INSTITUTO TECNOLÓGICO Y DE ESTUDIOS SUPERIORES DE MONTERREY

CAMPUS ESTADO DE MÉXICO

PRONÓSTICOS DE VENTAS PARA LA ADMINISTRACIÓN

ESTRATEGICA DE LOS RECURSOS EN UNA EMPRESA DEL
SECTOR AUTOMOTRIZ.

TESIS QUE PARA OPTAR EL GRADO DE

MAESTRO EN CIENCIAS CON ESPECIALIDAD EN INGENIERIA INDUSTRIAL
PRESENTA

JORGE HUMBERTO FRAUSTO ENRÍQUEZ

Asesor: Dr. Eduardo Díaz

Comité de tesis: Dr. Jaime Mora

Dr. Alejandro Sandoval

Atizapán de Zaragoza, Edo. Méx., Noviembre de 2009.

 1

1. MOTIVACIÓN – IMPORTANCIA DEL PROBLEMA ................................................................................. 3

2. ANTECEDENTES.............................................................................................................................................. 12
2.1 CONTEXTO DE LA EMPRESA.................................................................................................... 13
3. PLANTEAMIENTO DEL PROBLEMA......................................................................................................... 16
3.1 OBJETIVOS Y LIMITACIONES.................................................................................................. 17
4. MARCO TEÓRICO........................................................................................................................................... 18
4.1 ANÁLISIS DE DATOS.................................................................................................................... 18
4.1.1 LA LEY DE PARETO ..................................................................................................................... 19
4.1.2 SISTEMA LOGÍSTICO DE INFORMACIÓN ............................................................................. 19
4.2 DEMANDA Y PRONÓSTICOS ..................................................................................................... 20
4.2.1 COMPONENTES DE UNA SERIE DE TIEMPO ....................................................................... 20
4.2.2 DEMANDA ESPACIAL Y DEMANDA TEMPORAL ................................................................. 21
4.2.3 REGULARIDAD DE LA DEMANDA........................................................................................... 21
4.2.4 DEPENDENCIA DE LA DEMANDA........................................................................................... 22
4.3 CARACTERÍSTICAS DE LOS PRONÓSTICOS ........................................................................ 22
4.3.1 EL AMBIENTE DE DECISIÓN Y LA FUNCIÓN DE PERDIDAS .......................................... 23
4.3.2 EL OBJETO DEL PRONÓSTICO ................................................................................................ 24
4.3.3 EL ENUNCIADO DEL PRONÓSTICO........................................................................................ 25
4.3.4 EL HORIZONTE DEL PRONÓSTICO ........................................................................................ 26
4.3.5 EL CONJUNTO DE INFORMACIÓN ......................................................................................... 26
4.3.6 LOS MÉTODOS Y LA COMPLEJIDAD, EL PRINCIPIO DE LA PARSIMONIA Y EL
PRINCIPIO DE CONTRACCIÓN ............................................................................................................... 26
4.4 CLASIFICACIÓN DE MÉTODOS DE PRONÓSTICOS ........................................................... 27
4.4.1 MÉTODOS CUALITATIVOS ........................................................................................................ 28
4.4.2 MÉTODOS DE PROYECCIÓN HISTÓRICA.............................................................................. 28
4.4.3 MÉTODOS CAUSALES (EXTRÍNSECOS) ................................................................................. 28
4.5 MÉTODOS DE PRONÓSTICOS ................................................................................................... 29
4.5.1 MÉTODOS DE PRONÓSTICO CUALITATIVOS O SUBJETIVOS......................................... 31
4.5.1.1 Composición de la fuerza de ventas ....................................................................................................31
4.5.1.2 Encuestas de clientes y de la población general. ................................................................................32
4.5.1.3 El jurado de opinión ejecutiva. ............................................................................................................33
4.5.1.4 El método Delphi. ..................................................................................................................................33
4.5.1.5 Ventajas y desventajas de los métodos subjetivos. ............................................................................34
4.5.2 MÉTODO DE ANÁLISIS GRÁFICO ........................................................................................... 34
4.5.3 MÉTODO DE DESCOMPOSICIÓN DE SERIES DE TIEMPO ............................................... 35
4.5.4 MÉTODO DE SUAVIZAMIENTO EXPONENCIAL SIMPLE.................................................. 37
4.5.4.1 Inicialización para el enfoque de ajuste exponencial. .......................................................................39
4.5.5 MÉTODO DE SUVIZAMIENTO EXPONENCIAL AJUSTADO PARA VARIACIONES DE
TENENCIA Y ESTACIONALES (HOLT-WINTERS) ............................................................................... 39
4.5.6 MODELOS AUTOCORRELACIONADOS................................................................................... 41
4.5.6.1 Metodología Box-Jenkins (ARIMA). ..................................................................................................42
4.5.7 MODELO DE REGRESIÓN MULTIPLE .................................................................................... 44
4.5.8 MINERIA DE DATOS.................................................................................................................... 46
4.5.8.1 Árboles De Decisión. .............................................................................................................................48
4.5.8.2 Redes Neuronales. .................................................................................................................................49
4.6 EVALUACIÓN DE PRONÓSTICOS ............................................................................................ 52
4.7 ADMINISTRACIÓN A PARTIR DE PRONÓSTICOS............................................................... 56
5. MODELO DE APLICACIÓN .......................................................................................................................... 58
5.2 RECOLECCIÓN DE DATOS......................................................................................................... 58
5.3 TRATAMIENTO DE LA INFORMACIÓN.................................................................................. 60
5.4 PROCESO DE GENERACIÓN DE PRONÓSTICO.................................................................... 64
5.4.1 MÉTODOS CUALITATIVOS SIMPLES...................................................................................... 64
5.4.2 MÉTODOS DE PROMEDIO SIMPLE......................................................................................... 65
5.4.3 MÉTODO DE SUAVIZAMIENTO EXPONENCIAL.................................................................. 65
5.4.4 MÉTODO DE SUAVIZAMIENTO EXPONENCIAL AJUSTADO PARA VARIACIONES DE
TENDENCIA Y ESTACIONALES (HOLT-WINTERS). ........................................................................... 66
5.4.5 ESTUDIO MEDIANTE EL MÉTODO DE DESCOMPOSICIÓN POR SERIES DE TIEMPO.
66
5.4.6 MODELO DE REGRESIÓN MÚLTIPLE. ................................................................................... 70
 2
5.4.7 MÉTODO ARIMA........................................................................................................................... 73
5.4.8 REDES NEURONALES................................................................................................................. 76
5.4.9 COMPARACIÓN DE RESULTADOS. ......................................................................................... 78
5.4.10 AJUSTE DE MÉTODOS CUANTITATICOS Y CUALITATIVOS. ...................................... 80
5.4.10.1 Sesgos y limitaciones. ............................................................................................................................81
5.4.10.2 Juicios de la fuerza de ventas ...............................................................................................................82
5.4.10.3 Juicios de ejecutivos ..............................................................................................................................84
5.4.10.4 Resultados del ajuste por métodos cualitativos .................................................................................84
5.4.11 EVALUACIÓN DE ERRORES DE PRONÓSTICO. .............................................................. 87
6. RESULTADOS DEL MODELO ...................................................................................................................... 89
7. CONCLUSIONES .............................................................................................................................................. 91
7.1 ANÁLISIS DE DATOS.................................................................................................................... 91
7.2 MODELO DE REGRESIÓN MÚLTIPLE. ................................................................................... 91
7.3 GENERACIÓN DE PRONÓSTICOS. ........................................................................................... 91
8. BIBLIOGRAFIA Y REFERENCIAS .............................................................................................................. 93
 3

1. MOTIVACIÓN – IMPORTANCIA DEL PROBLEMA

El propósito general de este trabajo es la evaluación y aplicación de diferentes

métodos de pronósticos, para generar la información necesaria para la planeación estratégica
de los recursos en una empresa del sector automotriz.

El uso de pronósticos de ventas es necesario para la buena administración de cualquier

empresa, a lo largo de la historia moderna de la administración de recursos se confirma que un
buen desarrollo en los pronósticos, conlleva a una mejor administración de los recursos
disponibles [71].

Como se menciona, el uso de pronósticos de la demanda es necesario para una buena

administración de cualquier empresa, ya que la planeación y control de las actividades
logísticas requieren estimaciones precisas de los volúmenes de productos y servicios que
serán manejados, estas estimaciones se realizan con pronósticos y estos a su vez son
generados en varios departamentos, como son mercadotecnia, planeación de la producción,
logística u otros.

Con los pronósticos se puede a su vez generar información para el departamento de

finanzas, para presupuestos, créditos, etc.; para el departamento de producción, para
capacidad por línea, maquinaria, mano de obra, procesos o métodos, etc.; para el
departamento de logística, para localización y capacidad de plantas, almacenes y centros de
distribución, determinar sistemas de distribución, planeación de inventarios, requerimientos
de materia prima, necesidades de transporte, etc.

Por lo tanto es de suma importancia entender la relación entre los pronósticos y las
decisiones que se deben tomar en la administración de recursos; sin un pronostico de ventas
no podría haber planeación de las necesidades de producción como son capacidad y mano de
obra. Además, son utilizados para la generación de información para finanzas, capacidad de
planta, planeación de inventarios, requerimientos de materia prima, necesidades de transporte,
etc.

Estratégicamente, el éxito de las empresas esta unida a la efectividad de las relaciones

entre el pronóstico y la planeación de los recursos para lograr un efectivo servicio al cliente;
el cual se refiere específicamente a la cadena de actividades orientadas al cumplimiento de los
requerimientos del cliente, que en general inician con el ingreso del pedido y finalizan con la
entrega del producto a los clientes, continuando en algunos casos como servicio o
mantenimiento de equipo, u otros como soporte técnico [1]. En otras palabras, el servicio a
cliente es el proceso integral de cumplir con el pedido de un cliente. Este proceso incluye la
recepción del pedido (ya sea manual o electrónica), administración del pago, recolección y
empacado de los productos, envío del paquete, entrega del mismo, y proporcionar el servicio
al cliente para el usuario final, así como el manejo de posible devolución de los productos [2].
 4
Shycon Associates, una firma de consultoría de administración, realizó una encuesta
entre ejecutivos del área de compras y distribución a lo largo de una muestra representativa de
la industria manufacturera norteamericana, pidiéndoles que calificaran a sus proveedores [3]
en la Figura 1.1 se muestra lo que los entrevistados sentían que eran las fallas más comunes
en el servicio. La entrega retrasada una variable del servicio logístico al cliente, fue causa de
cerca de la mitad de las fallas mencionadas al servicio, en tanto que los errores en la calidad
del producto representaron cerca de una tercera parte.

FIG 1-1 Quejas comunes del servicio al cliente

7%

Errores del Producto o de

31% Calidad
Bienes Dañados

Artículos Frecuentemente
Seccionados
44% Entrega Retrasada

Otros
12%

6%

Fig 1.1 Quejas comunes del servicio al cliente. (Original en colores)

Durante mucho tiempo se ha creído que las ventas son afectadas en cierto grado por el
nivel proporcionado del servicio logístico al cliente, esto es el nivel de cumplimiento de los
requerimientos tanto en cantidad como en tiempo. El hecho es que el servicio al cliente en
cuanto a logística representa un elemento dentro del servicio total al cliente, las ventas no
pueden compararse en forma precisa contra las de los niveles de servicio logístico al cliente y
los clientes no siempre expresan de manera precisa sus deseo de servicio ni responden
consistentemente al ofrecimiento de servicio. Esto con frecuencia da lugar a que los
responsables de logística establezcan los niveles de servicio al cliente y luego diseñen el canal
de suministro alrededor de ellos. Naturalmente este método no es ideal pero resulta práctico.
Igualmente, esto depende de la estrategia especifica de la empresa que puede estar enfocada a
buscar costo, calidad, tiempo de entrega o servicio.

El nivel de servicio al cliente debe ser referenciado al nivel del servicio que la cadena
de suministro mantiene en el proceso; para lo cual se pueden manejar ciertas métricas para
analizar su desempeño. La calificación del nivel de servicio que un cliente da a un proveedor
particular es el acumulado de factores como puede ser el número de productos entregados que
están fuera de las especificaciones de compra contra el total entregado (PPM), el porcentaje
de productos entregados en tiempo y cantidad correcta contra lo solicitado, el nivel de crédito
que se presta al cliente e incluso el beneficio en precio. Todos estos factores se deben analizar
para una correcta evaluación de los proveedores.
 5
Chopra [72] señala que las métricas deben estar ligadas a las directrices que
determinan el desempeño de cualquier cadena de suministro, las cuales son:

