Gestion de operations / Previsión
INVESTIGACIÓN DE TEORÍA FUNDAMENTAL PARA EL ESTUDIO DE
PREVENSIÓN
Dennis Rivadeneira- Cristina Tamay- Xavier Romo- Emilio Caraguay- David Pachacama-Juan
Andrango- Dario Narváez-David Campos
Resumen
El presente artículo propone el desarrollo de una
investigación de temas importantes para el estudio
de Previsiones. La previsión es el arte y la ciencia de
predecir acontecimientos futuros. Supone la
recopilación de datos históricos y su proyección
hacia el futuro con algún tipo de modelo
matemático. Puede ser una predicción subjetiva o
intuitiva del futuro, o puede englobar una
combinación de éstas; es decir, un modelo
matemático ajustado por las buenas opiniones del
directivo. Al ir presentando las diferentes técnicas de
previsión a lo largo del capítulo, el lector se dará
cuenta enseguida de que raramente existe un único
método óptimo. Lo que funciona a la perfección para
una empresa bajo una serie de condiciones podría
resultar desastroso en otra empresa, e incluso en otro
departamento dentro de la misma empresa. Además,
veremos que existen límites a lo que se puede
esperar de las previsiones. Raramente son perfectas,
por no decir nunca, y además son costosas y lentas
de preparar y controlar. De cualquier forma, pocos
negocios pueden permitirse evitar el proceso de
previsión y limitarse a esperar a ver lo que ocurre
para tomar decisiones. Una planificación eficaz,
tanto a corto como a largo plazo, se basa en la
previsión de demanda de los productos de la
empresa.
Palabras Clave: Previsión, negocio, planificación,
proyección
1
Abstract
This article proposes the development of an
investigation of important topics for the study of
Forecasts. Foresight is the art and science of predicting
future events. It involves the collection of historical
data and its projection into the future with some type
of mathematical model. It can be a subjective or
intuitive prediction of the future, or it can encompass
a combination of these; that is, a mathematical model
adjusted by the good opinions of the manager. By
presenting the different forecasting techniques
throughout the chapter, the reader will quickly realize
that there is rarely a single optimal method. What
works perfectly for a company under a series of
conditions could be disastrous in another company,
and even in another department within the same
company. In addition, we will see that there are limits
to what can be expected from the forecasts. They are
rarely perfect, to say the least, and they are also
expensive and slow to prepare and control. In any
case, few businesses can afford to avoid the
forecasting process and simply wait to see what
happens to make decisions. Effective planning, both in
the short and long term, is based on the forecast of
demand for the company's products.
Keywords: Forecast, business, planning, projection
 Gestion de operations / Previsión

1. Tipos de previsión. planificación de los negocios a corto

Las organizaciones utilizan principalmente tres plazo.
tipos de previsiones en la planificación del futuro 4. Variaciones irregulares o aleatorias.
de sus operaciones: Son “irregularidades” en los datos
1. Previsiones económicas. Tratan del ciclo causados por el azar y situaciones
económico prediciendo las tasas de inflación,
inusuales
masa monetaria, construcción de primeras
viviendas y otros indicadores económicos.
2. Previsiones sobre la tecnología. Referentes al
ritmo del progreso tecnológico, que puede dar
como resultado el nacimiento de interesantes
productos, requiriendo nuevas fábricas y
equipos.
3. Previsiones de la demanda. Son estimaciones
de la demanda de los productos o servicios de
una empresa. Estas previsiones, también
denominadas previsiones de ventas, conducen
los sistemas de producción de las empresas, su
capacidad y su planificación, y sirven como Figura1. Demanda de producto en varios años.
input para la planificación financiera, de
marketing y de personal. 2.1.2 Enfoque simple
El sistema de previsión más sencillo es suponer que
la demanda en el próximo periodo será igual a la
2. Modelo de series temporales demanda del periodo anterior. En otras palabras, si
Los modelos de series temporales predicen
las ventas de un producto (como, por ejemplo, los
partiendo de la premisa de que el futuro es una
función del pasado. En otras palabras, observan lo teléfonos móviles de Motorola) fueron de 68
que ha ocurrido a lo largo de un periodo de tiempo unidades en el mes de enero, se puede prever que
y utilizan una serie de datos pasados para realizar las ventas en el mes de febrero serán también de 68
una previsión. teléfonos.

