You are on page 1of 28

16/10/2015

ADMINISTRACIN DE
OPERACIONES (ADO)
SESIN 07 I

PRONSTICOS
EXPOSITOR:
I N G . J AV I E R R O J A S S A L A Z A R

PRONSTICOS

OBJETIVOS:
Entender los horizontes del pronstico en funcin

al tiempo y su importancia estratgica.


Aprender los modelos cualitativos y cuantitativos
para pronosticar la demanda.
Comparar la exactitud de modelos de pronsticos.

16/10/2015

QU ES PRONOSTICAR
Pronosticar es el arte y la ciencia de predecir los eventos futuros.
Puede implicar el empleo de datos histricos y su proyeccin hacia el
futuro mediante algn tipo de modelo matemtico.
Puede ser una prediccin subjetiva o intuitiva; o puede ser una
combinacin de stas es decir, un modelo matemtico ajustado
mediante el buen juicio del administrador.
No existe un mtodo superior. Lo que funciona mejor en una
empresa con una serie de condiciones puede ser un completo
desastre en otra, o incluso en otro departamento de la misma
compaa.
A pesar que los pronsticos casi nunca son perfectos y su monitoreo
y preparacin tambin son costosos y consumen tiempo, pocos
negocios se dan el lujo de evadir el proceso de pronosticar. La
planeacin efectiva a corto y largo plazos depende del pronstico de
la demanda para los productos de la compaa.

HORIZONTES DE LOS
PRONSTICOS
1. Pronstico a corto plazo: Este pronstico tiene una extensin
de tiempo de hasta 1 ao, pero casi siempre es menor a 3 meses. Se
usa para planear las compras, programar el trabajo, determinar
niveles de mano de obra, asignar el trabajo, y decidir los niveles de
produccin.
2. Pronstico a mediano plazo: Por lo general, un pronstico a
mediano plazo, o a plazo intermedio, tiene una extensin de entre 3
meses y 3 aos. Se utiliza para planear las ventas, la produccin, el
presupuesto y el flujo de efectivo, as como para analizar diferentes
planes operativos.
3. Pronstico a largo plazo: Casi siempre su extensin es de 3
aos o ms. Los pronsticos a largo plazo se emplean para planear la
fabricacin de nuevos productos, gastos de capital, ubicacin o
expansin de las instalaciones, y para investigacin y desarrollo.

16/10/2015

CARACTERSTICAS DE LOS
PRONSTICOS
1. Los pronsticos a mediano y largo plazos manejan aspectos ms generales y
apoyan decisiones administrativas relativas a la planeacin y los productos, plantas y
procesos. La implementacin de algunas decisiones sobre instalaciones, como la decisin
que tom GM de abrir una nueva planta de manufactura en Brasilia, puede tomar de 5 a
8 aos desde su concepcin hasta su terminacin. Para este caso hay que tener presente
las etapas del ciclo de vida del producto.
2. El pronstico a corto plazo usualmente emplea metodologas diferentes que el
pronstico a ms largo plazo. Las tcnicas matemticas, como promedios mviles,
suavizamiento exponencial y extrapolacin de tendencias, son comunes en las
proyecciones a corto plazo. Los mtodos ms amplios y menos cuantitativos resultan
tiles para predecir asuntos tales como si un nuevo producto, por ejemplo una grabadora
de discos pticos, debe introducirse en la lnea de productos de una compaa.
3. Los pronsticos a corto plazo tienden a ser ms precisos que los de largo plazo.
Los factores que influyen en la demanda cambian todos los das. Por lo tanto, a medida
que el horizonte de tiempo se alarga, es ms probable que la exactitud del pronstico
disminuya. Entonces, es necesario afirmar que los pronsticos de ventas deben
actualizarse regularmente para mantener su valor e integridad. Despus de cada periodo
de ventas, los pronsticos deben revisarse y corregirse.