• Instalaciones, son las ubicaciones físicas reales en la red de la cadena de

suministro donde el producto se almacena, ensambla o fabrica. Los dos grandes
tipos de instalaciones son los sitios de producción y de almacenamiento. Las
decisiones respecto al papel, ubicación, capacidad y flexibilidad de las
instalaciones tienen un impacto significativo en el desempeño de la cadena. Por
ejemplo, un distribuidor de autopartes que se esfuerza por la capacidad de
respuesta podría tener muchas instalaciones de abastecimiento ubicadas cerca
de los clientes, aún cuando esta práctica redujera la eficiencia. De manera
similar, un distribuidor muy eficiente podría tener pocos almacenes para
incrementar la eficiencia a pesar del echo de que esta práctica reduciría la
capacidad de respuesta. Las métricas relacionadas con las instalaciones son:
o La capacidad.
o La utilización.
o El tiempo de flujo / de ciclo teórico de producción.
o El flujo / tiempo de ciclo promedio real.
o La eficiencia del tiempo de flujo.
o La variedad del producto.
o La contribución al volumen de 20% superior de SKU y clientes.
o El tiempo de proceso / preparación / descompostura / inactividad.
o El tamaño de lote de producción promedio.
o Nivel de servicio de producción.
• El inventario, abarca toda la materia prima, el trabajo en proceso y los bienes
terminados dentro de la cadena de suministro. Cambiar las políticas de
inventario puede alterar drásticamente su eficiencia y capacidad de respuesta.
Por ejemplo, un minorista de ropa puede tener mayor capacidad de respuesta
mediante la acumulación de grandes cantidades de inventario y satisfacer la
demanda del cliente a partir del inventario. Sin embargo, un inventario grande
incrementa su costo y, por tanto, merma su eficiencia. Reducir el inventario lo
hace más eficiente pero afecta su capacidad de respuesta. Las métricas con el
inventario son:
o El inventario promedio.
o Los productos con más de un número específico de días en inventario.
o El tamaño promedio de lote de abastecimiento.
o El inventario de seguridad promedio.
o El inventario estacional.
o La tasa de surtido.
o La fracción de tiempo sin inventario.
• La trasportación, supone mover el inventario de un punto a otro en la cadena de
suministro. Puede tomar la forma de muchas combinaciones de modos y rutas
cada una con sus propias características de desempeño. Las opciones de
trasportación tienen un gran impacto en la capacidad de respuesta y eficiencia
de la cadena. Por ejemplo, una compañía de ventas por catálogo puede utilizar
un método rápido de trasporte como FedEx para enviar sus productos,
haciendo que su cadena tenga mayora capacidad de respuesta y a su vez, sea
menos eficiente dados los altos costos asociados. O la compañía podría
 6
emplear un método de transporte por tierra más barato pero lento, aunque esto
lo haría eficiente, limitaría su capacidad de respuesta. Las métricas relacionas
con la transportación son:
o El costo promedio del transporte entrante.
o El tamaño promedio del embarque entrante.
o El costo promedio del transporte entrante por embarque.
o El costo promedio del transporte saliente.
o El tamaño promedio del embarque saliente.
o El costo promedio del transporte saliente, por embarque.
o La fracción transportada por medio.
• La información, consiste en datos y análisis concernientes a las instalaciones,
inventario, transportación, costos, precios y cliente a lo largo de la cadena de
suministro. Es potencialmente la mayor directriz del desempeño en la cadena
ya que afecta de manera directa a cada una de las demás directrices. La
información da a la administración la oportunidad de hacer que las cadenas
tengan mayor capacidad de respuesta y sean más eficientes. Por ejemplo, con
información sobre los patrones de demanda del consumidor, una compañía
farmacéutica produce y almacena medicamentos con anticipación a la demanda
del cliente, lo cual hace que la cadena tenga una alta capacidad de respuesta,
pues los consumidores encontraran los medicamentos cuando los necesiten.
Esta información acerca de la demanda también puede hacerla más eficiente ya
que la compañía farmacéutica esta mejor preparada para pronosticar la
demanda y producir solo la cantidad requerida. También la hace más eficiente
al proporcionar a los gerentes opciones de envío, por ejemplo, les permite
escoger la alternativa de menor costo mientras cumplen los requerimientos
necesarios del servicio. Las métricas relacionadas con la información son:
o El horizonte de pronóstico.
o La frecuencia de actualización.
o El error de pronóstico
o Los factores estacionales.
o La varianza del plan.
o El cociente entre la variabilidad de la demanda y la variabilidad de los
pedidos.
• El aprovisionamiento, es la decisión sobre quien desempeñara una actividad
específica de la cadena de suministro como producción, almacenamiento,
transportación o administración de la información. A nivel estratégico, estas
decisiones determinan que funciones llevará a cabo la compañía y cuales otras
subcontratará. Las decisiones de aprovisionamiento afectan tanto la capacidad
de respuesta como la eficiencia de la cadena. Después de que Motorola
subcontrato gran parte de su producción con fabricantes chinos, vio que su
eficiencia mejoraba; sin embargo, su capacidad de respuesta se veía afectada
debido a las largas distancias. Para compensar esto, Motorola comenzó a enviar
por avión algunos de sus teléfonos celulares desde China aún cuando esta
decisión incrementaba el costo de transportación. Flextronics, un fabricante de
aparatos electrónicos por contrato, espera ofrecer opciones de
aprovisionamiento tanto con capacidad de respuesta como eficientes a sus
clientes. Para ello trata de hacer que sus instalaciones de producción en USA
tengan una alta capacidad de respuesta al mismo tiempo que mantiene
 7
eficientes sus instalaciones en países de bajo costo. Flextronics espera volverse
un proveedor efectivo para todos sus clientes mediante esta combinación de
instalaciones. Las métricas relacionadas al aprovisionamiento son:
o Días pendientes por pagar.
o Precio promedio de compra.
o El rango de precios de compra.
o La cantidad promedio de compra.
o La fracción de las entregas a tiempo.
o La calidad del suministro.
o El tiempo de entrega del suministro.
• La fijación de precios, determina cuanto cobrará una compañía por los bienes y
servicios que pone a disposición en la cadena de suministro. Afecta el
comportamiento del comprador por lo que influye en el desempeño de la
cadena. Por ejemplo, si una compañía de transporte varía sus cargos con base
al tiempo de entrega proporcionado por los clientes, es muy posible que los
valoren la eficiencia harán su pedido con anticipación, y los que valoran la
capacidad de respuesta, estarán dispuestos a esperar y harán su pedido justo
antes de que necesiten que se transporte el producto. Es probable que los
pedidos anticipados sean menos si los precio no varían con el tiempo de
entrega. Las métricas relacionadas con el precio son:
o El margen de utilidad.
o Los días de ventas pendientes.
o El costo fijo incremental por pedido.
o El costo variable incremental por unidad.
o El precio promedio de venta.
o El tamaño promedio de pedido.
o El rango del precio de ventas.
o El rango de ventas periódicas.

Esta definición de estas directrices trata de delinear la logística y la administración de

la cadena de suministro. Esta última incluye el uso de las directrices logísticas e
interfuncionales para incrementar su superávit. En años recientes, las directrices
interfuncionales se han vuelto cada vez más importantes en el incremento del superávit de las
cadenas [72]. Aunque la logística continua siendo una parte importante, la gerencia de la
cadena de suministro se enfoca cada vez más en las tres directrices interfuncionales. Es
importante reconoces que dichas directrices no actúan de manera independiente, sino que, por
el contrario, interactúan entre si para determinar el desempeño de toda la cadena. El buen
diseño y operación de esta reconoce tal interacción y establece los equilibrios necesarios para
entregar el nivel deseado de capacidad de respuesta.

En la actualidad hay mayores evidencia definitivas [4, 5 y 6] de que el servicio

logístico al cliente sí afecta a las ventas. En su estudio del servicio al cliente Sterling y
Lambert concluyeron que los servicios de Marketing sí afectan la participación de mercado
[4]. Debemos notar que Sterling y Lambert también concluyeron que los elementos más
importantes del servicio al cliente eran de naturaleza logística. Krenn y Shycon concluyeron a
partir de sus entrevistas a 300 clientes de GTE / Silvana, que: la distribución, cuando
proporciona los adecuados niveles de servicio para cumplir las necesidades del cliente,
 8
pueden llevar directamente a un incremento en las ventas, mayor participación de mercado y
por último a mayor contribución y crecimiento de las utilidades [5].

Baritz y Zissman demostraron que los clientes (ejecutivos del área de compras y de
distribución) pueden percibir diferencias de servicio entre su “mejor” proveedor y su
proveedor “promedio” [6]. Concluyeron que cuando se presenta una falla del servicio, los
compradores con frecuencia imponían una acción de penalización al proveedor responsable.
Estas acciones afectarán el costo o los ingresos del proveedor. En la Figura 1-2 se ilustran los
tipos de acciones específicas que se toman contra los proveedores. Los investigadores
concluyeron con la firme aseveración siguiente con respecto a los efectos del servicio sobre
las ventas: Se han cuantificado que de un 5 a un 6% de las variaciones de ventas de un
proveedor tanto positivas como negativas tienen su origen en el desempeño del servicio al
cliente[6].

De igual manera, Blanding encontró que en los mercados industriales tan solo una
disminución del 5% en los niveles de servicio dará por resultado 24% de caída en las compras
de la base de los clientes actuales [7]; esto es una relación clara entre el nivel de servicio y el
efecto que tiene en el nivel de ventas resultante.

Por último, en un estudio de Singhal y Hendricks de 861 compañías que cotizan en la

bolsa se encontró que las fallas en las cadenas de suministros tienen efecto adverso sobre el
precio de las acciones [8]. Cuando una compañía anuncia una anomalía de la cadena de
suministros, como retraso en la producción o en el envío, el precio de las acciones puede caer
inmediatamente 9% y hasta 20% en un periodo de 6 meses. Los seis motivos más comunes de
fallas imprevistas en la cadena de suministros fueron: Escasez de partes, cambios solicitados
por los clientes, lanzamiento de nuevos productos, problemas de producción, problemas de
desarrollo y problemas de calidad.

FIG 1-2 Penalizaciones por las fallas en el servicio al cliente impuestas

por los agentes de compras contra los proveedores

9% 2%

Se rehusó a apoyar la
promoción
16% 29%
Se redujo el volumen del
negocio
Se llamó al vendedor o gerente

Se detuvieron todas las

compras al proveedor
Se descontinuaron artículos

18%
Se rehuso a comprar nuevos
artículos
26%
 9
Fig 1.2 Penalizaciones por las fallas en el servicio al cliente impuestas por los agentes de
compras contra los proveedores. (Original en colores)

La importancia de mantener producto en stock para algunas compañías es de suma

importancia, ya que el costo de dejar una venta no es tan simple como se pudiera identificar;
de aquí se genera las consideraciones de mantener un inventario de seguridad (Safety Stock
SS), esto ha sido identificado y estudiado pues el impacto de dejar una venta va desde el
backorder, aceptación por parte del cliente la sustitución del producto; Corsten y Gruen’s [9]
en su estudio en 2004 con encuestas a mas de 71,000 clientes en todo el mundo, concluyeron
que en un punto de venta de un minorista, un 31% de los clientes, dejaran la tienda para
buscar el artículo en otra tienda y un 9% no harán ninguna compra; estos descubrimientos
equivalen al 40% de perdida en una venta en particular si los artículos buscados no están
disponibles. Este estudio también mostró que alrededor del mundo, aproximadamente el 8%
de las ocasionas se encuentra sin inventario. Esto nos da una idea del nivel de costo que
representaría quedarse sin inventario de un producto en particular que el mercado este
requiriendo.

En base a esto, es necesario contar en la mayor medida con pronósticos; en teoría si

contáramos con un pronóstico 100% exacto se podría lograr un servicio a cliente del 100% y
mantener el ideal de 0 inventario. Sin embargo, una característica natural de los pronósticos es
el hecho de que presentan un cierto grado de inexactitud. Se debe tomar en cuenta que aun
siendo inexactos, toda empresa de debe contar con algún pronóstico que vaya marcando lo
que se irá presentando; pues al no contar con ningún lineamiento se presentarían graves
problemas para poder cumplir los requerimientos del mercado. Maynard Refuse [10] indicó
que si claramente los pronósticos van a generar errores, se deben centrar los esfuerzos en
buscar un sistema Make to Order (MTO), modificando los sistemas de manufactura y
mejorando la flexibilidad y tiempo de respuesta de las cadenas de suministro. Esto debe
buscarse inevitablemente, sin embargo, la necesidad de un pronóstico es absoluta ya que para
poder trabajar en una empresa que no requiera pronósticos tendría que presentar por lo menos
el perfil siguiente:

• El tiempo de entrega que es requerido por los clientes es mayor que el tiempo total de
compra y producción. Es decir, en el momento de recibir la orden de compra, se
cuenta con suficiente tiempo como para comprar la materia prima y manufacturar el
producto.
• La compañía cuenta con la habilidad de aumentar y reducir su capacidad de una
manera my rápida y sin ningún impacto económico para la empresa ni emocional en la
vida del personal.
• Los controladores de la empresa no requieren ninguna planeación financiera ni
presupuesto alguno.

Todo esto, es en la práctica muy difícil de conseguir, por lo que la necesidad de Pronósticos es
evidente en toda empresa.

Con todo esto, los métodos y sistemas actuales han cambiando por mucho la
concepción de los pronósticos a lo largo de los últimos años, desde la inclusión de las
computadoras y el manejo de grandes cantidades de datos, se ha evolucionado mucho en las
técnicas estadísticas y se ha creado mayor conciencia en el proceso de generar pronósticos. Y
 10
todo esto ha tenido su consecuencia en el uso formal de procesos de pronósticos; Larry Lapide
[11] comparó el uso formal del proceso de pronósticos en 1975 y 2001 y encontró que la
mayoría de las empresas en la actualidad revisan sus pronósticos cada mes, comparando
contra una revisión trimestral o mayor que se daba en 1975 en la mayoría de las empresas;
además, se encontró que en las encuestas de 2001 el uso de los pronósticos por parte de la
junta del S&OP (Sales and Operation Planning) y de los controladores de inventario había
aumentado en un 14% comparando con los resultados obtenidos en 1975.

Tanto en el nivel de la planeación estratégica como en la organización, las diferentes

empresas se basan en ciertos supuestos que normalmente tienen su origen en un pronóstico a
partir del cual se genera la información de presupuestos, y se determinan las capacidades, las
ubicaciones, tipo y cantidades de productos y una variedad de decisiones que se hacen
basados en los pronósticos.

En toda empresa, hay alguien que esta desarrollando algún proceso para generar
pronósticos, puede ser directamente los encargados de comprar las materias primas, los
encargados de definir la plantilla de trabajadores o incluso aquellos que desarrollan los
presupuestos; esto puede ser formalmente o en un proceso impreciso, de esta manera el reto es
poder generar buenos pronósticos, y dado que todas las empresas generan en cierta modo
pronósticos, el reto se extiende a generar pronósticos mejores que la competencia; ya que esto
colocará a la empresa con una ventaja competitiva.

Mejores pronósticos permitirán a las compañías dar un mejor servicio a cliente

(cumplir con requerimientos), disminuir inventarios, mejorar el aprovechamiento de los
recursos, trabajar mas cooperativamente con proveedores y a vender más productos. [12] Ya
que se podrá explotar mejor al mercado y cubrir de una manera eficiente sus requerimientos.

Para el correcto uso de los pronósticos es necesario entender la teoría de pronósticos.

En este punto es necesario definir los diferentes niveles en los que los pronósticos son
confiables para los administradores, este punto fue revisado por Fischhoff [13], el cual definió
los siguientes niveles:

1) Primer nivel – En donde se establece la teoría que ofrece una explicación a partir
de un análisis causal.
2) Segundo nivel – Modelos teóricos que cuentan con hipótesis de las relaciones
causales.
3) Tercer nivel – Los modelos computacionales que aproximan las relaciones
causales.
4) Cuarto nivel – Los modelos estadísticos que no ofrecen una causalidad directa,
sino a partir de suposiciones.

Además, los pronósticos deben incluir una explicación clara de cómo y porque fueron
estructurados, así como un estimado de la exactitud de las predicciones, Bunge [14] y Wacker
[15] indican que un buen pronóstico debe incluir definiciones, alcances, explicaciones y
predicciones.

Es importante destacar que en ocasiones, es necesario entender las necesidades propias

del consumidor, los pronósticos deben ser tanto basados en la teoría como en la experiencia,
especifica para los productos y el mercado al que esta dirigido. Makridakis [16] define que la
 11
más importante lección que hemos aprendido en el campo de los pronósticos es que los
modelos que mejor ajustan sobre los datos disponibles, no son necesariamente los más
exactos en las predicciones a partir de esos datos. Es pues de suma importancia, en el análisis
de pronósticos, el estudio de los errores en los pronósticos.