2.1 Descomposición de una serie temporal

El análisis de las series temporales implica
desglosar los datos pasados en cuatro componentes:
tendencia, estacionalidad, ciclos y variación
irregular o aleatoria.
1. Tendencia. Es el movimiento gradual de
subida o bajada de los valores de los datos
a lo largo del tiempo.
2. Estacionalidad. Es un patrón de
variabilidad de los datos que se repite cada
cierto número de días, semanas, meses o
trimestres.
3. Ciclos. Son patrones en los datos que
ocurren cada cierto número de años, son
de gran importancia en el análisis y
2.1.2 Medias móviles
La previsión con medias móviles utiliza un grupo
de valores recientes de los datos para realizar una
previsión. Las medias móviles son útiles si se puede
suponer que las demandas del mercado serán
bastante estables a lo largo del tiempo. Para
calcular la media móvil de cuatro meses basta con
sumar la demanda de los cuatro últimos meses y
dividirla por 4.
∑ demanda de n periodos anteriores
Media móvil =
n
2
 Apellido Autor et al / Titulo del Articulo
donde n es el número de periodos en la media
móvil.
Figura2. Ejemplo de media movil.
2.1.3 Media movil ponderada.
Cuando existe una tendencia o patrón detectable se
pueden utilizar ponderaciones o pesos para resaltar
más los valores recientes. Esta práctica hace que la
técnica de previsión sea más sensible a los cambios,
porque los periodos más recientes se ponderan con
un mayor peso. La elección de las ponderaciones es
algo arbitrario, ya que no existe ninguna fórmula
para determinarlas.
Media móvil ponderada
∑(ponderación del periodo n)(demanda en el periodo n)
= este método.
∑ ponderaciones
Figura3. Media movil ponderada.
Tanto la media móvil simple como la ponderada
son eficaces en el alisado de fluctuaciones
repentinas en los patrones de demanda para
proporcionar estimaciones estables. Las medias
móviles, sin embargo, presentan tres problemas:
1. Si se aumenta el tamaño de n (el número
de periodos promediados) se tiene un
mejor de las fluctuaciones, pero hace que
el método sea menos sensible a cambios
reales en los datos.
2. Las medias móviles no son muy buenas a
la hora de captar tendencias. Esto es
debido a que son medias y, por ello,
siempre seguirán el ritmo de niveles
pasados y. por tanto, no podrán predecir
cambios hacia niveles superiores o
inferiores. Es decir, se rezagan con
respecto a los valores reales.
Las medias móviles requieren un gran número de
datos históricos.
2.1.4 Alisado exponencial
El alisado exponencial es un sofisticado método de
previsión de medias móviles ponderadas que aún
sigue siendo relativamente fácil de aplicar, se
necesita un reducido número de datos para realizar
Dónde:
Ft = nueva previsión
Ft1 = previa previsión
α = constante de alisado
At1 = demanda real del periodo previo.
3. Medición del error de previsión
En la práctica, se utilizan diferentes medidas para
calcular el error total de previsión. Estas medidas
se pueden utilizar para comparar distintos modelos
de previsión, así como para controlar que las
previsiones están siendo adecuadas. Tres de las
medidas más habituales son la desviación absoluta
media (DAM), el error cuadrado medio (ECM) y el
error porcentual absoluto medio (EPAM).
3
 Error de previsión = Demanda real Previsión
Error de previsión = At Ft
Ecuacion 8..Error de prevision [1]
3.1 Desviación absoluta media
La primera medida del error de previsión global de
un modelo es la desviación absoluta media (DAM).
Este valor se calcula sumando los valores absolutos
de los errores de previsión individuales y
dividiendo por el número de periodos de los datos
(n):
Figura4. Cálculo de la desviación absoluta.
3.2 Error cuadrado medio
El error cuadrado medio (ECM) es una segunda
forma de medir el error de previsión total. El ECM
es la media de las diferencias al cuadrado entre los
valores previstos y los observados:
3.3 Error porcentual absoluto medio
Un problema tanto del DAM como del ECM es que
sus valores dependen de la magnitud del producto