TIPOS DE PRONSTICOS
1. Los pronsticos econmicos abordan el ciclo del negocio al
predecir tasas de inflacin, suministros de dinero, construccin de
viviendas, y otros indicadores de planeacin.
2. Los pronsticos tecnolgicos se refieren a las tasas de
progreso tecnolgico, las cuales pueden resultar en el nacimiento de
nuevos e interesantes productos, que requerirn nuevas plantas y
equipo.
3. Los pronsticos de la demanda son proyecciones de la
demanda de productos o servicios de una compaa. Estos
pronsticos, tambin llamados pronsticos de ventas, orientan la
produccin, la capacidad y los sistemas de programacin de la
empresa, y sirven como entradas en la planeacin financiera, de
marketing y de personal.

16/10/2015

IMPORTANCIA ESTRATGICA DEL


PRONSTICO
1. Recursos humanos
La contratacin, la capacitacin y el despido de los
trabajadores dependen de la demanda anticipada.
2. Capacidad
Cuando la capacidad es inadecuada, los faltantes que resultan
pueden significar entregas poco confiables, prdida de clientes
y prdida de la participacin en el mercado.
3. Administracin de la cadena de suministro
Las buenas relaciones con el proveedor y, por ende, las
ventajas de precio en materiales y partes dependen de
pronsticos adecuados.

METODOLOGA DEL PRONSTICO


1. Determinar el uso del pronstico: Disney usa los pronsticos de la
asistencia al parque para dirigir el personal, las horas de entrada, la
disponibilidad de paseos y los suministros de comida.
2. Seleccionar los aspectos que se deben pronosticar: Para Disney
World hay seis parques principales. La cifra primordial que
determina la mano de obra, el mantenimiento y la programacin es
la asistencia diaria.
3. Determinar el horizonte de tiempo del pronstico: Es a corto,
mediano o largo plazos? Disney desarrolla pronsticos diarios,
semanales, mensuales, anuales y quinquenales.
4. Seleccionar los modelos de pronstico: Disney usa una variedad
de modelos estadsticos que analizaremos, incluyendo promedios
mviles, suavizamiento exponencial y anlisis de regresin. Tambin
emplea modelos de juicio, o no cuantitativos.

16/10/2015

METODOLOGA DEL PRONSTICO


5. Recopilar los datos necesarios para elaborar el pronstico: El
equipo de pronsticos de Disney emplea a 35 analistas y 70
trabajadores de campo para encuestar a 1 milln de personas y/o
negocios cada ao. Tambin utiliza una compaa llamada Global
Insights para elaborar los pronsticos de la industria de los viajes y
recopilar datos sobre tasas de cambio, llegadas a Estados Unidos,
ofertas de aerolneas, tendencias en Wall Street, y programas
vacacionales en las escuelas.
6. Realizar el pronstico.
7. Validar e implementar los resultados: En Disney, los pronsticos
se revisan diariamente a los niveles ms altos para asegurar la
validez del modelo, de los supuestos y de los datos. Se aplican las
medidas de error, y despus se usan los pronsticos en la
programacin del personal a intervalos de 15 minutos.

CONSIDERACIONES DEL
PRONSTICO
1. Los pronsticos casi nunca son perfectos. Esto significa
que factores externos no predecibles o controlables suelen afectar el
pronstico. Las compaas deben admitir esta realidad.
2. La mayora de las tcnicas de pronstico suponen la
existencia de cierta estabilidad subyacente en el sistema.
En consecuencia, algunas empresas automatizan sus predicciones a
travs de software para pronsticos computarizados y despus slo
vigilan de cerca aquellos productos cuya demanda es errtica.
3. Tanto los pronsticos de familias de productos como los
de productos agregados son ms precisos que los
pronsticos para productos individuales. Disney, por
ejemplo, agrega los pronsticos de asistencia diaria por parque. Este
enfoque ayuda a contrarrestar la sobre o subestimacin de cada una
de las seis atracciones.