El impacto de los errores en las decisiones estratégicas se ha considerado desde el

comienzo del estudio de la planeación y control de la producción [73], Actualmente se ha
encontrado que la inexactitud en los pronósticos tiene impactos económicos en las empresas
[17], el impacto de los errores en la planeación va desde el riesgo de no poder cumplir con los
requerimientos de los clientes, con todos los costos que eso implica, hasta el tener que
contratar mas mano de obra, modificar la ubicación de alguna instalación, e incluso el
cambiar totalmente el giro de la empresa. Esto no quiere decir, de ninguna manera, que las
empresas deben basar todas sus decisiones en los pronósticos; estudios han demostrado que
en la medida en que las organizaciones pueden reaccionar rápida y eficientemente a los
cambios e imprevistos, aseguran su éxito a lo largo del tiempo [74].

De este modo, el interés en los costos asociados a los errores de los pronósticos ha
motivado estudios acerca de los errores en los pronósticos, existe una basta literatura al
respecto, es por eso que un pronostico debe ser explicito, tener un propósito claro, incluir las
suposiciones en las que se basa, y la relación que busca con las decisiones administrativas.

Los diferentes patrones que puede presentar una demanda específica, se debe tratara de
manera cuidadosa, ya que una técnica para generar pronósticos que sea adecuada para un tipo
especifico de demanda puede dar resultados desastrosos en otro caso en el que la demanda
presente características diferentes.

Es pues de suma importancia en las organizaciones el contar con pronósticos lo mas

certeros posible, que hayan sido generados a partir de la técnica mas adecuada con respecto al
ambiente de ventas que presenta la organización; entenderlos y utilizarlos para distribuir y
administrar los recursos disponibles. Así como, entender las limitaciones de los pronósticos y
considerar las suposiciones en las que se basan, para poder reaccionar de una manera
organizada y eficiente ante posibles efectos fuera de lo normal, con lo cual se pueda asegurar
la permanencia y mejoría del desempeño de las organizaciones.
 12

2. ANTECEDENTES
La importancia de la industria automotriz en México queda en evidencia al visualizar
que la fabricación de equipo de transporte representa 19% del PIB manufacturero en el país,
así mismo, las exportaciones de autopartes representan 12% de las exportaciones totales, el
empleo generado por la industria automotriz representa 13% del empleo manufacturero y los
flujos de inversión extranjera directa en autopartes son 15% del total de los flujos de inversión
extranjera directa destinada a al industria manufacturera [61]. México ocupó en 2008 el 9º
lugar en la producción mundial, solo por debajo de países como Francia, Brasil, India, Corea
del Sur, entre otros, con una producción un poco mayor de dos millones de unidades ligeras y
cerca de ochenta mil unidades pesadas; y con un futuro en el que se considera un fuerte
crecimiento, planeando para 2015 tener el 7º lugar [62]

Con todo esto, la industria de autopartes ha desarrollado un fuerte crecimiento e

importancia, convirtiendo a México junto con Canadá en los principales proveedores de
autopartes, tomando parte de la región NAFTA [63]

Actualmente las empresas están pasando por un proceso de alta competencia, lo cual
demanda esfuerzos extraordinarios no solo para lograr un crecimiento sino para mantener la
posición económica en el mercado que ya se ha logrado. Dentro de este proceso de desarrollo
continuo, las empresas han incursionado en diferentes técnicas y métodos para aumentar sus
ventas, su productividad y su eficiencia; sin embargo, en ocasiones las organizaciones
invierten en proyectos que no dan los resultados esperados y terminan desperdiciando los
recursos, debido a una mala planeación basada en supuestos que no se cumplieron en la
realidad [12].

La situación del sector automotriz a nivel mundial esta pasando por un proceso más
que difícil, tal como lo se pone en evidencia con las bajas en ventas de las grandes armadoras,
para agosto de 2008 las ventas de Ford habían caído un 20.4%, afirmó James D Farley,
Director de Marketing de Ford [18], debido a las débiles condiciones económicas y los
problemas crediticios de los consumidores. Incluso la todopoderosa Toyota resiente la baja en
las ventas, para agosto 2008, las ventas en Japón habían caído un 14.9%, informó la agencia
EFE [19]; más critica es la situación en el mercado automotriz de España donde se desplomó
41.3% el mercado automotriz [20]; esta situación general ha afectado en gran medida a los
proveedores y productores de autopartes, el gigante de autopartes Delphi Corp. Está
hundiéndose cada vez más, generando dudas sobre su capacidad para sobrevivir como una
compañía independiente [21]. Sin embargo, la situación mundial ha traído un beneficio a la
producción nacional en México, pese a la caída del mercado de automotores en USA, las
exportaciones automotrices de México hacia ese país ascendieron durante el primer semestre
de 2008, monto que representa un crecimiento de 9.7% con respecto al mismo periodo de
2007 [22].

De acuerdo al documento del Fondo Monetario Internacional “Perspectivas de la

economía mundial”: Sustentar la recuperación , la salida de la actual crisis podría ser difícil y
lenta y seguramente requerirá de intervención gubernamental adicional contracíclica para
alcanzar la recuperación: “Tras una profunda recesión mundial, el crecimiento económico ha
 13
entrado en terreno positivo gracias a extensas intervenciones públicas que apuntalaron la
demanda y alejaron la incertidumbre y el riesgo sistémico en los mercados financieros. La
recuperación seguramente será lenta… Pese a los déficits ya grandes y a la creciente deuda
pública de muchos países, será necesario mantener el estímulo fiscal hasta que la recuperación
se afirme y posiblemente ampliarlo o prolongarlo más allá de lo actualmente planificado si se
hacen realidad los riesgos a la baja para el crecimiento.¨ [64]

La demanda en México continúa contraída, resultado de la incertidumbre que el

consumidor tiene respecto al futuro de la economía y de sus propias finanzas. El índice de
confianza del consumidor en México, de acuerdo al Banco de México, en septiembre de 2009
se ubicó 7.6% por abajo del mismo mes del año anterior. Destaca la disminución en el
componente que mide las posibilidades actuales de adquirir bienes durables, el cual tuvo en
septiembre una reducción de 25.7% respecto al año anterior [65].

El problema a resolver incluye un proceso de análisis de información para generar

pronósticos de una empresa del giro autopartes, que fabrica juntas, es decir sellos para
diferentes aplicaciones en el ramo automotriz. Esto implica alrededor de mil productos en
venta, con comportamientos muy disímiles; lo cual conlleva a la organización a tener graves
problemas en el desarrollo logístico del abastecimiento de materias primas para el
cumplimiento de los requerimientos de los clientes, y como consecuencia se tiene una gran
cantidad de materias primas innecesarias y al mismo tiempo se presentan una buena cantidad
de procesos urgentes para el abastecimiento de materias primas que no se tienen en existencia.

2.1 CONTEXTO DE LA EMPRESA.

La empresa sobre la cual se esta desarrollando este estudió es una empresa del sector
autopartes y que actualmente forma parte de uno de los grupos corporativos mas importantes
dentro del desarrollo nacional.

Las áreas de negocios del grupo constituyen y mantienen su fortaleza a través de 11

unidades de estratégicas de negocios ubicadas en la República Mexicana, Estados Unidos y
España. Cuenta con 13,000 persona aproximadamente, con amplia experiencia en el manejo
de los negocios de consumo e industriales así como de servicios corporativos.

Es precisamente a una de estas unidades estratégicas de negocios a la que pertenece la

empresa, la cual es una empresa que se encuentra en operación desde 1952 y esta dedicada a
la producción de juntas, sellos y materiales de sellado; es la empresa líder en el mercado de
repuesto en México con presencia en los mercados de Estados Unidos, Venezuela, Colombia,
España y Bélgica; actualmente cuenta con alrededor de 300 empleados.
 14

Fig. 2.1 Imagen explosionada del motor de combustión interna.

Los productos desarrollados en la empresa son muy variados, lo cual le da una

estructura de flexibilidad y versatilidad, pues se desarrollan una gran variedad de productos
como son juntas de cabeza, juntas para múltiples de escape y admisión, juntas para Carter,
juntas para tapa de punterías, sellos de válvula, retenes (o sellos radiales) juntas para bomba
de agua, anillos de escape, juntas para la tapa de distribución y todas las juntas en general; el
diagrama 3.1 muestra la imagen explosionada de un motor de combustión interna, donde se
pueden observar los diferentes tipos de productos que se utilizan para el sellado del motor.

Esta diversidad de productos conlleva a la diversidad de procesos productivos

utilizados en la empresa, que son desde mezclado de materiales, calandreado, corte,
combinado de materiales, troquelado, engargolado, planchado, aplicación de serigrafía, corte
por láser, moldeado de piezas de hule y termoplásticos, etc. Todo esto lleva a la empresa a
tener un catálogo de productos en venta de por arriba de los 3000 números de parte.

Su mercado de aplicación esta dividido en el mercado de repuesto nacional, materiales

de sellado nacional (MAT), piezas dentro de la cadena de suministro de equipo original
nacional (EO) y exportación (EXP); el enfoque de este estudio excluye el mercado de
repuesto nacional, debido a la naturaleza del mismo. Tanto el mercado de exportación, como
el de materiales y equipo original están bajo un sistema MTO, lo cual indica que las ventas
coinciden directamente con los requerimientos de los clientes, esto es la demanda del mismo;
esto viene unido a que la empresa ha presentado un nivel de servicio de 100% a costa de un
alto valor de inventario.

Con la caída del mercado automotriz internacional, las ventas de exportación han
caido hasta 52% por debajo de lo presupuestado, mientras que las ventas a mercado de
original solo presentan bajas del 20% en promedio. Esto ha implicado, sin embargo, una
 15
reducción en la plantilla de la planta; y se teme, que el mercado presente una reacción de
mejora y se tenga que recontratar personal.

Actualmente se maneja en la empresa un sistema ERP en el que se mantienen todos

los datos con los que opera la misma, es precisamente de aquí desde donde se obtendrán los
datos para su análisis y procesamiento.

Los pronósticos generados serán utilizados tanto para el estudio financiero de

presupuestos, como para el aprovisionamiento de materias primas y las consideraciones
necesarias de equipamiento y mano de obra necesarias; utilizando únicamente el pronóstico
generado por el método seleccionado, en lugar de los diferentes pronósticos generados
informalmente en cada área.
 16

3. PLANTEAMIENTO DEL PROBLEMA

Todo proceso de logística de abastecimiento que no es planeado adecuadamente trae

consigo un costo relacionado, actualmente la organización cuenta con un valor de inventario
de materias primas de alrededor de 20 millones de pesos, inventario en proceso por 10
millones de pesos, y inventario de producto terminado por 25 millones de pesos, junto con los
costos de manejo de inventario, dando un total de 55 millones de pesos de inversión promedio
en inventarios. Así mismo, al analizar el costo de fletes urgentes, se encuentra que la
organización esta gastando mensualmente en promedio alrededor de $ 25,000.00 y en gastos
de tiempo extra alrededor de $ 70,000.00. Todo esto puede ser optimizado por medio de la
aplicación correcta de pronósticos de ventas, con la finalidad de hacer una distribución
adecuada de los recursos de la empresa; ya que al contar con una planeación basada en
pronósticos se pueden generar políticas de inventarios más adecuadas.

Actualmente la empresa, no cuenta con ningún proceso formal para generar

pronósticos, aquellos que necesitan indagar sobre el futuro lo hacen de manera informal y
cada quien por separado, lo que ha causado mantener diferentes puntos de vista sobre los
“pronósticos” planteados desde finanzas, programación, ventas e incluso recursos humanos.

El personal de programación, basándose en un cierto nivel de experiencia histórica se

prevé en la compra de materias primas, buscando el cubrir los requerimientos de los clientes,
en este punto es importante destacar que se cuenta con algunas materias primas cuyo tiempo
de entrega excede los 3 meses. Por lo que partir de indagar en el futuro es obligatorio. El área
de venta, genera un programa de ventas basado en alguna estrategia particular y genera un
pronóstico, mientras finanzas desarrolla el presupuesto atendiendo los requerimientos de los
directivos. Esto conlleva a tener varios pronósticos según la necesidad, sin tener un consenso
general y normalmente se detectan discrepancias.

Este desarrollo de pronósticos se usará para lograr desarrollar una estructura de toma
de decisiones que genere una política de abastecimiento que pueda operar cubriendo los
niveles de servicio deseados utilizando el nivel óptimo de inventario.

El problema radica en el diseño de un método de generación de pronósticos que

cumpla con los requerimientos de todos los posibles usuarios en la planta, y que tenga
exactitud, sin implicar una inversión que no pueda ser cubierta por el proyecto mismo; con la
finalidad de llevar los inventarios a un nivel optimo, es decir los mínimos necesarios.

Por lo que al generar un buen método de generación de pronósticos, se busca el lograr

mantener el nivel de servicio a cliente actual (100%) pero reduciendo de manera significativa
los niveles de inventario, gastos por cambio de capacidad y costos de acelerar envíos de
materiales.

La respuesta preliminar a este planteamiento nos lleva a considerar los diversos

métodos de generación de pronósticos de uso común, incluyendo la revisión de los diferentes
softwares con aplicación especificas en este tema. Siguiendo una línea de investigación
podremos descubrir que las últimas tendencias en el desarrollo de pronósticos están
 17
precisamente en la complejidad en la que se están desarrollando los softwares. Además de los
métodos administrativos para lograr captar la atención de los directivos en los pronósticos
como base para la toma de decisiones [23].

De este modo, se debe considerar la integración de la cadena de suministros, es decir

clientes y proveedores, en el desarrollo de los pronósticos, considerar las afectaciones que
pueden llegar a tener las diferentes áreas de la organización por tomar ciertas políticas

3.1 OBJETIVOS Y LIMITACIONES

Esta investigación pretende generar un método que cumpla con las necesidades de la
empresa y con las condiciones de demanda específicas del mercado que atiende, para generar
los pronósticos de venta detallados para cada producto, tanto para el análisis de estrategias y
políticas de inventarios, como para el estudio de capacidades y presupuestos de inversión

El objetivo particular es evaluar varios métodos de generación de pronósticos para la

demanda en estudio,.comparando sus resultados individuales y evaluando su costo de
desarrollo contra el valor agregado que dan a los pronósticos.

Igualmente se identificaran las limitantes en el uso de pronósticos y entendimiento

sobre el utilizar una técnica de pronósticos inadecuada, para los procesos establecidos.

Las limitaciones principales del estudio radican a la aplicación práctica de la

metodología en una empresa de la rama automotriz, para la línea de productos con sistema de
producción MTO, tanto para corto como mediano plazo. Esto quiere decir que se estarán
analizando alrededor de 1000 productos con diferentes espectros de series de tiempo de
demanda para hacer uso de pronósticos a uno o doce periodos adelante del periodo actual.