que se esté previendo. Si lo que se prevé se mide en
miles, los valores del DAM y del ECM pueden ser
muy elevados. Para evitar este problema, podremos
utilizar el error porcentual absoluto medio
(EPAM). Se calcula como la media de la diferencia,
en valor absoluto, entre los valores previstos y
reales, expresada como porcentaje sobre los valores
reales. Es decir, si tenemos los valores previstos y
reales para n periodos, el EPAM se calcula como:
Ecuacion 11..Desviacion absoluta media [1].
3.4 Alisado exponencial con ajuste de
tendencia
Como sucede con cualquier técnica de media
móvil, el alisado exponencial simple no consigue
anticipar las tendencias. Ciertamente, hay
disponibles otras técnicas de previsión que pueden
reflejar las tendencias. Sin embargo, debido a que
el alisado exponencial es un enfoque de
modelización tan popular en los negocios, vamos a
considerarlo con más detalle. Aquí se verá la causa
por la que es necesario modificar el alisado
exponencial cuando está presente una tendencia.
Para mejorar nuestra previsión, vamos a presentar
un modelo más complejo de alisado exponencial:
uno que se ajuste a las tendencias. La idea es
calcular una media alisada exponencialmente de los
datos, y luego ajustarla para retrasos positivos o
negativos en la tendencia es:
Ecuacion 12..Alisado Exponencial [1]
Dónde:
Ft = previsión alisada exponencialmente de la
serie de datos en el periodo t
Tt = tendencia alisada exponencialmente en el
periodo t
α = constante de alisado para la media
β = constante de alisado para la tendencia
4
 Apellido Autor et al / Titulo del Articulo
3.5 Proyecciones de tendencia
Esta técnica ajusta una línea de tendencia a una
serie de datos históricos, y después proyecta la línea
hacia el futuro para realizar previsiones a medio o
largo plazo. Se podrían desarrollar diferentes
ecuaciones matemáticas de tendencia (por ejemplo,
exponencial y cuadrática), pero en este caso se
desarrollarán solamente las tendencias lineales
(línea recta). Si se decide elaborar una línea recta
de tendencia utilizando un método estadístico
preciso, se puede aplicar el método de los mínimos
cuadrados. El resultado de este enfoque es una
línea recta que minimiza la suma de los cuadrados
de las distancias verticales o desviaciones de la
recta a cada una de las observaciones reales.
La recta de mínimos cuadrados queda definida por
el punto de corte con el eje de la y (la altura a la que
corta al eje vertical) y por su pendiente (el ángulo
de la recta). Si se calcula el corte con “y” y la
pendiente, la recta se puede expresar con la
siguiente ecuación:
𝑦̂ = 𝑎 + 𝑏𝑥
Donde:
𝑦̂ = valor calculado de la variable a predecir
(llamada variable dependiente)
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
Los estadísticos han desarrollado ecuaciones que se
pueden utilizar para hallar los valores de a y b para
cualquier recta de regresión. La pendiente b se
calcula mediante la fórmula:
∑ 𝑥𝑦 − 𝑛𝑥𝑦 ̅̅̅
𝑏=
∑ 𝑥 2 − 𝑛𝑥 ̅̅̅2
Donde:
b= pendiente de la recta de regresión
x= valores conocidos de la variable independiente
y = valores conocidos de la variable dependiente
𝑥̅ = media de los valores de x
𝑦̅ = media de los valores de y
𝑛 = numero de datos u observaciones
Se puede calcular la intersección con y de la
siguiente forma:
𝑎 = 𝑦̅ − 𝑏𝑥̅
3.6 Utilización del análisis de regresión para
realizar previsiones
Para llevar a cabo un análisis de regresión lineal
puede utilizarse el mismo modelo matemático
empleando en el método de los mínimos
cuadrados de proyección de tendencia. La variable
dependiente que se quiere prever continuará siendo
y ˆ. Pero ahora la variable independiente, x, no tiene
por qué seguir siendo el tiempo. Se utilizará la
ecuación
𝑦̂ = 𝑎 + 𝑏𝑥
3.7 Coeficiente de correlación para las rectas de
regresión
Esta medida expresa el grado o intensidad de la
relación lineal. Identificado normalmente como r,
el coeficiente de correlación puede ser cualquier
número entre +1 y -1, indica los diferentes tipos de
valores que puede tomar r.