16/10/2015

MTODOS CUALITATIVOS
JURADO DE OPININ EJECTUIVA:
Bajo este mtodo, las opiniones de un grupo de expertos o administradores de
alto nivel, a menudo en combinacin con modelos estadsticos, se combinan
para llegar a una estimacin grupal de la demanda.
Por ejemplo, Bristol-Meyers Squibb Company emplea 220 cientficos
investigadores destacados, como jurado de opinin ejecutiva, con el fin de tener
una idea de las tendencias futuras en el mundo de la investigacin mdica.
MTODO DELPHI:
Hay tres tipos de participantes en el mtodo Delphi: los que toman las
decisiones, el personal, y los entrevistados. Los que toman las decisiones suelen
formar un grupo de 5 a 10 expertos que estarn elaborando el pronstico real.
El personal ayuda a stos al preparar, distribuir, recopilar y resumir la serie de
cuestionarios y los resultados de las encuestas. Los entrevistados forman un
grupo de personas, a menudo localizadas en distintos sitios, cuyos juicios se
valoran. Este grupo proporciona entradas a los que toman las decisiones antes
de hacer el pronstico.

MTODOS CUALITATIVOS
COMPOSICIN DE LA FUERZA DE VENTAS:
En este enfoque, cada vendedor estima cules sern las ventas en su regin.
Despus, estos pronsticos se revisan para asegurar que sean realistas. Luego se
combinan en los niveles distrital y nacional para llegar a un pronstico global.
Una variacin de este enfoque ocurre en Lexus, donde los distribuidores de la
compaa tienen una reunin trimestral en la hablan de lo que se est
vendiendo, en qu colores y con qu alternativas, a fin de que la fbrica sepa qu
construir.
ENCUESTA EN EL MERCADO:
Este mtodo solicita informacin a los clientes o posibles consumidores acerca
de sus planes de compra futuros. Puede ayudar no slo a preparar el pronstico,
sino tambin a mejorar el diseo del producto y la planeacin de nuevos
productos. Sin embargo, los mtodos de encuesta en el mercado de consumo y
composicin de la fuerza de ventas adolecen de un optimismo exagerado que
surge de la informacin de los clientes.

16/10/2015

MTODOS CUANTITATIVOS:
MODELOS DE SERIES DE TIEMPO
Una serie de tiempo se basa en una secuencia de datos puntuales
igualmente espaciados (semanales, mensuales, trimestrales, etc.). Los datos
para pronsticos de series de tiempo implican que los valores futuros se
predicen solamente a partir de los valores pasados y que se pueden ignorar
otras variables, sin importar qu tan potencialmente valiosas sean.
Analizar una serie de tiempo significa desglosar los datos histricos en
componentes y despus proyectarlos al futuro. Una serie de tiempo tiene
cuatro componentes:
1. La tendencia es el movimiento gradual, hacia arriba o hacia abajo, de los
datos en el tiempo. Los cambios en el ingreso, la poblacin, la distribucin
de edades o los puntos de vista culturales pueden ser causantes del
movimiento en una tendencia.
2. La estacionalidad es un patrn de datos que se repite despus de un
periodo de das, semanas, meses o trimestres. Existen seis patrones
comunes de estacionalidad:

MODELOS DE SERIES DE TIEMPO

Una serie de tiempo se basa en una secuencia de datos


puntuales igualmente espaciados (semanales, mensuales,
trimestrales, etc.).
Los datos para pronsticos de series de tiempo implican que
los valores futuros se predicen solamente a partir de los valores
pasados y que se pueden ignorar otras variables, sin importar
qu tan potencialmente valiosas sean.
Analizar una serie de tiempo significa desglosar los datos
histricos en componentes y despus proyectarlos al futuro.