Estos pronósticos generados, serán utilizados para el desarrollo de la estructura de

toma de decisiones que incluyen puntos relativos al aprovisionamiento como son el cuando y
cuanto comprar, inclusive cuando y cuanto producir, además, puntos relativos a las
inversiones y capacidades para determinar la capacidad necesaria tanto en instalaciones,
maquinaria y mano de obra.
 18

4. MARCO TEÓRICO

Un Pronóstico es una estimación de una demanda futura. Un pronóstico puede ser

construido utilizando métodos cuantitativos, métodos cualitativos, o una combinación de
métodos, y puede ser basado en factores extrínsecos (externos) o intrínsecos (internos). Varias
técnicas de pronóstico intentan predecir uno o más de los cuatro componentes de la demanda:
tendencia, ciclo, aleatoriedad y estacionalidad [24].

Los pronósticos de futuras demandas son esenciales para tomar decisiones en la

cadena de suministro, en sí el pronóstico de la demanda forma las bases de la planeación en la
cadena de suministro.

De este modo, la planeación y el control de las actividades de logística y de la cadena

de suministros requieren estimados precisos de los volúmenes de producto y de servicio que
serán manejados por la cadena de suministros. Sin embargo, por lo regular no es
responsabilidad única de quien esta al frente de la logística el generar los pronósticos
generales de las empresas. Es más probable que esta tarea se asigne a marketing, planeación
económica o a un grupo especialmente conformado. Bajo ciertas circunstancias, en particular
en la planeación de corto plazo, como el control de inventarios, la magnitud de los pedidos o
la programación del transporte, el responsable de la logística con frecuencia enfrenta la
necesidad de asumir la labor de generar este tipo de información. Por ello, este capítulo es una
visión general de las técnicas de pronóstico que se utilizaran para la planeación y control de la
logística.

4.1 ANÁLISIS DE DATOS.

El desarrollo actual de las empresas, bajo un enfoque globalizado exige un crecimiento

en procesos y complejidad, efecto que contrae el manejo de una gran cantidad de datos e
información que necesariamente deben ser procesadas mediante técnicas o sistemas de apoyo
que las vuelvan manejables, para poder utilizar esta información y traducirla en un verdadero
soporte para la toma de decisiones y generar estrategias.

Los datos se refieren generalmente a situaciones reales, y se representan por medio de

símbolos. Al ser interpretados, adquieren un significado, y a éste se lo puede llamar
información. No es posible obtener información del conjunto de datos disponibles sin conocer
el contexto en el cual éstos adquieren un significado: es el contexto el que le confiere
significado a los datos. La información no es pues un conjunto de datos cualquiera, Es más
bien una colección de hechos significativos y pertinentes, para el organismo u organización
que los percibe. La definición de información es la siguiente: Información es un conjunto de
datos significativos y pertinentes que han sido interpretados y que cubren las necesidades de
los gerentes de las empresas [24].

Quien cuente con más y mejor información, tiene mayores posibilidades de sobrevivir,
da igual que se trate de un organismo biológico, una empresa o un país, la información
 19
representa el poder tomar las decisiones correctas que pueden representar el continuar o no
con ciertos negocios.

4.1.1 LA LEY DE PARETO

El problema logístico de cualquier empresa es el total de problemas individuales de los

productos. La línea de productos de a típica empresa está conformada por artículos
individuales en diferentes etapas de sus respectivos ciclos de vida y con diferentes grados de
éxito de ventas. En cualquier punto del tiempo, esto crea un fenómeno de productos conocido
como la curva 80-20, concepto particularmente valioso para la planeación logística.

Después de observar los patrones de productos en muchas empresas, el concepto 80-

20 se deriva de que el volumen de ventas es generado por relativamente pocos productos en la
línea de productos, y del principio conocido como la ley de Pareto1. Es decir, 80% de las
ventas de una empresa se genera por 20% de los artículos de la línea de productos. Rara vez
se observa una relación exacta 80-20, pero la desproporcionalidad entra las ventas y el
número de artículos por lo general es verdadera.

El concepto 80-20 es particularmente útil para planear la distribución cuando los

productos se agrupan o clasifican según su actividad de ventas. El primer 20% podría llamarse
A, el 30% siguiente B y el restante artículos C. Este tipo de clasificación ha encontrado
amplia aceptación en la industria manufacturera y en particular en la industria automotriz,
donde es común direccionar los recursos a los artículos tipo A o AA.

Otro uso frecuente del concepto 80-20 y de la clasificación ABC es agrupar los
productos en un almacén, u otro punto de venta, en un número limitado de categorías donde
luego son manejados con diferentes niveles de disponibilidad de existencias. Las
clasificaciones de los productos son arbitrarias. El hecho es que no todos los productos
deberían recibir el mismo tratamiento logístico. El concepto 80-20 (con cuna clasificación
resultante de productos) proporciona un esquema, basado en la actividad de ventas, para
determinar los productos que recibirán los diferentes niveles de tratamiento logístico.

4.1.2 SISTEMA LOGÍSTICO DE INFORMACIÓN

Un sistema logístico puede describirse en términos de funcionalidad y de su operación

interna. Como ya se ha mencionado el propósito principal de reunir, retener y manipular datos
dentro de una empresa es la interpretación para obtener información y llegar a una adecuada
toma de decisiones, desde las estratégicas hasta las operativas, y facilitar las transacciones del
negocio. Gracias al desarrollo de la informática y al mayor espacio en la memoria de las
computadoras, computadoras más rápidas, acceso cada vez mayor a la información de toda la
organización mediante sistemas de información empresarial (como SAP y MfgPro) y las
plataformas mejoradas para la trasmisión de información, como EDI e Internet, han creado
para las empresas la oportunidad de compartir información de manera conveniente y barata
por toda la cadena de suministros. Con esto se obtiene el beneficio de suministrar información
a tiempo y de manera comprensible dentro de la empresa, así como los beneficios de
1
La curva 80-20 fue observada por primera vez por Vilfredo Pareto en 1897, durante un estudio sobre la
distribución del ingreso y la riqueza en Italia. Concluyó que un gran porcentaje del ingreso total estaba
concentrado en las manos de un pequeño porcentaje de la población, en una proporción de casi 80 a 20%,
respectivamente. La idea general ha hallado amplia aplicación en los negocios.
 20
compartir información adecuada entre otros miembros del canal, ahora son posibles
operaciones logísticas más eficientes. Esto ha llevado a las compañías a pensar en la
información con propósitos logísticos como un sistema logístico de información. [25]

Este sistema logístico de información debe ser lo suficientemente comprensible y

capaz como para permitir la comunicación, no sólo entre las áreas funcionales de le empresa,
sino también entre los miembros de la cadena de suministros. Compartir información
seleccionada sobre ventas, envíos, programas de producción, disponibilidad de existencias,
estado del pedido y similares, con vendedores y compradores, tiene el valor de reducir las
incertidumbres por toda la cadena de suministros, con lo que los usuarios encuentran maneras
de beneficiarse de la disponibilidad de información.

4.2 DEMANDA Y PRONÓSTICOS

El entendimiento de la naturaleza de los pronósticos representa en gran medida el

éxito en la generación y análisis de pronósticos, pues de esto depende la técnica que se
utilizará para su generación. Por este motivo es de suma importancia el definir el tipo de
pronóstico y su finalidad, de este modo se tendrá que definir consideraciones de tiempo,
dependencia y aleatoriedad.

Al hacer un estudio de pronosticas necesariamente se debe partir de un entendimiento

profundo de la demanda, ya que del entendimiento de la misma para cada caso particular
dependerá la aplicación de la correcta técnica y de amenorar posibles errores en el calculo del
pronostico. La demanda es una necesidad de un producto o componente particular. La
demanda puede provenir de cualquier origen (ordenes de cliente o pronósticos, un
requerimiento de alguna planta hermana, un requerimiento de almacén para una parte de
servicio, etc.). En el nivel de producto terminado, los datos de demanda son usualmente
diferentes de los datos de ventas debido a que la demanda no necesariamente culmina en una
venta (por ejemplo, si no hay stock no habrá venta), existen generalmente cuatro componentes
de de la demanda: tendencia, ciclo, aleatoriedad y estacionalidad [24].

También debe entenderse la naturaleza del sistema de producción, actualmente se

reconoce el sistema PUSH, como el procesamiento de productos de acuerdo a un programa
planeado en forma adelantada; y el sistema PULL, como el procesamiento de productos
únicamente cuando es demandado para uso o para remplazar aquellas que fueron usadas [24].
De este modo en un sistema PUSH se esta fabricado para tener un inventario (MTS por sus
siglas en ingles, make to stock) en este caso se debe planear el nivel de actividad de
producción, transporte, todas las actividades; y en un sistema PUSH se fabrica para la venta
(MTO por sus siglas en ingles, make to order) en este caso se debe planear el nivel de
capacidad disponible y de inventario, pero no la cantidad a ser realizada; para ambos casos lo
primero que hay que hacer es pronosticar cuál será la demanda.

4.2.1 COMPONENTES DE UNA SERIE DE TIEMPO

Una serie de tiempo consiste en datos que son recolectados en incrementos sucesivos
de tiempo. Se compone en general de cuatro componentes que son:

• Componente tendencia, considera el cambio gradual en la serie de tiempo sobre un

largo periodo de tiempo.
 21
• Componente ciclo, cualquier patrón de secuencias de valores por arriba o debajo de la
línea de tendencia es atribuible a este componente de las series.
• Componente estacionalidad, considera patrones regulares de variabilidad dentro de
ciertos periodos de tiempo, por ejemplo un año.
• Componente aleatoriedad, es causada en un corto tiempo, no es posible anticiparla y
no presenta factores recurrentes, en este caso no es posible predecir el impacto en la
serie de tiempo con anticipación.

4.2.2 DEMANDA ESPACIAL Y DEMANDA TEMPORAL

Tiempo o temporal se refiere a los niveles de demanda comunes en los pronósticos. La

variación de la demanda en el tiempo es resultado del crecimiento o declinación de los índices
de ventas, variación estacional del patrón de demanda, así como de las fluctuaciones generales
ocasionadas por múltiples factores. La mayor parte de los métodos de pronósticos a corto
plazo se relacionan con este tipo de variación temporal, a menudo denominada como series de
tiempo.

La logística tiene tanto dimensiones de espacio como de tiempo. Es decir, el

responsable de la logística deberá saber donde tendrá lugar el volumen de demanda y cuando
lo hará. Se necesita localización espacial de la demanda para planear la ubicación del almacén
equilibrar los niveles de inventario a través de la red de logística y asignar geográficamente
recursos de trasportación. Las técnicas de pronóstico deberán seleccionarse para reflejar las
diferencias geográficas que puedan afectar los patrones de demanda. Las técnicas también
pueden diferir, dependie3ndo de que toda la demanda sea pronosticada y luego desagrupada
por ubicación geográfica (pronostico de arriba hacia abajo), o si cada ubicación geográfica es
pronosticada en forma individual y luego agrupada, si es necesario (pronostico de abajo hacia
arriba).

4.2.3 REGULARIDAD DE LA DEMANDA

Los responsables de la logística acomodan los productos en grupos para diferenciar

niveles de servicio entre ellos o simplemente para manejarlos de forma distinta. Estos grupos
y los artículos individuales dentro de ellos forman distintos patrones de demanda en el
tiempo. Cuando la demanda es “regular”, típicamente podrá representarse por alguno de los
patrones generales. Los cuales podrían descomponerse en componentes de tendencia,
estacionales y aleatorios. En tanto las variaciones aleatorias sean una pequeña porción de la
variación restante en la serie de tiempo, se obtendrá en general un adecuado pronóstico a
partir de los procedimientos de pronóstico tradicionales.

Cuando la demanda para los artículos es intermitente, debido a un bajo volumen

general y a un alto grado de incertidumbre en cuanto al momento y la cantidad en que se
presentará el nivel de demanda, se dice que la serie de tiempo es desproporcionada o irregular.
Este patrón a menudo se presenta en los productos que se están introduciendo o retirándose de
la línea de productos, demandados por relativamente pocos clientes, divididos entre muchas
ubicaciones de inventario y de manera que la demanda en cada ubicación es baja o es
derivada de la demanda por otros artículos. Tales patrones de demanda son particularmente
difíciles de pronosticar utilizando las técnicas más populares. Sin embargo, debido a que tales
 22
artículos representan hasta el 50% de los productos que las empresas manejan, representan un
problema especial de pronóstico de la demanda para el responsable de la logística.

4.2.4 DEPENDENCIA DE LA DEMANDA.

La naturaleza de la demanda puede diferir en gran medida, dependiendo de la

operación de la empresa para la cual el responsable de la logística debe planear. Por un lado,
la demanda es generada por parte de muchos clientes, la mayoría de los cuales adquieren en
forma general solo una fracción del volumen total distribuido por la empresa. Se dice que esta
demanda es independiente. Por otro lado, la demanda es derivada a partir de los
requerimientos específicos en un programa de producción, y se dice que esta demanda es
dependiente. Por ejemplo, el número de llantas nuevas que se ordenaran a un proveedor será
un múltiplo del número de automóviles nuevos que el fabricante construirá. Esta diferencia
fundamental ocasiona formas alternativas en las que los requerimientos se pronostican.

Cuando la demanda es independiente, los procedimientos de pronósticos estadísticos

funcionan bien, la mayoría de los modelos de pronósticos de corto plazo están basados en
condiciones de independencia o aleatoriedad en la demanda. En contraste, los patrones de
demanda derivada son altamente sesgados y no aleatorios. El entendimiento de estos sesgos
remplaza la necesidad de pronosticar, ya que la demanda se conoce con certeza.

El pronóstico de los requerimientos mediante el procedimiento de demanda derivada

da por resultado pronósticos perfectos en la medida en que la demanda del producto final se
conozca con certeza. Este tipo de procedimiento es un buen ejemplo de la forma como el
pronostico se mejora mediante el reconocimiento de sesgos, regularidades y patrones
sistemáticos que se presentan en la demanda en el tiempo. Cuando las causas para la variación
de la demanda se desconocen y son resultado de muchos factores, se presenta la aleatoriedad.
Para el que se utilizan procedimientos estadísticos.

