
25
20
15
10
5
0

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

 Si se quiere dar mayor ponderación a valores recientes,

α debe ser alto

 Si se quiere dar mayor ponderación a valores antiguos,

α debe ser bajo

 Si el 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

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

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

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)

Enero 10 12 (10 – 12) = -2 12 (10 – 12) = -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

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

Enero 10 12 (10 – 12) = -2 12 (10 – 12) = -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

DAM (-2+1+2+4+6+8)2/6 = 361/6 = 60,17 (-2+1+2+4+5+6)2/6 = 256/6 = 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)
VENTAS
PREVISIONES EPAM (α=0,30) PREVISIONES
MES REALES EPAM (α=0,50)
(α=0,30) 100(Error/Real) (α=0,50)
(und)
100x((10 – 100x((10 –
Enero 10 12 12
12)/10) = -20% 12)/10) = -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
20
Mayo 19
15
Junio 23 10
Julio 26 5
0

Septiembre
Abril
Enero

Junio

Octubre
Noviembre
Febrero

Julio
Marzo

Mayo

Agosto
Agosto 30
Septiembre 28
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)
PRONÓSTICO
VENTAS PREVISION TENDENCIA ALISADA,
MES INCLUYENDO LA
REALES (und) ALISADA, Ft Tt
TENDENCIA

Enero 10 12 (ya la tenemos) 1 (ya la 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

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
y = 3,6632x
30

25
Unidades

20

15

10

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 reconocimiento
de patrones estacionales
 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
DEMANDA DE VENTAS (REALES)
(EJEMPLO)
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 20122010 - 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

80
y = 0.3699x + 87.157
60

40

20

0
1 3 5 7 9 11 13 15 17 19 21 23 25 27 29 31 33 35
 COMPARACIÓN DE PROYECCIONES
DE TENDENCIA (EJEMPLO –
ANÁLISIS LINEAL)
140

120

100

80

60

40

20

0
1 3 5 7 9 11131517192123252729313335373941434547
 COMPARACIÓN DE PROYECCIONES DE TENDENCIA
(EJEMPLO – CONSIDERANDO ESTACIONALIDAD)
140

120

100

80

60

40

20

0
1 3 5 7 9 11131517192123252729313335373941434547
 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
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 = 1.127.731.569 ∑xy = 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 50,000 100,000 150,000 200,000 250,000
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
RESUME
N
 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
RESUME
N
 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
 CONCLUSI
ÓN
 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