Para calcular r se utilizan muchos de los datos
requeridos anteriormente para el cálculo de a y b en
la recta de regresión. La fórmula, bastante extensa,
para hallar r es:
𝑛 ∑ 𝑥𝑦 − ∑ 𝑥 ∑ 𝑦
𝑟=
√[𝑛 ∑ 𝑥 2 − (∑ 𝑥)2 ][𝑛 ∑ 𝑦 2 − (∑ 𝑦)2 ]
4 Previsión para Hard Rock Café
Dado el crecimiento de Hard Rock Café, desde un
pub en Londres en 1971 hasta más de 110
restaurantes en establecer contratos para
productos de cuero (utilizados en las chaquetas) y
5
para artículos de comida como ternera, pollo y
cerdo. Todos los meses se hacen previsiones de
ventas a corto plazo, para cada restaurante, y
entonces se agregan para ser analizadas a nivel de
sede central. El” corazón” del sistema de
previsión de ventas es el sistema de punto de
venta (POS), el cual, efectivamente, recoge datos
de las transacciones de casi todas las personas que
atraviesan la puerta de un café. La venta de cada
plato principal representa a un consumidor; los
datos de ventas de platos principales se transmiten
diariamente a la base de datos de la sede
corporativa en Orlando. Ahí, el equipo financiero,
liderado por Todd Lindsey, pone en marcha el
proceso de previsión. Se hacen previsiones
mensuales de número de comensales, ventas de
tienda, ventas de banquetes y ventas de conciertos
(si ha lugar) para cada cafetería. Los directores
generales de cada local utilizan la misma base de
datos para preparar previsiones diarias en sus
locales. El director del local extrae las ventas de
ese día en años anteriores, incorporando
información de la Cámara de Comercio local o de
la oficina de turismo local sobre próximos
acontecimientos como una gran convención, un
acontecimiento deportivo o un concierto en la
ciudad donde se encuentra el local. La previsión
diaria se desagrega además en ventas por hora, lo
que permite programar los horarios de los
empleados. Una previsión de ventas de 5.500
dólares en una hora se traduce en 19 puestos de
trabajo que se dividen a su vez en un determinado
número de camareros, recepcionistas, bármanes y
personal de cocina. El programa informático de
programación de horarios asigna las personas en
función de su disponibilidad. Las discrepancias
entre lo previsto y la venta real se analizan
después para intentar averiguar por qué se ha
cometido un error. Hard Rock no limita su
utilización de herramientas de previsión sólo a las
ventas. Para evaluar a los directivos y fijar sus
primas se aplica una media móvil ponderada de
tres años de las ventas de cada local. Si los
directores generales de un local superan sus
objetivos se les da una prima. Todd Lindsey, en
las oficinas centrales, aplica una ponderación del
40% a las ventas del año más reciente, 40% a las
ventas del año anterior y 20% a las ventas de hace
dos años para calcular su media móvil. La
planificación del menú en Hard Rock nos muestra
un ejemplo de aplicación de la estadística aún más
sofisticado. Utilizando regresión múltiple los
directivos pueden calcular el efecto que tiene la
variación del precio de un determinado plato del
menú sobre la demanda de otros platos en dicho
menú. Por ejemplo, si el precio de las
hamburguesas con queso aumenta de 6,99 a 7,99
dólares, Hard Rock Café puede predecir el efecto
que tendrá sobre las ventas de sándwiches de
pollo, de cerdo y ensaladas. Los directivos
realizan este mismo análisis sobre la colocación
de cada plato en el tríptico de presentación del
menú, ya que los que están en la sección central
generan mayores volúmenes de ventas. Cuando
un plato, como una hamburguesa, pasa del centro
a uno de los dos lados del tríptico, se calcula el
efecto correspondiente sobre las ventas de
artículos relacionados, como, por ejemplo, patatas
fritas.
más de 40 países en la actualidad, existe una gran
demanda corporativa de mejores previsiones.
Hard Rock utiliza previsiones a largo plazo para
definir su plan de capacidad y previsiones a medio
plazo para
1) Describa tres diferentes aplicaciones de las
previsiones en Hard Rock.
1. Una de las aplicaciones más sofisticada se