4.3 CARACTERÍSTICAS DE LOS PRONÓSTICOS

Los pronósticos son una parte esencian en toda empresa, estos ayudan a la generación
de información en presupuesto, capacidad de planta, planeación de inventarios,
requerimientos de materia prima y necesidades de trasporte; estos pronósticos conllevan
ciertas características y limitaciones:

• Ambigüedad, los pronósticos están siempre equivocados. Estos deben incluir el

valor esperado de los pronósticos y la medida del error, aun cuando se encuentre
un producto, mercado y método de pronóstico lo suficientemente estable, el futuro
resulta ambiguo y existe un error factible.
• Inmodestia, no reconocer los límites de los pronósticos. Los pronósticos a largo
término son menos precisos que los pronósticos de corto término y son
precisamente estos en los que se basan en mayor medida las decisiones estratégicas
en la planeación de los recursos.
• Irrelevancia, no ofrecer pronósticos que estén dirigidos a las necesidades de la
cadena de suministro y por consecuencia a las necesidades de los clientes. Los
pronósticos agregados son usualmente más precisos que pronósticos desagregados,
entre más alejados están los componentes de la cadena de suministro mayor es la
 23
distorsión de la información que se recibe; el efecto látigo es un ejemplo de esto,
las ordenes son amplificadas como las ordenes se mueven del consumidor final
hacia el fabricante. Como resultado, entre más alejados los componentes de la
cadena mayor es el error de pronostico.
• Inertes, no colocar a los pronósticos en un contexto de decisión útil, el objetivo
general de los pronósticos es la toma de decisiones y deben incluir el contexto de
las decisiones que se desean tomar [26].

4.3.1 EL AMBIENTE DE DECISIÓN Y LA FUNCIÓN DE PERDIDAS

Los pronósticos no se hacen en una isla. La clave para generar pronósticos buenos y
útiles es reconocer que se hacen para guiar las decisiones. El enlace entre los pronósticos y las
decisiones parece obvio, pero vale la pena razonar profundamente sobre este asunto. Los
pronósticos se emiten en una amplia variedad de situaciones; sin embargo, en cada caso
además auxilian en la toma de decisiones. Los buenos pronósticos, sencillamente ayudan a
tomar buenas decisiones. El reconocimiento y la conciencia del ambiente de toma de
decisiones es la clave del buen diseño, uso y evaluación de los modelos de pronósticos.

Para cada problema de toma de decisiones hay una estructura de pérdidas asociadas;
por cada par de decisión resultado hay una pérdida asociada. Se puede imaginar que la
pérdida asociada con la decisión correcta es cero, y que las decisiones incorrectas conducen a
pérdidas positivas. Cuanto más se aparta la decisión elegida de la decisión correcta, mayor
será la pérdida.

Se debe considerar que los pronósticos se emiten para ayudar a guiar decisiones. Así,
la estructura de pérdidas asociada con determinada decisión induce una estructura similar de
pérdidas con los pronósticos sobre los que se basa esta decisión.

Si consideramos el error del pronóstico (e) como la diferencia entre la demanda real y
la demanda pronosticada, se considera que las funciones de pérdida tienen la forma L(e). Esto
quiere decir que la pérdida asociada con un pronóstico sólo depende del tamaño del error de
pronóstico. Son tres los requisitos mínimos que satisfacen la mayoría de las funciones de
pérdida más razonables y que tienen la forma L(e):

1. L(0) = 0. Esto es, no se incurre en pérdida cuando el error de pronóstico es cero. Un

error de pronóstico igual a cero corresponde a un pronóstico perfecto.
2. L(e) es continua. Es decir, los errores casi idénticos de pronósticos deben producir
pérdidas casi idénticas.
3. L(e) aumenta a medida que también aumenta el valor absoluto de e. Es decir, cuanto
mas grande sea el tamaño del error, mayor será la pérdida.

Una determinada función de pérdida simétrica muy importante en la práctica porque

con frecuencia es una aproximación adecuada a las estructuras realistas de pérdida y porque
matemáticamente es cómoda, es la siguiente:

L (e) = e 2 (4-1)
 24
A está se le llama pérdida cuadrática o pérdida de error al cuadrado, obsérvese que debido a la
elevación al cuadrado asociada con la pérdida cuadrática, los errores grandes son mucho más
costosos que los pequeños. En forma equivalente, las pérdidas aumentan con índices cada vez
mayores a cada lado del origen.

Figura 4.1. Función de pérdida cuadrática.

Con esta gráfica es fácil entender el porque es importante considerar diferentes

entradas para la evaluación de los pronósticos, la exactitud de los pronósticos de ventas es
principalmente determinada por los costos de inventarios, niveles de servicio, eficiencia en la
programación y uso de recursos humanos, y otros indicadores de rendimiento operacional.
[27], Una vez que la distribución de una demanda realista para un producto específico es
establecida, se pueden determinar los niveles de servicio y de inventarios, por lo que una falla
en la determinación de la demanda ocasionará bajos niveles de servicio a clientes y altos
niveles de un inventario inadecuado [28].

Llevar a cabo estudios en referencia a los costos implicados con malos pronósticos
dará mejores resultados, ya que el interés principal de cualquier corporación es el desarrollo
del negocio; algunos estudios, demuestran que no necesariamente se obtiene el mejor costo
con los índices tradicionales [29].

4.3.2 EL OBJETO DEL PRONÓSTICO

Existen muchos objetos que se podrían pronosticar. En los negocios y en la economía,

el objeto del pronóstico, por lo regular, es de una de tres clases: resultado del evento, tiempo
del evento o serie temporal [66].

• Resultado de evento: son aquellos pronósticos para los casos en los que hay la certeza
de que un evento ocurrirá en un determinado momento, pero es incierto el resultado de
ese evento.
• Tiempo de evento: son los pronósticos para cuando se sabe que sucederá un evento y
se conoce el resultado, pero se desconoce el momento en que sucederá.
• Serie de tiempo: Estos pronósticos implican la proyección, a futuro, de la serie de
tiempo de interés.

Son muchos los modos de formar esos pronósticos, pero el entorno básico de ellos no
cambia mucho. Se basan en la historia de una serie de tiempo y se desea proyectar a futuro los
valores de la serie. Existen por lo menos dos razones por las que los pronósticos de serie de
 25
tiempo son lo que se encuentran con más frecuencia en la práctica [66]: la primera es que la
mayoría de los datos comerciales, económicos y financieros son series temporales; con
frecuencia se presenta el escenario general de proyección de una serie en el futuro, para la
cual se cuenta con datos históricos. En segundo lugar, la tecnología para establecer y evaluar
pronósticos de serie de tiempo está bastante bien desarrollada, y en este caso el escenario
normal de pronóstico es suficientemente preciso, de tal modo que los pronósticos de serie
temporal se pueden determinar y evaluar en forma rutinaria.

En último término, el objeto por pronosticar es una serie de datos de una u otra forma,
y la cantidad disponible de datos tienen implicaciones importantes en la manera en que se
construyen los modelos de pronósticos. La calidad de los datos también repercute en la
construcción de modelos de pronóstico. Así, a veces los datos de serie temporal tienen saltos
de observaciones: pueden no existir datos en ciertos momentos o se pueden haber perdido, o
no se anotaron por accidente. De una u otra forma esos defectos se deben tomar en cuenta en
la elaboración de modelos de pronóstico. En igual forma, cuando se pronostican múltiples
series, además de tener observaciones internas faltantes, pueden tener distintas fechas de
inicio y final. Las observaciones extraordinarias se deben a errores de registro o tan solo a
circunstancias fuera de lo común, que a veces se presentan y hay que manejarlas.

4.3.3 EL ENUNCIADO DEL PRONÓSTICO

Cuando se hace un pronóstico se debe decidir si consistirá en (1) un solo número, es

decir un pronóstico puntual; (2) un conjunto de números, del cual se espera que esté el valor
futuro en determinado porcentaje de veces, es decir un pronóstico de intervalo; o (3) toda una
distribución de probabilidades del valor futuro, es decir un pronóstico de densidad. En
resumen, se debe decidir el tipo de pronóstico.

Un pronóstico puntual es un solo número, se elaboran en forma rutinaria en muchas

aplicaciones, y los métodos para generarlos varían desde simples hasta complejos. Un buen
pronóstico puntual proporciona una guía sencilla y fácil de comprender el futuro de una serie
de temporal. Sin embargo, los eventos aleatorios e imprescindibles afectan toda la serie que se
esté pronosticando. Como resultado de esos eventos se espera que los errores de pronóstico
sean distintos de cero, aun en pronósticos muy buenos. En consecuencia, se desea conocer el
grado de confianza que se tiene con determinado pronóstico puntual. En otras palabras, se
desea conocer cuánta incertidumbre está asociada con determinado pronóstico puntual;
incertidumbre que sugiere la utilidad de un intervalo de pronóstico.

Un pronóstico de intervalo no es un solo número; más bien es un intervalo de valores,

dentro del cual se espera que esté el valor realizado de la serie con cierta probabilidad [30].
En los pronósticos de intervalo, el tamaño o longitud de los intervalos proporciona
información acerca de la incertidumbre del pronóstico. Además, los pronósticos de intervalo
proporcionan más información que los pronósticos puntuales, dado un pronóstico de
intervalo, se puede establecer un pronóstico puntual en el punto intermedio del intervalo.

Por último, los pronósticos de densidad, el cual expresa toda la densidad o distribución
de probabilidad del valor futuro de la serie de interés. En este caso las distribuciones
proporcionan mas información que los de intervalo, porque dada una densidad se establecen
con facilidad los pronósticos de intervalo con cualquier nivel de confianza que se quiera.
 26
De este modo, se puede identificar a los pronósticos de densidad como los que
presentan mayor información y por consecuencia los mas útiles, sin embargo, en la practica
los que son mayormente utilizados son los pronósticos puntuales, esto se explica debido al
esfuerzo y costo necesario para generar un pronóstico de densidad que incluye mas
suposiciones estadísticas.

4.3.4 EL HORIZONTE DEL PRONÓSTICO

El horizonte del pronóstico se define como la cantidad de periodos entre hoy y la fecha
del pronóstico que se elabora. El significado de una etapa depende de la frecuencia de
observación de los datos. Para los datos mensuales, una etapa es de un mes; para los datos
trimestrales es de un trimestre y así sucesivamente. En general, se habla de un pronóstico de h
etapas a futuro, para el cual el horizonte h está a discreción del usuario.

El horizonte tiene importancia cuando menos por dos razones. La primera, natural, el
pronóstico cambia cuando cambia su horizonte. La segunda, el mejor modelo de pronóstico
cambia, con frecuencia, también con el horizonte de pronóstico. Todos los modelos de
pronóstico son aproximaciones a las pautas dinámicas subyacentes en la serie que se
pronostica; no hay razón por la cual la mejor aproximación para cierto fin sea igual que la
mejor aproximación para otro fin.

4.3.5 EL CONJUNTO DE INFORMACIÓN

La calidad de los pronósticos está limitada por la calidad y la cantidad de información

disponible cuando se elaboran. Todo pronóstico depende de la información con la que se crea,
sea en forma explícita o implícita.

La idea de un conjunto de información es fundamental para formar buenos

pronósticos. Para pronosticar una serie y con datos históricos desde el tiempo 1 hasta el
tiempo T, se usa en ocasiones el conjunto univariado de información, conjunto de valores
históricos de y hasta el presente. En ocasiones se utiliza un conjunto multivariado, don de se
incluyen variables adicionales relacionadas potencialmente con y. Sea cual sea el caso,
siempre es importante considerar con detenimiento cuál es la información disponible, qué
información adicional podría recopilarse o encontrarse, la forma de la información, etcétera.

La idea de un conjunto de información también es básica para evaluar los pronósticos.

Al hacerlo, a veces interesa saber si se pueden mejorar usando con más eficiencia
determinando conjunto de información, y a veces interesa saber si el pronóstico se puede
mejorar si se recurre a más información. En cualquier caso, las ideas de información y
conjuntos de información desempeñan un papel fundamental en los pronósticos.

4.3.6 LOS MÉTODOS Y LA COMPLEJIDAD, EL PRINCIPIO DE LA

PARSIMONIA Y EL PRINCIPIO DE CONTRACCIÓN

Adecuar los medios de pronóstico a las tareas de pronóstico es lo más importante, y

para hacerlo se requiere del buen juicio. Las particularidades del caso indicarán la
conveniencia de determinado método o estrategia de modelado. Además existen criterios
estadísticos formales que guiarán la selección de un modelo.
 27
Se puede suponer que los modelos de pronósticos tienen una gran complejidad a la luz
de la complejidad obvia de los fenómenos del mundo real que se trata de pronosticar; por
fortuna, este no es el caso. De hecho, tras décadas de experiencia profesional, se llega
precisamente a la opinión opuesta: los modelos simples y parsimoniosos tienden a ser los
mejores para pronosticar, a partir de muestras, en los negocios, la economía y las finanzas
[31]. De aquí surge el principio de la parsimonia: los modelos simples, en igualdad de
condiciones, son preferibles a los modelos complicados.

Existen varios motivos por los cuales los modelos más pequeños y más sencillos son,
con frecuencia, más atractivos que los más grandes y los más complicados. Primero, en virtud
de su parsimonia, se pueden estimar con más precisión los parámetros de los modelos más
sencillos. Segundo, como los modelos más sencillos se interpretan, entienden y revisan con
más facilidad, con más facilidad se localiza un comportamiento atípico. Tercero, es más fácil
comunicar un concepto intuitivo del comportamiento de los modelos sencillos, lo que los hace
más útiles en le proceso de toma de decisiones. Por último, al hacer obligatoria la simplicidad
se disminuye el propósito de “recuperación de datos”, que es conformar un modelo que
maximice su ajuste a los datos históricos. Con frecuencia, la recuperación de los datos
produce modelos que se ajustan armoniosamente a los datos históricos, pero que funcionan
horriblemente para pronosticar fuera de la muestra, porque conforma, en parte, modelos
adecuados a las idiosincrasias de los datos históricos, y esto no tiene relación con los datos
futuros, todavía no realizados.

El principio de la parsimonia se relaciona con el principio de contracción, pero es

distinto. El principio de contracción plasma la idea que al imponer restricciones sobre los
modelos de pronóstico se mejora, por lo regular, la eficacia del pronóstico. El nombre de
contracción proviene de la noción de comprimir o “encoger” los pronósticos en ciertas
direcciones imponiendo restricciones de varias clases a los modelos empleados para producir
pronósticos. Al parecer, conviene imponer ciertas restricciones, pero el principio de
contracción va más lejos: también puede convenir la imposición de restricciones incorrectas
[30]. (De acuerdo al principio KISS keep it sophisticadly simple, mantenerlo
complicadamente sencillo) Es sutil la lógica que apoya el principio de contracción, y se
permea hasta los pronósticos.

4.4 CLASIFICACIÓN DE MÉTODOS DE PRONÓSTICOS

Se dispone de varios métodos de pronósticos estandarizados y ya previamente

estudiados. Éstos se han dispuesto en tres grupos: cualitativos, de proyección histórica, y
causales. Cada grupo difiere en términos de la precisión relativa en el pronóstico sobre el
largo plazo y el corto plazo, en el nivel de sofisticación cuantitativa utilizada y en la base
lógica (información histórica, opinión experta o encuestas) de la que se deriva el pronóstico
[32].

Algunos factores que están relacionados a los pronósticos de la demanda son directa o
indirectamente:

• Demanda pasada.
• Tiempo de entrega del producto.
• Planeación de la publicidad.
 28
• Estado de la economía.
• Ofertas y descuentos planeados de precios.
• Acciones que los competidores toman.