16/10/2015

MODELOS DE SERIES DE TIEMPO


Una serie de tiempo tiene cuatro componentes:
1. La tendencia es el movimiento gradual, hacia arriba o hacia abajo, de los
datos en el tiempo. Los cambios en el ingreso, la poblacin, la distribucin
de edades o los puntos de vista culturales pueden ser causantes del
movimiento en una tendencia.
2. La estacionalidad es un patrn de datos que se repite despus de un
periodo de das, semanas, meses o trimestres. Existen seis patrones
comunes de estacionalidad:

MODELOS DE SERIES DE TIEMPO


3. Los ciclos son patrones, detectados en los datos, que ocurren cada cierta
cantidad de aos. Usualmente estn sujetos al ciclo comercial y son de gran
importancia para el anlisis y la planeacin del negocio a corto plazo. La
prediccin de los ciclos de negocio es difcil porque stos pueden verse
afectados por los acontecimientos polticos o la turbulencia internacional.
4. Las variaciones aleatorias son seales generadas en los datos por
casualidad o por situaciones inusuales. No siguen ningn patrn discernible
y, por lo tanto, no se pueden predecir.

16/10/2015

PROMEDIOS MVILES
El pronstico de promedios mviles usa un nmero de valores de datos
histricos reales para generar un pronstico. Los promedios mviles son
tiles si podemos suponer que la demanda del mercado permanecer
relativamente estable en el tiempo.

PROMEDIOS MVILES PARA UNA


TIENDA DE SUMINISTROS
La tienda de suministros para jardn de Donna quiere hacer un
pronstico con el promedio mvil de 3 meses, incluyendo un
pronstico para las ventas de cobertizos el prximo enero.
Las ventas de cobertizos para almacenamiento se muestran en
la columna media de la tabla que se encuentra en la parte
superior de la prxima pgina. A la derecha se presenta un
promedio mvil de 3 meses. El pronstico de promedios
mviles usa un nmero de valores de datos histricos reales
para generar un pronstico. Los promedios mviles son tiles
si podemos suponer que la demanda del mercado
permanecer relativamente estable en el tiempo.

16/10/2015

PROMEDIOS MVILES PARA UNA


TIENDA DE SUMINISTROS

PROMEDIOS MVILES PARA UNA


TIENDA DE SUMINISTROS
Cuando se presenta una tendencia o un patrn localizable, pueden
utilizarse ponderaciones para dar ms nfasis a los valores recientes.
Esta prctica permite que las tcnicas de pronstico respondan ms
rpido a los cambios, puesto que puede darse mayor peso a los
periodos ms recientes. La eleccin de las ponderaciones es un tanto
arbitraria porque no existe una frmula establecida para
determinarlas.
Por lo tanto, decidir qu ponderaciones emplear requiere cierta
experiencia. Por ejemplo, si el ltimo mes o periodo se pondera
demasiado alto, el pronstico puede reflejar un cambio grande
inusual, demasiado rpido en el patrn de demanda o de ventas.
Un promedio mvil ponderado puede expresarse matemticamente
como:

10

16/10/2015

PROMEDIOS MVILES PARA UNA


TIENDA DE SUMINISTROS
La tienda de suministros para jardn de Donna quiere
pronosticar las ventas de cobertizos ponderando los ltimos 3
meses, dando ms peso a los datos recientes para hacerlos ms
significativos.

PROMEDIOS MVILES PARA UNA


TIENDA DE SUMINISTROS

11

16/10/2015

PROMEDIOS MVILES PARA UNA


TIENDA DE SUMINISTROS

PROMEDIOS MVILES PARA UNA


TIENDA DE SUMINISTROS
Tanto los promedios mviles simples como los ponderados son efectivos para
suavizar las fluctuaciones repentinas en el patrn de la demanda con el fin de
obtener estimaciones estables. Sin embargo, los promedios mviles presentan tres
problemas:
1. Aumentar el tamao de n (el nmero de periodos promediados) suaviza de mejor
manera las fluctuaciones, pero resta sensibilidad al mtodo ante cambios reales en
los datos.
2. Los promedios mviles no reflejan muy bien las tendencias. Porque son
promedios, siempre se quedarn en niveles pasados, no predicen los cambios hacia
niveles ms altos ni ms bajos. Es decir, retrasan los valores reales.
3. Los promedios mviles requieren amplios registros de datos histricos.
En la grfica anterior de los datos de los ejemplos 1 y 2, se ilustra el efecto de retraso
de los modelos de promedios mviles. Observe que tanto las lneas de los promedios
mviles simples como las de promedios mviles ponderados retrasan la demanda
real. Sin embargo, los promedios mviles ponderados usualmente reaccionan ms
rpido ante los cambios detectados en la demanda. Incluso en periodos a la baja (vea
noviembre y diciembre), siguen la demanda de manera ms cercana.