encuentra en la planeación del menú de
Hard Rock, mediante el uso de regresión
múltiple, los gerentes calculan el efecto
sobre la demanda de otros artículos del
menú cuando se cambia el precio de uno
de ellos, por ejemplo, si el precio de la
hamburguesa con queso aumenta de 7.99
dólares a 8.99, Hard Rock pronostica el
efecto que tendrá esto en las ventas de
emparedados de pollo y jamón y en las
ensaladas.
2. Además de los pronósticos se podría
utilizar para determinar en qué temporada
del año existe mayor afluencia de clientes.
6
 Apellido Autor et al / Titulo del Articulo
3. Otra aplicación seria para determinar que
platos son los que tienen mayor demanda
en ciertas épocas del año.
Mencione otras tres áreas en las que cree que Hard
Rock podría utilizar los modelos de previsión.
 Bodega de suministro
 Área de compras
 Logística
2) ¿Cuál es el papel del sistema de punto de venta
para las previsiones de Hard Rock?
 El papel de los directivos de ventas y los
elementos que se encargan de realizar los
pronósticos dentro del Hard Rick es
conducir al logro de los objetivos. De una
u otra forma. La mayoría de las ocasiones
sus decisiones son mejores cuando se
apoyan en cifras cuantificadas por
herramientas estadísticas como son los
pronósticos.
3) Justifique la utilización del sistema de
ponderación empleado en la evaluación de los
directivos para fijar las primas anuales
• Se hace uso de un Promedio Móvil
Ponderado, ya que da más peso a
información más reciente que a datos más
antiguos, ya que los datos viejos pueden
ya no ser pertinentes, por lo que este
método hace uso de una ponderación, esta
elecciones de ponderaciones se va a basar
en las experiencias y las pruebas, ya que
son las formas más sencillas de elegir las
ponderaciones, es por ellos que en el caso
de las ventas del café, se debe dar distintas
ponderaciones.
• Este sistema de evaluación permite a los
Gerentes alcanzar sus metas de ventas,
beneficiando a la empresa y también a los
mismos gerentes ya que ganaran un
incentivo para seguir cumpliendo metas.
4) Señale varias variables, además de las
mencionadas en el caso, que se podrían utilizar
para predecir las ventas diarias en cada local.
 Precio: Este es un elemento que puede ser
utilizado en la predicción de las ventas
diarias de café por lo que es un
instrumento a corto plazo, puesto que se
puede modificas con rapidez.
 Temporada del año: Este incluye el clima,
es decir que las ventas de café pueden
aumentar o disminuir según la temporada
del año.
 Forma de preparación: La forma de
preparación puede influir en las ventas
diarias.
Forma de distribución: La forma en el que se
distribuye el producto, determinara muchas veces
la velocidad con que se vende el producto, por lo
que el cliente localizara el producto y consumirlo.
En el restaurante del Hard Rock de Moscú el
director está intentando evaluar los efectos de la
nueva campaña publicitaria sobre el número de
clientes. Utilizando los datos de los 10 últimos
meses (véase la tabla adjunta), desarrolle la
relación por regresión de mínimos cuadrados y
después prevea el número de comensales esperado
cuando la publicidad asciende a 65.000 dólares.
Par este caso se utiliza el método de mínimos
cuadrados.
Se calcula el coeficiente de relación
10(15302) − (376)(336)
√[10(15910) − (336)2 ][10(15973) − (376)2 ]
7
 r= 0.9163
10(15302) − (336)(376)
𝑎= = 0.58
10(15910) − (336)2
376 0.58(336)
𝑏= − = 18.112
10 10
𝑦̂ = 18.112 + 0.58𝑥
Para pubblicidad de 65 mil
𝑦̂ = 18.112 + 0.58(65)
El pronostico de la cuenta esperada de los clientes
es de 55.8 mil
5. Conclusiones

 Las ventajas que presento la utilización

del método de regresión lineal, es que
mientras los datos sean estables, es decir
que no presenten un cambio muy brusco
se puede utilizar dicho método.
 Las variables publicidad-cliente poseen
una buena correlación ya que R0 0.9163
por lo que están relacionados de buena
manera.

6. Referencias.

[1] Jay Heizer, B. R. (2007). DIreccion

de la Produccion y de Operaciones .
Madrid: Pearson