4.4.1 MÉTODOS CUALITATIVOS

Los métodos cualitativos utilizan el juicio, las encuestas o técnicas comparativas para
generar estimados cuantitativos acerca del futuro. La información relacionada con los factores
que afectan el pronóstico por lo general es no cuantitativa, intangible y subjetiva. La
información histórica tal vez esté disponible o quizá no sea muy relevante para el pronóstico.
La naturaleza científica de los métodos los hace difíciles de estandarizar y de validar su
precisión. Sin embargo, estos métodos pueden ser los únicos disponibles cuando se intenta
predecir el éxito de nuevos productos, cambios en la política gubernamental o el impacto de
una nueva tecnología. Son métodos más bien adecuados para pronósticos de mediano a largo
plazo.

4.4.2 MÉTODOS DE PROYECCIÓN HISTÓRICA

Cuando se dispone de una cantidad razonable de información histórica y las

variaciones de tendencia y estacionales en las series de tiempo son estables y bien definidas,
la proyección de esta información al futuro puede ser una forma efectiva de pronóstico para el
corto plazo. La premisa básica es que el patrón del tiempo futuro será una réplica del pasado,
al menos en gran parte. La naturaleza cuantitativa de las series de tiempo estimula el uso de
modelos matemáticos y estadísticos como las principales herramientas de pronóstico. La
precisión que puede lograrse para periodos de pronóstico menores a seis meses por lo general
es buena. Estos modelos trabajan en forma adecuada simplemente debido a la estabilidad
inherente de las series de tiempo en el corto plazo.

Los modelos de las series de tiempo de los tipos observados en los diferentes
procedimientos de pronósticos son de naturaleza reactiva. Estos modelos rastrean los cambios
al ser actualizados a medida que se dispone de nueva información, característica que les
permite adaptarse a los cambios en los patrones de tendencia y estacionales. Sin embargo, si
el cambio es rápido, los modelos no emiten una señal del cambio, sino hasta que éste ha
ocurrido. Debido a esto, se dice que las proyecciones de estos modelos demoran los cambios
fundamentales en la series de tiempo, y que son débiles para señalar los puntos críticos antes
de que se presenten. Esta no es necesariamente una limitación notable cuando los pronósticos
se realizan sobre horizontes de tiempo cortos, a menos que los cambios sean particularmente
espectaculares.

4.4.3 MÉTODOS CAUSALES (EXTRÍNSECOS)

La premisa básica sobre la que se construyen los métodos causales para pronósticos es
que el nivel de la variable pronosticada se deriva del nivel de otras variables relacionadas. Por
ejemplo, si se sabe que el servicio al cliente tiene un efecto positivo sobre las ventas, entonces
al conocer el nivel proporcionado del servicio al cliente podrá proyectarse el nivel de las
ventas. Podríamos decir que el servicio “causa” las ventas. En la medida que puedan
describirse adecuadas relaciones de causa y efecto, los modelos causales pueden ser bastante
buenos para anticipar cambios mayores en las series de tiempo y para pronosticar de manera
precisa sobre un periodo de mediano a largo.
 29
Los modelos causales vienen en una variedad de formas: estadísticos, en el caso de los
modelos de regresión y econométricos; descriptivos, como en el caso de los modelos de
entrada-salida, ciclo de vida y simulación por computadora. Cada modelo deriva su validez a
partir de los patrones de información histórica que establecen la asociación entre las variables
para predicción y la variable que se pronosticará.

Un problema principal con esta categoría de modelos de pronósticos es que con

frecuencia resulta difícil encontrar verdaderas variables causales y cuado se encuentran, su
asociación con la variable que se pronosticará con frecuencia es preocupantemente baja. Las
variables causales que guían la variable de pronóstico en el tiempo son incluso más difíciles
de encontrar. Con demasiada frecuencia, el tiempo para adquirir la información para las
variables conducentes consume todo el tiempo o la mayor parte del periodo de uno a seis
meses, en el que se encuentra que tales variables dirigen al pronóstico. Los modelos basados
en técnicas de regresión y económicas pueden experimentar un error de pronóstico importante
debido a estos problemas.

4.5 MÉTODOS DE PRONÓSTICOS

Debido a que varios segmentos de la organización requieren información

pronosticada, en especial el pronóstico de ventas, la actividad de pronosticar por lo general se
centraliza en las áreas de marketing, planeación o análisis económico de la empresa. Los
pronósticos para periodos mediano y largo por lo regular se le proporcionan al responsable de
la logística. A menos que existe la necesidad de desarrollar pronósticos específicos de largo
plazo, la labor del responsable de logística estará limitada a los pronósticos de corto plazo que
ayudan en el control de inventarios, programación de envíos, planeación de la carga de
almacén y similares. Con base en el grado de sofisticación, utilidad potencial y probabilidad
de la disponibilidad de información, sólo un número limitado de los métodos existentes
requieren ser considerados, esto se debe a que en numerosos estudios se ha demostrado que
los modelos “simples” de la variedad de series de tiempo con frecuencia predicen tan bien o
mejor que las versiones más sofisticadas y complejas. Los modelos de series de tiempo
pueden ser superiores a los modelos causales. En general, la complejidad de los modelos de
pronóstico no incrementa la precisión predictiva [33].

La noción de modelo ha sido utilizada por ingenieros y científicos para examinar

procesos y sistemas físicos diferentes; El modelo se convierte en una manera de experimentar
con la realidad sin tener que invertir realmente en una unidad operativa a escala completa.

Otro tipo de modelo sería el que mostrara una representación de un procedimiento o

proceso precisamente desarrollado, que consista en una abstracción (simplificación) de lo
complejo del procedimiento mismo par aun conjunto de pasos de nivel superior que puedan
utilizarse como resumen de sus detalles. Con frecuencia, dichos modelos se desarrollan en
situaciones de toma e decisiones y se presentan gráficamente en flujogramas con ciertas
características. Es en este sentido descriptivo que se emplea la noción de modelo de una
técnica de predicción.

Un modelo de predicción está conformado por los procedimientos que usa la técnica
utilizada para el desarrollo del pronóstico. Claramente se ve que puede emplearse una amplia
gama de modelos, pero para el caso de los métodos cuantitativos hay dos categorías
 30
aceptablemente bien definidas. Mediante la comprensión de las propiedades de cada uno de
estos modelos, el administrador es capaz de obtener un mejor entendimiento de los supuestos
que están atrás de las técnicas individuales de predicción, así como los pros y contras de su
uso en situaciones específicas.

El primer tipo de modelo de predicción cuantitativo, y quizás el más común, es el

modelo de series de tiempo. En un modelo de series de tiempo dos factores son importantes:
la serie de datos que se va a pronosticar y el periodo de tiempo a utilizarse. Un modelo de
series de tiempo supone siempre que algún patrón o combinación de patrones es recurrente a
través del tiempo. De esta manera, al identificar y extrapolar dicho patrón, se pueden
desarrollar pronósticos para periodos subsecuentes. Además de la importancia de la secuencia
de los periodos como variable en un modelo de series de tiempo, tal modelo supone
explícitamente que el patrón subyacente puede identificarse sólo con base en los datos
históricos de esa serie. Esto quiere decir que el modelo no será especialmente útil para el
administrador al pronosticar el impacto de ciertas decisiones que pueda tomar. Cualquier
método de predicción que utilice un modelo de series de tiempo proporcionará el mismo
pronóstico para el siguiente periodo, sin importar cuáles puedan ser las acciones del
administrador. Así, un modelo de series de tiempo puede ser apropiado para predecir los
factores ambientales, como la economía general y el nivel de empleo, o para pronosticar
niveles de actividad, como los patrones de costos, en donde las decisiones individuales tienen
un impacto pequeño, pero será inapropiado para pronosticar las ventas mensuales que sean
consecuencia de cambios de precio y de publicidad.

Los pronósticos de series de tiempo consideran al sistema como una caja negra y no
intentan descubrir los factores que afectan su comportamiento. Como se muestra en la figura
2-2, el sistema es simplemente visto como un proceso generador desconocido.

Sistema

Insumos Proceso Producto

generador

Figura 4.2 Relación de series de tiempo

El segundo tipo de de método de predicción cuantitativo es explicativo. En este tipo de

métodos cualquier variación de los insumos afectará los productos del sistema de manera
predecible, suponiendo que la relación es constante. La primera tarea de los pronósticos es
encontrar la relación a través de la observación de los productos del sistema y relacionándolos
con los insumos correspondientes. Básicamente, el método explicativo supone que el valor de
cierta variable es función de una o más variables. En un sentido muy estrecho, un modelo de
series de tiempo podría ser catalogado como un modelo explicativo, ya que se supone que los
valores reales son sólo función del periodo de tiempo, sin embargo, el término “modelo
explicativo” generalmente se reserva para los modelos con variables diferentes del tiempo.

La fuerza real de un modelo explicativo como método de predicción se refiere a que

un administrador puede desarrollar una gama de predicciones que correspondan a un espectro
de valores para las diferentes variables de los insumos. No obstante, una desventaja de estos
métodos es que requieren información de varias variables, además de la variable que está
siendo pronosticada. A consecuencia de ello, sus necesidades de datos son mucho mayores
que las de un modelo de series de tiempo. Adicionalmente, puesto que los modelos
 31
explicativos generalmente relacionan varios factores, usualmente requieren de más tiempo
para desarrollarse y son más sensibles a los cambios de las relaciones subyacentes de lo que
sería un modelo de series de tiempo. Aún más, requieren una estimación de valores futuros de
los factores de insumos antes de que se puedan pronosticar las variables de productos.

A continuación se describen los métodos de pronósticos utilizados en este estudio, no

corresponden a la totalidad de los métodos disponibles, sino se adaptan los seleccionados para
el análisis correspondiente, en general la selección se dio a partir de métodos sencillos que
puedan tener amplia aplicación.

4.5.1 MÉTODOS DE PRONÓSTICO CUALITATIVOS O SUBJETIVOS

Las técnicas cuantitativas que usan el poder de la computadora han llegado a dominar
el panorama del pronóstico. Sin embargo, existe una rica historia del pronóstico basado en los
métodos subjetivos y de juicio, alguno de los cuales siguen siendo útiles aun en la actualidad.
Estos métodos se usan de la manera más apropiada cuando el que pronostica se enfrenta con
una escasez severa de datos históricos, y cuando no se dispone de un conocimiento
cuantitativo experto. En algunas situaciones todavía puede ser preferible un método de juicio
que uno cuantitativo. Pronosticar a muy largo plazo es un ejemplo de una situación de este
tipo. Los modelos basados en computadora, que son el punto focal de este libro, son menos
aplicables a cosas tales como el pronóstico del tipo de entretenimiento casero que estará
disponible dentro de los siguientes 40 años, que los métodos que se basan en juicios expertos.

4.5.1.1 Composición de la fuerza de ventas

La fuerza de ventas puede ser una rica fuente de información acerca de las tendencias
futuras y los cambios en el comportamiento del comprador. Estas personas tienen contacto
cotidiano con los compradores y son el contacto más cercano que la mayoría de las compañías
tiene con sus clientes. Si la información de que dispone la fuerza de ventas se organiza y se
recolecta de manera objetiva, puede obtenerse una gran visión de los volúmenes futuros de
ventas.

Se pide a los miembros de la fuerza de ventas que estimen las ventas para cada
producto que manejan. Estas estimaciones se basan por lo general en el “sentimiento”
subjetivo de cada persona para evaluar el nivel de ventas que sería razonable en el periodo
sujeto a pronóstico. Con frecuencia va a requerirse un intervalo de pronósticos que incluya el
más optimista, el más pesimista y el más probable. Es común que el gerente de ventas
acumule estas proyecciones individuales para cierta línea de producto y área geográfica. Por
último, la persona responsable de pronosticar el total de ventas de la compañía combina los
pronósticos de línea del producto y área geográfica para llegar a proyecciones que se
conviertan en la base de un horizonte de planeación.

Al tiempo que este proceso aprovecha la información proveniente de fuentes muy

cercanas a los compradores reales, puede surgir un problema serio con el pronóstico resultante
si los miembros de la fuerza de ventas subestiman las ventas para sus líneas de productos y
territorios [34]. Este comportamiento es probable en especial cuando se asignan cuotas a los
vendedores basándose en sus pronósticos y cuando los bonos dependen del rendimiento
asociado a dichas cuotas. Este sesgo descendente puede ser muy dañino para la compañía. Las
corridas de producción que se programan son más cortas de lo que deberían ser, los
 32
inventarios de materia prima son demasiado pequeños, se subestiman los requerimientos de
mano de obra y al final se genera un malestar en la clientela debido a la escasez del producto.
El gerente de ventas que tiene la más alta responsabilidad en cuanto a los pronósticos puede
compensar este sesgo descendente, pero sólo haciendo juicios que a su vez podrían incorporar
otros sesgos en el pronóstico. Robin Peterson ha desarrollado una manera de mejorar los
pronósticos de la composición de la fuerza de ventas mediante el uso de un conjunto prescrito
de rutinas aprendidas como una guía para los vendedores cuando desarrollan sus pronósticos
[35].

Estos conjuntos de rutinas aprendidas se conocen como guiones, que pueden servir
como un modelo para desarrollar un pronóstico subjetivo en esencial. Se presenta un guión
hipotético adaptado del trabajo de Peterson:

• Revise los datos sobre el producto doméstico bruto.

• Revise los pronósticos sobre el producto doméstico bruto.
• Revise los datos de las ventas en la industria del año anterior.
• Revise los datos de ventas de la compañía del año anterior.
• Revise los pronósticos de ventas de la compañía de los años anteriores.
• Verifique las cuentas clave en relación con sus planes de compra.
• Revise los datos de ventas del último año en el territorio del vendedor.
• Revise la situación del empleo en el territorio del vendedor.
• Haga una proyección simple de la tendencia de ventas en el territorio del vendedor.
• Examine las acciones de le competencia en el territorio del vendedor.
• Recopile datos internos acerca de los planes de promoción de la compañía.
• Recopile datos internos acerca de los planes de introducción del producto de la
compañía.
• Recopile datos internos acerca de los planes de concesión de crédito de la compañía.
• Verifique si hay cambios planeados en la estructura de precios de la compañía.
• Evalúe las prácticas de precios de los competidores.
• Rastree las promociones de ventas de la compañía.
• Rastree las promociones de ventas de los competidores.

Un guión como el anterior se puede desarrollar haciendo entrevistas a vendedores de

éxito en relación con los procedimientos que han empleado para prepara sus pronósticos.