12

16/10/2015

SUAVIZACIN EXPONENCIAL
El suavizamiento exponencial es un sofisticado mtodo de pronstico
de promedios mviles ponderado que sigue siendo bastante fcil de usar.
Implica mantener muy pocos registros de datos histricos. La frmula
bsica para el suavizamiento exponencial se expresa como sigue:

SUAVIZACIN EXPONENCIAL PARA


VENTA DE AUTOMVILES
En enero, un vendedor de automviles predijo que la demanda para
febrero sera de 142 Ford Mustang. La demanda real en febrero fue de
153 automviles. Usando la constante de suavizamiento que eligi la
administracin de =0.20, el vendedor quiere pronosticar la
demanda para marzo usando el modelo de suavizamiento
exponencial.
Se puede aplicar el modelo de suavizamiento exponencial:

As, el pronstico de la demanda de marzo para los Ford Mustang se


redondea a 144.
Usando slo dos elementos de datos, el pronstico y la demanda real,
ms una constante de suavizamiento, se desarroll un pronstico de
144 Ford Mustang para marzo.

13

16/10/2015

SELECCIN DE LA CONSTANTE DE
SUAVIZACIN EXPONENCIAL
La constante de suavizamiento, , se encuentra generalmente en un intervalo de
o.05 a o.50 para aplicaciones de negocios. Puede cambiarse para dar ms peso a
datos recientes (cuando es alta) o ms peso a datos anteriores (si es baja).
Cuando llega al extremo de 1.0, Ft = 1.0At-1. Todos los valores anteriores se
desechan y el pronstico se convierte en el modelo intuitivo. Es decir, el pronstico
para el siguiente periodo es considerar exactamente la misma demanda del periodo
actual. La tabla siguiente ayuda a ilustrar este concepto.
Por ejemplo, cuando = 0.5, podemos ver que el nuevo pronstico se basa casi por
completo en la demanda de los ltimos tres o cuatro periodos.
Cuando = 0.1, el pronstico pone poco peso en la demanda reciente y toma en
cuenta los valores histricos de muchos periodos (casi 19).

Se eligen valores altos de

cuando el promedio subyacente


tiene probabilidades de cambiar.
Se emplean valores bajos de
cuando el promedio en que se
basa es bastante estable.

MEDICIN DEL ERROR DEL


PRONSTICO
La exactitud general de cualquier modelo de pronstico
promedios mviles, suavizamiento exponencial u otro puede
determinarse al comparar los valores pronosticados con los
valores reales u observados.
Si Ft denota el pronstico en el periodo t, y At denota la
demanda real del periodo t, el error de pronstico (o
desviacin) se define como:
Error de pronstico = Demanda real Valor pronosticado
= At Ft

14

16/10/2015

DESVIACIN ABSOLUTA MEDIA


Su valor se calcula sumando los valores absolutos de los errores
individuales del pronstico y dividiendo el resultado entre el nmero de
periodos con datos (n):

EJEMPLO
Durante los ltimos 8 trimestres, en el puerto de Baltimore se han
descargado de los barcos grandes cantidades de grano. El administrador de
operaciones del puerto quiere probar el uso de suavizamiento exponencial
para ver qu tan bien funciona la tcnica para predecir el tonelaje
descargado. Supone que el pronstico de grano descargado durante el
primer trimestre fue de 175 toneladas. Se examinan dos valores de :
=0.10 y = 0.50.
Compare los datos reales con los pronosticados (usando cada uno de los dos
valores de ) y despus encuentre la desviacin absoluta y las MAD.