4.5.1.2 Encuestas de clientes y de la población general.

En algunas situaciones puede ser práctico hacer encuestas a los clientes en cuanto a
información avanzada acerca de sus intenciones de compra. Esta práctica supone que los
compradores planean sus compras y siguen sus planes. Es probable que esta hipótesis sea más
realista para las ventas industriales que para las ventas a hogares y personas. También es más
realista para los artículos de costo elevado tales como los automóviles o las computadoras
personales que para los bienes de consumo tales como la pasta de dientes o las pelotas de
tenis.

Para ayudar a pronosticar ciertos comportamientos de compra los pronosticadores

algunas veces usan los datos de las encuestas relacionados con la percepción que tiene la
gente de la economía. Una de las mediciones más comunes de cómo percibe la gente a la
 33
economía proviene de una encuesta mensual realizada por el Survey Research Center (SRC)
de la Universidad de Michigan [36]. El SRC produce un Índice de confianza del consumidor
(ICS, por sus siglas en inglés) basado en una encuesta que se aplicó a 500 personas, 40 por
ciento de ellas participaron en la encuesta que se realizó seis meses antes y el 60 por ciento
restante son nuevos encuestados elegidos de manera aleatoria. Este índice tiene su periodo
base en 1966, cuando el índice era 100. Los valores altos del ICS indican una percepción más
positiva de la economía que los valores bajos. Así, si el ICS sube, puede esperarse que las
personas hagan cierto tipo de compras.

4.5.1.3 El jurado de opinión ejecutiva.

Los juicios de los expertos en cualquier área son un recurso valioso. Basados en años
de experiencia, estos juicios pueden ser útiles en el proceso de pronóstico. Mediante el
método conocido como jurado de opinión ejecutiva se desarrolla un pronóstico al combinar
las opiniones subjetivas de los gerentes y los ejecutivos que quizá tengan la mejor visión de
los negocios de la compañía. Para suministrar una buena cantidad de opiniones, es útil
seleccionas a estas personas de diferentes áreas funcionales. Por ejemplo, puede incluirse
personal de finanzas, de mercadeo y de producción.

La persona responsable de hacer el pronóstico puede colectar opiniones en entrevistas

individuales o en una reunión en la que los participantes tengan oportunidad de discutir
diferentes puntos de vista. Esta última opción tiene algunas ventajas obvias, tales como la
estimulación de visiones más profundas, pero también tiene algunas desventajas importantes.
Por ejemplo, si una o más personalidades fuertes dominan el grupo, sus opiniones se hacen
desproporcionadamente importantes en el consenso final que se alcance.

4.5.1.4 El método Delphi.

El método Delphi es similar al jurado de opinión ejecutiva en que aprovecha el

conocimiento y la visión de las personas que conocen muy bien el área que va a pronosticarse.
Sin embargo, tiene la ventaja adicional de que entre los participantes se mantiene el
anonimato. Los expertos, tal vez de cinco a siete en número, nunca se reúnen para discutir sus
puntos de vista; ninguno de ellos sabe ni siquiera quién más está en el panel.

El método Delphi puede resumirse en los siguientes seis pasos:

1. Se selecciona a los miembros que participan en el panel.

2. Se distribuyen a los miembros del panel cuestionarios que piden opiniones acerca de
las variables que van a pronosticarse.
3. Se recolectan, se tabulan y se resumen los resultados de los miembros del panel.
4. Se distribuyen entre los miembros del panel los resultados del resumen para su
revisión y consideración.
5. Los miembros del panel revisan sus estimaciones individuales, considerando la
información recibida de los otros miembros del panel a quienes no conocen.
6. Se repiten los pasos 3 a 5 hasta que ya no haya cambios significativos.

Con este proceso se da un movimiento general hacia el centralismo, pero no se ejerce

ninguna presión sobre los miembros del panel para alterar sus proyecciones originales. Los
miembros que tienen una buena razón para creer que su respuesta original es correcta, sin
 34
importar qué tanto difiera de las otras, pueden conservarla con libertad. Así, al final puede no
haber consenso.

El método Delphi puede ser superior al jurado de opinión ejecutiva, ya que las
personalidades fuertes o la presión de los demás no influyen en el resultado. El proceso de
mandar cuestionarios, recuperarlos, tabularlos y resumirlos puede acelerarse mediante el uso
de capacidades avanzadas de cómputo, que incluye redes y correo electrónico [37].

4.5.1.5 Ventajas y desventajas de los métodos subjetivos.

Algunas veces los métodos subjetivos de pronóstico se consideran deseables porque

no requieren ninguna preparación matemática específica de las personas que participan.
Desde una perspectiva histórica, otra ventaja de los métodos subjetivos ha sido su amplia
aceptación por los usuarios. Sin embargo, la experiencia sugiere que los usuarios se
preocupan cada vez más por la manera en que se desarrolló el pronóstico, y con la mayoría de
los métodos subjetivos es difícil ser específico en este aspecto. Los métodos subyacentes son
subjetivos por definición. Sin embargo, esta subjetividad es la ventaja más importante de esta
clase de métodos. Es frecuente que trabajen fuerzas que no pueden capturarse con métodos
cuantitativos. Sin embargo, pueden ser percibidas por los profesionales de negocios
experimentados y pueden hacer una contribución importante a los pronósticos mejorados.
Wilson y Allison-Koeber muestran esto de manera contundente en el contexto del pronóstico
de ventas de una pieza grande e equipo de servicio de alimentos producidazo la compañía
Denfield [38]. Los métodos cuantitativos relucieron los errores hasta aproximadamente 60 por
ciento respecto de aquellos que resultaron del método subjetivo que se había usado. Cuando el
método subjetivo menos exacto se combinó con los métodos cuantitativos, los errores se
redujeron aun más, hasta casi 40 por ciento del nivel que se alcanzó cuando el método
subjetivo se usó solo. Es evidente a partir de este resultado, y de otros, que con frecuencia hay
un contenido importante de información en los métodos subjetivos.

Las desventajas de los métodos subjetivos son resumidas por Charles W. Chase Jr., en
un estudio con Johnson & Johnson Consumer Products, Inc. Él afirma que “las desventajas de
los métodos cualitativos son: 1) casi siempre estás sesgados; 2) no tienen consistencia exacta
con el tiempo; 3) toma años de experiencia que alguien aprenda cómo convertir el juicio
intuitivo en buenos pronósticos” [39].

4.5.2 MÉTODO DE ANÁLISIS GRÁFICO

Casi siempre es bueno comenzar los proyectos de pronóstico con un análisis gráfico.
Comparado con el moderno conjunto de métodos estadísticos de modelado, el análisis gráfico
podría parecer tan sencillo y directo que es incapaz de proporcionar perspectivas serias en las
series que se pronostican. No es así: en muchos aspectos el ojo humano es una herramienta
mucho más poderosa para analizar y modelar datos que la más complicada de las
herramientas modernas de modelado. Pero, de ninguna manera quiere decir que se sacará el
trabajo solo con el análisis gráfico, sin embargo, son la mejor opción para comenzar.
 35

Fig 4.3 Cuarteto de Anscombe

Los cuatro conjuntos de datos que muestra la figura 2-3, llamados cuarteto de
Anscombe [40], permiten apreciar nítidamente el poder de las gráficas estadísticas. Es
interesante que aunque los cuatro conjuntos de datos contienen valores numéricos distintos, el
resultado de la regresión lineal simple es idéntico para todos.

En general, la utilidad de las graficas es:

• Las gráficas ayudan a resumir y revelar pautas en los datos, por ejemplo los casos
de la forma lineal o no lineal en el primero y segundo conjunto de datos de
Anscombe. Esto es clave en cualquier proyecto de pronósticos.
• Las gráficas ayudan a identificar anomalías en los datos, como en el tercer
conjunto de Anscombe. Esto también es clave en los pronósticos, porque se
elaboran a partir de modelos ajustados a los datos históricos, y se aplica muy bien
el dicho “tras in tras out” (basura entra basura sale).
• Es menos obvio, pero definitivamente más importante, el hecho de que las gráficas
facilitan y promueven las comparaciones. Ésta es la razón, por ejemplo, de que se
ilustren en una sola figura los cuatro conjuntos de datos de Anscombe, al hacerlo
se facilita una comparación fácil e instantánea de las relaciones entre los
conjuntos. A esta técnica se le llama de comparaciones múltiples.
• Existe un aspecto más del poder de las gráficas estadísticas. Entra en juego en el
análisis de grandes conjuntos de datos. Las gráficas nos permiten presentar e
interpretar cantidades inmensas de datos en un espacio pequeño.

4.5.3 MÉTODO DE DESCOMPOSICIÓN DE SERIES DE TIEMPO

Una categoría de modelos de pronóstico que ha resultado útil durante años es la

descomposición de series de tiempo. Estos métodos incluyen el análisis espectral, el análisis
clásico de series de tiempo, y el análisis de series de Fourier. Aquí se cubre el análisis de la
descomposición de series de tiempo, principalmente debido a su simplicidad matemática y a
su popularidad.
 36
El pronóstico clásico por descomposición de series de tiempo está construido sobre la
filosofía de que un patrón de ventas históricas puede descomponerse en cuatro categorías o
componentes: tendencia, estacionalidad, ciclo y aleatoriedad. Es bastante adecuado para
identificar puntos críticos y es una excelente herramienta de pronóstico para el periodo de
tiempo mediano-largo, es decir, de tres a doce meses [41].

La tendencia representa el movimiento a largo plazo de las ventas ocasionado por

factores como cambios en la población, cambios en el desempeño de marketing de la empresa
y cambios fundamentales en la aceptación del mercado de los productos y servicios de la
empresa. La variación estacional se refiere a las cimas y valles regulares en la serie de tiempo
que por lo general se repiten cada 12 meses. Las fuerzas que causan esta variación regular
incluyen cambios climáticos, patrones de compra controlados por fechas del calendario y por
la disponibilidad de los bienes. La variación cíclica son las ondulaciones de largo plazo (más
de un año) en el patrón de demanda. La variación residual o aleatoria es la parte de ventas
totales que no es explicada por componentes de tendencia, estacionalidad o cíclicos. Si la
serie de tiempo está bien descrita por los otros tres componentes la variación residual deberá
ser aleatoria.

El análisis clásico de series de tiempo combina cada tipo de la variación de ventas de

la siguiente forma:

F = TxSxCxR (4-2)

Donde:
F = pronóstico de demanda (en unidades o en términos monetarios).
T = nivel de tendencia (en unidades o en términos monetarios).
S = índice de estacionalidad.
C = índice cíclico.
R = índice residual.

En la práctica, el modelo con frecuencia se reduce sólo a los componentes de

tendencia y de estacionalidad. Esto se hace porque un modelo bien especificado posee un
valor del índice residual (R) de 1.0 y esto no afecta al pronóstico, y porque resulta difícil en
muchos casos descomponer la variación cíclica a partir de la variación aleatoria. Tratar el
índice cíclico (C) como igual a 1.0 no es tan grave como inicialmente podría parecer, porque
el modelo se actualiza por lo regular cuando se dispone de nueva información. El efecto de la
variación cíclica tiende a compensarse en el proceso de actualización.

El valor de tendencia (T) en el modelo puede determinarse por varios métodos, como
ajustar una línea “por simple vista”, empleando alguna forma de promedio móvil, o utilizando
el método de los mínimos cuadrados.

El método popular de los cuadrados mínimos es una técnica matemática que minimiza
la suma de las diferencias cuadráticas entre la información real y la línea de tendencia
propuesta. Se puede obtener una línea de mínimos cuadrados para toda forma de línea de
tendencia, ya sea lineal o no lineal. La expresión matemática para una línea de tendencia
lineal es:

T = a + bt (4-3)
 37
Donde:
t = es el tiempo (o periodo).
T = es el nivel de demanda promedio o tendencia.
a y b = coeficientes que se determinarán para la serie de tiempo en particular.

b=
∑ D (t ) − N (D )(t )
t
(4-4)
∑ t − Nt 2 2

a = D − bt (4-5)

Donde:
N = el número de observaciones utilizadas en el desarrollo de la línea de tendencias.
Dt = la demanda real en el tiempo t.
Ď = demanda promedio para N periodos.
t = promedio de t durante N periodos.

El componente de estacionalidad del modelo está representado por un valor de índice

que cambia para cada periodo que se pronostica. Este índice es una razón de la demanda real
en un tiempo dado para la demanda promedio. La demanda promedio puede representarse por
un solo promedio de la demanda real sobre un periodo especificado, por lo general de un año;
un promedio móvil, o la línea de tendencia. Puesto que la línea de tendencia se analizó
anteriormente, se utilizará como la base del índice de estacionalidad. Por ello:

St = Dt Tt (4-6)

Donde:
St = índice de estacionalidad en el periodo t.
Tt = valor de tendencia determinado a partir de T = a + bt

Por último, el pronóstico se realiza para el tiempo (periodo) t en el futuro de la

siguiente manera:

Ft = (Tt )(St − L ) (4-7)

Donde:
Ft = la demanda pronosticada en el tiempo (periodo) t.
L = número de periodos en el ciclo estacional, es decir St-L es el índice de
estacionalidad de la misma estación próxima pasada.

De esta forma, el número de periodos en el ciclo debe ser analizado de forma

particular para la aplicación de cada estudio.

Dado que el modelo implica el producto de estos cuatro elementos, podemos

descomponer y encontrar cada uno de estos como factores de la variable.

4.5.4 MÉTODO DE SUAVIZAMIENTO EXPONENCIAL SIMPLE

 38
Esta es una técnica muy útil para el pronóstico a corto plazo, ya que requiere una
cantidad mínima de información, se ha observado que es la más precisa entre los modelos
competidores de su clase, y es autoadaptable a los cambios fundamentales en la información
pronosticada. Es un tipo de promedio móvil, donde las observaciones pasadas no reciben la
misma ponderación. En vez de ello, las observaciones que son más recientes reciben mayor
ponderación que las anteriores.

Tal esquema de ponderación geométrica puede reducirse a una simple expresión que
incluye sólo al pronóstico del periodo más reciente y a la demanda real para el periodo actual.
De esta forma, el pronóstico de demanda para el siguiente periodo estará dado por:

Pronóstico nuevo = α(demanda real) + (1-α)(pronóstico previo) (4-8)

donde α es un factor de ponderación, comúnmente denominado como la constante de ajuste

exponencial, con valores entre 0 y 1. Obsérvese que el efecto de toda la historia está incluido
en el pronóstico anterior, de manera que sólo se requiere conservar un número en todo
momento para representar la historia de la demanda.

De este modo, la ecuación 2-7 puede ser escrita de la siguiente forma:

Ft +1 = αAt + (1 − α )Ft (4-9)

Donde:
Ft = la demanda pronosticada en el tiempo (periodo) t.
t = periodo de tiempo presente.
At = demanda para el periodo t
Ft+1 = pronóstico para el periodo siguiente a t.