DESVIACIN ABSOLUTA MEDIA PARA


BALTIMORE
Su valor se calcula sumando los valores absolutos de los errores
individuales del pronstico y dividiendo el resultado entre el nmero de
periodos con datos (n):

15

16/10/2015

DESVIACIN ABSOLUTA MEDIA PARA


BALTIMORE
Para evaluar la exactitud de cada constante de suavizamiento, podemos
calcular los errores de pronstico en trminos de desviaciones absolutas y
MAD.

Con base en esta comparacin de las dos MAD, se prefiere una constante de
suavizamiento = 0.10 en lugar de una = 0.50 porque su MAD es ms pequea.

ERROR CUADRTICO MEDIO


El error cuadrtico medio (MSE) es una segunda forma de
medir el error global de pronstico. El MSE es el promedio de los
cuadrados de las diferencias encontradas entre los valores
pronosticados y los observados:

EJEMPLO
El administrador de operaciones del puerto de Baltimore quiere
calcular ahora el MSE para = 0.10. Se usan los mismos datos
pronosticados para = 0.10 en el ejemplo anterior, despus se
calcula el MSE.

16

16/10/2015

ERROR CUADRTICO MEDIO PARA


BALTIMORE

Este MSE = 190.8 es bueno o malo? Todo depende de los MSE calculados
para otros mtodos de pronstico. Un MSE ms bajo es mejor porque es un
valor que queremos minimizar. El MSE exagera los errores porque los eleva
al cuadrado.

ERROR PORCENTUAL ABSOLUTO


MEDIO
Un problema tanto con la MAD como con el MSE es que sus valores
dependen de la magnitud del elemento que se pronostica. Si el elemento
pronosticado se mide en millares, los valores de la MAD y del MSE pueden
ser muy grandes. Para evitar este problema, podemos usar el error
porcentual absoluto medio (MAPE). ste se calcula como el promedio
de las diferencias absolutas encontradas entre los valores pronosticados y
los reales, y se expresa como un porcentaje de los valores reales. Es decir, si
hemos pronosticado n periodos y los valores reales corresponden a esa
misma cantidad de periodos, el MAPE se calcula como:

17

16/10/2015

ERROR PORCENTUAL ABSOLUTO


MEDIO PARA BALTIMORE
EJEMPLO
El puerto de Baltimore ahora quiere calcular el MAPE cuando = 0.10.

El MAPE expresa el error como un porcentaje de los errores reales, sin que est
distorsionado por un solo valor muy grande

SUAVIZAMIENTO EXPONENCIAL CON


AJUSTE DE TENDENCIA
El suavizamiento exponencial simple,, como cualquier tcnica de promedios
mviles, falla en su respuesta a las tendencias.
A continuacin se presenta la razn por la que el suavizamiento exponencial
debe modificarse cuando est presente una tendencia. Suponga que la
demanda de un producto o servicio ha venido aumentando en 100 unidades
cada mes y que hemos obtenido pronsticos con = 0.4 en el modelo de
suavizamiento exponencial. La tabla siguiente muestra un retraso
considerable en los meses 2, 3, 4 y 5, aun cuando nuestra estimacin inicial
para el mes 1 es perfecta.

18

16/10/2015

SUAVIZAMIENTO EXPONENCIAL CON


AJUSTE DE TENDENCIA

SUAVIZAMIENTO EXPONENCIAL CON


AJUSTE DE TENDENCIA PARA PORTLAND
Un importante fabricante de Portland quiere pronosticar la demanda de un
equipo para control de la contaminacin. Una revisin de las ventas
histrica, como se muestra a continuacin, indica que hay una tendencia
creciente.

A las constantes de suavizamiento se les asignan los valores = 0.2 y =


0.4. La compaa supone que el pronstico inicial para el mes 1 (F1) fue de
11 unidades y que la tendencia durante el mismo periodo (T1) fue de 2
unidades.

19

16/10/2015

SUAVIZAMIENTO EXPONENCIAL CON


AJUSTE DE TENDENCIA PARA PORTLAND

SUAVIZAMIENTO EXPONENCIAL CON


AJUSTE DE TENDENCIA PARA PORTLAND

20

16/10/2015

SUAVIZAMIENTO EXPONENCIAL CON


AJUSTE DE TENDENCIA PARA PORTLAND
En la siguiente tabla se completa el pronstico para el periodo de 10 meses.

SUAVIZAMIENTO EXPONENCIAL CON


AJUSTE DE TENDENCIA PARA PORTLAND
En la figura se compara la demanda real (At) contra un pronstico de suavizamiento
exponencial que incluye la tendencia (FITt). El FIT incorpora la tendencia en la demanda real.
Un modelo de suavizamiento exponencial simple tiene un retraso importante.

El valor de la constante de
suavizamiento de la tendencia, ,
se parece a la constante porque
una alta responde ms rpido a
cambios
recientes
de
una
tendencia. Una baja da menos
peso a las tendencias ms
recientes y tiende a suavizar la
tendencia actual.
El suavizamiento exponencial
simple
se
denomina
suavizamiento de primer orden, y
al suavizamiento con ajuste de la
tendencia: suavizamiento de
segundo orden.

21

16/10/2015

PROYECCIONES DE TENDENCIA

PROYECCIONES DE TENDENCIA
PARA N.Y EDISON

22

16/10/2015

PROYECCIONES DE TENDENCIA
PARA N.Y EDISON

VARIACIONES ESTACIONALES
EN LOS DATOS
Las variaciones estacionales en los datos son movimientos regulares
ascendentes o descendentes localizados en una serie de tiempo y que
se relacionan con acontecimientos recurrentes como el clima o las
vacaciones. La demanda de carbn o petrleo aumenta durante los
meses de invierno. La demanda de clubes de golf o bronceadores
puede ser mayor durante el verano.
La estacionalidad puede aplicarse en forma horaria, diaria, semanal,
mensual o en otros patrones recurrentes. Los restaurantes de comida
rpida registran diariamente repuntes al medio da y nuevamente
despus de las 5 P.M. Los cines aumentan su demanda los viernes y
sbados por la noche. Laoficina de correos, Toys Us, The
Christmas Store y las tiendas de tarjetas Hallmark tambin registran
variaciones estacionales tanto en el trfico de clientes como en las
ventas.

23

16/10/2015

VARIACIONES ESTACIONALES
EN LOS DATOS
La presencia de estacionalidad hace necesario ajustar los
pronsticos con una recta de tendencia. Las estaciones se
expresan en trminos de la cantidad en que difieren los valores
reales de los valores promedio en la serie de tiempo. Analizar
los datos en trminos de meses o trimestres suele facilitar la
deteccin de los patrones estacionales. Los ndices estacionales
pueden desarrollarse mediante varios mtodos comunes.
En lo que se denomina modelo estacional multiplicativo, los
factores estacionales se multiplican por una estimacin de la
demanda promedio para producir un pronstico estacional.
Nuestro supuesto es que la tendencia se ha eliminado de los
datos. De otra forma, la magnitud de los datos estacionales
estara distorsionada por la tendencia.

VARIACIONES ESTACIONALES
EN LOS DATOS
A continuacin se presentan los pasos que seguira una compaa que tiene estaciones de un
mes:
1. Encontrar la demanda histrica promedio de cada estacin (o mes en este caso) sumando la
demanda medida en ese mes de cada ao y dividindola entre el nmero de aos con datos
disponibles. Por ejemplo, si en enero hubo ventas de 8, 6 y 10 durante los ltimos tres aos, la
demanda promedio de enero es igual a (8 + 6 + 10)/3 = 8 unidades.
2. Calcular la demanda promedio de todos los meses dividiendo el promedio total de la
demanda anual entre el nmero de estaciones. Por ejemplo, si el promedio total de la demanda
de un ao es de 120 unidades y hay 12 estaciones (una por mes), la demanda mensual promedio
es de 120/12 = 10 unidades.
3. Calcular un ndice estacional para cada estacin dividiendo la demanda histrica real de ese
mes (del paso 1) entre la demanda promedio de todos los meses (del paso 2). Por ejemplo, si la
demanda promedio histrica en enero durante los ltimos 3 aos es de 8 unidades y la
demanda promedio de todos los meses es de 10 unidades, el ndice estacional para enero es de
8/10 = .80. De igual forma, un ndice estacional de 1.20 para febrero significara que la
demanda de febrero es 20% mayor que la demanda promedio de todos los meses.
4. Estimar la demanda total anual para el siguiente ao.
5. Dividir esta estimacin de la demanda total anual entre el nmero de estaciones, despus
multiplicarla por el ndice estacional para ese mes. Esto proporciona el pronstico estacional.

24

16/10/2015

NDICES ESTACIONALES
PARA DES MOINES
Un distribuidor Des Moines de computadoras porttiles Sony quiere desarrollar
ndices mensuales para las ventas. Se dispone de los datos mensuales para los aos
2005 a 2007.

NDICES ESTACIONALES
PARA DES MOINES

Piense en estos ndices como porcentajes de las ventas promedio. Las ventas
promedio (sin estacionalidad) seran de 94, pero con estacionalidad, las ventas
fluctan entre 85% y 131% del promedio.

25

16/10/2015

TENDENCIA E NDICES ESTACIONALES


PARA HOSPITAL SAN DIEGO
El hospital San Diego quiere mejorar sus pronsticos aplicando tanto tendencia
como ndices estacionales a datos recopilados durante 66 meses. Se pronosticarn
los das-paciente para el ao prximo.
Se crea una recta de tendencia; despus se calculan los ndices estacionales. Por
ltimo, se usa un modelo estacional multiplicativo para pronosticar los meses del 67
al 78.Usando los datos recopilados en 66 meses de los das que pasa cada paciente
adulto en el hospital, se calcul la siguiente ecuacin:
Con base en este modelo, que refleja slo
datos de tendencia, el hospital pronostica
que para el siguiente mes (periodo 67) los
das-paciente sern:
Das-paciente = 8,090 + (21.5)(67) =
9,530 (slo tendencia).
Aunque este modelo, como se observa en
la figura siguiente, reconoce la recta de
tendencia ascendente en la demanda de
servicios a pacientes hospitalizados, se
ignora la estacionalidad presente

TENDENCIA E NDICES ESTACIONALES


PARA HOSPITAL SAN DIEGO

Estos ndices estacionales se grafican y observe que enero, marzo, julio y agosto
parecen mostrar un promedio significativamente ms alto que el promedio de das
paciente hospitalizado, mientras que febrero, septiembre, noviembre y diciembre
presentan menos das-paciente internado.
Sin embargo, ni los datos de la tendencia ni los estacionales proporcionan por s
mismos un pronstico razonable para el hospital. Slo cuando se multiplicaron los
datos ajustados a la tendencia por el ndice estacional apropiado fue que el hospital
pudo obtener buenos pronsticos.

26

16/10/2015

TENDENCIA E NDICES ESTACIONALES


PARA HOSPITAL SAN DIEGO

Por lo tanto, para el periodo 67 (enero):


Das-paciente = (Pronstico con ajuste de tendencia)(ndice estacional mensual)
=(9,530)(1.04) = 9,911

TENDENCIA E NDICES ESTACIONALES


PARA HOSPITAL SAN DIEGO

27

16/10/2015

PRONSTICO CON NDICES


ESTACIONALES PARA JAGODA W.
La administracin de Davis Department Store us regresin de series de tiempo
para pronosticar las ventas al menudeo de los siguientes cuatro trimestres. Las
ventas estimadas son de 100,000; 120,000; 140,000 y 160,000 dlares para los
trimestres respectivos. Se ha encontrado que los ndices estacionales para los cuatro
trimestres son de 1.30, .90, .70 y 1.15, respectivamente.
Para calcular un pronstico de ventas con ajuste estacional, slo multiplicamos cada
ndice estacional por el pronstico de tendencia apropiado:

28

You might also like