La elección del valor adecuado para la constante de ajuste exponencial requiere un

grado de discernimiento. Cuanto más alto sea el valor de α, mayor será la ponderación que se
otorgue sobre niveles más recientes de la demanda. Esto permite que el modelo responda más
rápido a los cambios en la serie de tiempo. Sin embargo, un valor de α demasiado alto puede
volver “nervioso” al pronóstico y rastrear variaciones aleatorias en la serie de tiempo en vez
de los cambios fundamentales. Cuanto más pequeño sea el valor de α, mayor será el peso
otorgado a la historia de la demanda para el pronóstico de la demanda futura y mayor será el
retraso de tiempo para responder a los cambios fundamentales en el nivel de demanda.
Valores bajos de α proporcionan pronósticos muy “estables” que no son sujetos a fuertes
influencias debido a la aleatoriedad en la serie de tiempo.

Los valores acordados para α típicamente van de 0.01 a 0.3, aunque es posible utilizar
valores más altos para periodos cortos cuando se presenten cambios anticipados, como una
recesión, una campaña promocional agresiva pero temporal, la suspensión de algunos
productos en la línea, o el inicio del procedimiento de pronóstico cuando no se dispone de
ventas históricas o éstas son muy pocas. Una buena regla cuando se busca un valor para α es
seleccionar uno que permita al modelo de pronóstico identificar los cambios principales que
ocurren en las series de tiempo y promediar las fluctuaciones aleatorias. Esta será una α para
minimizar el error de pronósticos.
 39
4.5.4.1 Inicialización para el enfoque de ajuste exponencial.

A partir de la ecuación 2-8, podemos verificar que:

F2 = αA1 + (1 − α )F1 (4-10)

Por lo tanto:

F1 = αA0 + (1 − α )F0 (4-11)

Ya que X0 no existe, F0 no se puede calcular, lo cual da origen al problema de un valor inicial

para F, es decir, F1. Dicho valor es necesario porque F1 se requiere para calcular F2 en la
ecuación 2-9. Sin embargo, en la formulación dada F1 no se puede calcular. En consecuencia,
se necesitan algunos enfoques alternativos para estimar el valor inicial de F1 en la ecuación 2-
9. De manera semejante, se necesitan valores iniciales para cualquier tipo de suavizamiento
exponencial. La cantidad y tipo de valores depende del enfoque de suavizamiento exponencial
particular que se esté utilizando.

Los valores de inicialización se pueden calcular empleando uno de los siguientes

enfoques:

• Estimaciones minimocuadráticas. O ajuste de mínimos cuadrados, se pueden estimar

los valores iniciales utilizando mínimos cuadrados. Este es el enfoque de inicialización
más frecuentemente empleado.
• Retropredicción. Implica invertir la serie de datos y empezar el proceso de estimación
a partir del valor último y terminar con el primer valor. Esto ofreceré pronósticos o
estimaciones paramétricas para empezar los datos, y estos últimos se pueden utilizar
como los valores iniciales cuando los datos se predicen en la secuencia normal, o sea,
desde el más antiguo al más reciente.
• Cuando sólo existen datos limitados. En algunas ocasiones existen muy pocos datos
como para estimar valores iniciales. También los usuarios pueden no considerar
importante empezar con valores iniciales precisos. En tales casos, los modelos que no
requieren valores iniciales pueden resultar interesantes, de este modo, el
suavizamiento puede aplicarse al utilizar:

F1 = X 1 (4-12)

4.5.5 MÉTODO DE SUVIZAMIENTO EXPONENCIAL AJUSTADO PARA

VARIACIONES DE TENENCIA Y ESTACIONALES (HOLT-WINTERS)

El método de Winters de tres parámetros de suavizamiento exponencial lineal y

estacional, que es una extensión del método de Holt, podría describir mejor los datos y reducir
el error de pronóstico. En este caso se utilizan las siguientes ecuaciones, para determinar el
componente estacional:

El nivel de la serie estimado por suavizamiento exponencial:

 40
Yt
Lt = α + (1 − α )(Lt −1 + Tt −1 ) (4-13)
St−s

El estimado de la tendencia:

Tt = β (Lt − Lt −1 ) + (1 − β )Tt −1 (4-14)

El estimado de la estacionalidad:

Yt
St = γ + (1 − γ )S t − s (4-15)
Lt

El pronóstico del periodo en el futuro:

Yˆt + p = (Lt + pTt )S t − s + p (4-16)

Donde:
Lt nuevo valor suavizado o nivel actual estimado.
α constante de suavizamiento para el nivel.
Yt nueva observación o valor real en el periodo t.
β constante de suavizamiento para el estimado de tendencia.
Tt Estimado de la tendencia.
γ constate de suavizamiento para el estimado de estacionalidad.
St estimado de estacionalidad.
p número del periodo futuro a pronosticar.
s longitud de la estacionalidad.

Para comenzar el algoritmo de estas ecuaciones, deben fijarse valores iniciales de la

serie suavizada Lt, la tendencia Tt y los índices de estacionalidad St; un enfoque consiste en
fijar el primer estimado de la serie suavizada igual a la primera observación, a continuación,
se estima la tendencia para que sea igual a cero y los índices estacionales se fijan en 1.0 cada
uno.

El suavizamiento exponencial es una técnica popular para los pronósticos de corto

plazo. Sus mayores ventajas son bajo costo y simplicidad. Cuando se necesitan pronósticos
para sistemas de inventario que contienen miles de artículos, los métodos de suavización
sueles ser el único enfoque aceptable.

Los promedios móviles simples y el suavizamiento exponencial basan los pronósticos

en promedios ponderados de mediciones pasadas. La lógica es que los valores pasados
contienen información sobre lo que ha de ocurrir en el futuro. Dado que los valores pasados
incluyen fluctuaciones aleatorias, así como información acerca del patrón subyacente de la
variable, se hace un intento por suavizar los valores. Este enfoque supone que las
fluctuaciones extremas representan lo aleatorio en una serie de observaciones históricas.

Por otro lado, los promedios móviles son medias aritméticas de un cierto número, k,
de valores de una variable. El promedio más reciente es el pronóstico para el siguiente
periodo. Este enfoque asigna un peso igual a cada valor pasado que entra al promedio. Sin
 41
embargo, se puede dar un argumento convincente a favor de utilizar todos los datos, aunque
enfatizando los valores más recientes. Los métodos de suavizamiento exponencial son
atractivos, ya que generan pronósticos al asignar pesos que disminuyen de forma exponencial
conforme las observaciones se vuelven más antiguas.

4.5.6 MODELOS AUTOCORRELACIONADOS

Muchas aplicaciones comerciales y económicas de los pronósticos involucran datos de

series de tiempo. Los modelos de regresión pueden ajustarse para datos mensuales,
trimestrales o anuales. Sin embargo, debido a que los datos recopilados a través del tiempo
suelen mostrar tendencias, patrones estacionales y demás, las observaciones en distintos
periodos están relacionadas o autocorrelacionadas. Es decir, para los datos de las series de
tiempo, la muestra de observaciones no puede considerarse como aleatoria, pueden surgir
problemas de interpretación cuando los métodos de regresión estándar se aplican a las
observaciones que se relacionan entre si con el tiempo. Los modelos de regresión ajustados a
los datos de las series de tiempo deben realizarse con sumo cuidado.

Con datos de series de tiempo, el supuesto de independencia en raras ocasiones se

cumple, consideremos por ejemplo el precio base anual de un automóvil reciente. Los precios
del año actual se relacionan (correlacionan) con el precio del año anterior y quizá con el de
hace dos años, y así sucesivamente. Es decir, los precios de los distintos años están
autocorrelacionados; no son independientes.

De este modo, podemos definir que la autocorrelación existe cuando observaciones

sucesivas a través del tiempo están relacionadas unas con otras [42].

Desde una perspectiva de pronóstico, la autocorrelación no es del todo mala. Los

valores de una respuesta Y en un periodo se relacionan con los valores Y en periodos
anteriores, entonces la Y previas pueden emplearse para predecir las Y futuras. En un marco
de regresión la autocorrelación se administra al “arreglar” el modelo de regresión estándar.
Para acomodar la autocorrelación a veces es necesario cambiar la mezcla de las variables
explicativas o la forma de la función de regresión. Sin embargo, de forma más típica, la
autocorrelación se maneja al cambiar la naturaleza del término del error.

Un tipo común de autocorrelación que con frecuencia se llama correlación serial de

primer orden, es aquel donde el término del error en el periodo actual se relaciona de manera
directa con el término del error en el periodo previo. En este caso, con el subíndice t que
representa al tiempo el modelo de regresión lineal simple adopta la forma:

Yt = β 0 + β1 X t + ε t (4-17)

Donde:

ε t = ρε t −1 + υ t (4-18)
 42
En esta ecuación, se dice que el nivel de un término de error (εt-1) afecta directamente el nivel
del siguiente término de error (εt). La magnitud del coeficiente de autocorrelación ρ, donde
-1≤ρ<1 indica la fuerza de la correlación serial. Si ρ es cero, entonces no existe correlación
serial, y los términos del error son independientes (εt=υt).

Una fuerte autocorrelación puede hacer que dos variables que no están relacionadas
aparezcan como si lo estuvieran. Los procedimientos de regresión estándar aplicados a las
observaciones de estas variables pueden producir una regresión significativa. En este caso, la
relación estimada es falsa y, de manera ordinaria, un examen de los residuales revelara el
problema. Sin embargo, con una aplicación poco crítica de los procedimientos estándares, es
posible que la regresión falsa no sea detectada y se tenga una mala interpretación de los
resultados.

De este modo, la autocorrelación implica que los valores en la variable dependiente en

un periodo están relacionados linealmente con los valores de la variable dependiente en otro
periodo. Así, una manera de resolver el problema de la correlación serial es modelar
directamente mediante la asociación, en donde los distintos periodos de retraso en la variable
dependiente se toman como variables independientes o explicativas en un modelo de
regresión. Los modelos de regresión formulados de está forma se conocen como modelos
autorregresivos [del mismo]. El modelo autoregresivo de primer orden se escribe:

Yt = β 0 + β1Yt −1 + ε t (4-19)

Donde se considera que los errores εt tienen propiedades habituales del modelo de regresión.
Después de que este modelo ha sido ajustado a los datos por mínimos cuadrados, la ecuación
para el pronóstico se vuelve:

Yˆt = b0 + b1Yt −1 (4-20)

Así, definimos que un modelo autorregresivos expresa un pronóstico como una función de los
valores previos de una serie de tiempo. [42].

Los valores para generar los modelos, serán entonces generados a partir de las
ecuaciones de la regresión lineal en forma automatizada, por medio de softwares. No existe
mayor complicación en la generación de estas tablas de valores que pueden ser generadas de
manera sencilla en Excel.

4.5.6.1 Metodología Box-Jenkins (ARIMA).

La metodología Box-Jenkins para generar pronósticos es distinta de la mayoría de los

métodos debido a que no supone un patrón particular en los datos históricos de las series que
han de pronosticarse. Usa un método iterativo para identificar un modelo posible de una clase
general de modelos. Enseguida, el modelo seleccionado se contrasta con los datos históricos
para ver si describe con precisión la serie. El modelo se ajusta correctamente si los residuales
son pequeños, están distribuidos aleatoriamente y no contienen información útil. Si el modelo
especificado no es satisfactorio, el proceso se repite mediante un nuevo modelo diseñado para
mejorar el original. Se sigue aplicando este procedimiento iterativo hasta que se encuentra un
procedimiento satisfactorio. Hasta este punto se puede usar el modelo para el pronóstico.
 43
La selección inicial de un modelo ARIMA se basa en el examen de una gráfica de la
serie de tiempo, (para observar su carácter general) y un examen de su autocorrelación para
diversos retrasos. De manera particular, el patrón de la autocorrelación de la muestra
calculada a partir de la serie de tiempo coincide con el patrón de la autocorrelación ya
conocido que se asocia a un modelo ARIMA específico. Este acoplamiento se realiza para las
autocorrelaciones y las autocorrelaciones parciales.

La metodología Box-Jenkins se refiere a una serie de procedimientos para identificar,

ajustar y verificar los modelos ARIMA con los datos de la serie de tiempo. Los pronósticos
proceden directamente de la forma del modelo ajustado.

Al seleccionar un modelo, debemos recordar que las autocorrelaciones calculadas a

partir de los datos no serán exactamente iguales a las autocorrelaciones teóricas asociadas con
un modelo ARIMA. Las autocorrelaciones calculadas con base en los datos están sujetas a la
variación de la muestra. No obstante, debemos ser capaces de igualar apropiadamente la
mayoría de las series de datos con un modelo ARIMA, si la selección inicial no es la
adecuada, se presentaran insuficiencias, en el análisis de los residuales (diagnostico del
modelo) y el modelo original puede verse modificado. Conforme se vaya adquiriendo
experiencia, la tarea de construir un modelo iterativo será cada vez más fácil.

Para el desarrollo de los modelos ARIMA, definiremos primero los modelos

autorregresivos de orden p de la forma:

Yt = φ0 + φ1Yt −1 + φ2Yt −2 + L + φ pYt − p + ε t (4-21)

Estos se identificaran como AR(p), y de acuerdo al orden se utilizaran tantos elementos

posteriores en la línea de tiempo.

A continuación definimos los modelos de promedio móvil de orden q como:

Yt = µ + ε t − ω1ε t −1 − ω 2ε t −2 − L − ω q ε t −q (4-22)

Estos se identificaran como MA(q), y de acuerdo al orden se utilizaran tantos elementos de

error posteriores en la línea de tiempo.

Conjuntando estos dos modelos podemos definir los modelos de promedios móviles
autorregresivos de orden (p,q), ARMA(p,q):

Yt = φ0 + φ1Yt −1 + φ 2Yt −2 + L + φ pYt − p + ε t − ω1ε t −1 − ω 2ε t −2 − L − ω q ε t −q (4-23)

Y debemos tomar en cuenta que en algunas ocasiones es importante, no solo

identificar el elemento dependiente Y, sino la variación entre el valor a predecir y el último
valor, es decir, se define:

∆Yt = Yt − Yt −1 (4-24)

Para el cual, el modelo ARMA(1,1) se definiría como:

 44
∆Yt = φ1∆Yt −1 + ε t − ω1ε t −1 (4-25)

De este modo, se definen los modelos de promedios móviles integrados autorregresivos

ARIMA(p,d,q), donde p indica el orden de la parte regresiva, d indica el orden de la
diferencia y q el orden de la parte móvil.

Antes de utilizar el modelo para generar pronósticos se debe asegurar que el modelo es
adecuado, un modelo adecuado es aquel cuyos residuales no pueden utilizarse para mejorar
los pronósticos. Una prueba chi cuadrada, que se basa en la estadística, proporciona una
revisión global de la pertinencia del modelo. Esta prueba considera las dimensiones de las
autocorrelaciones residuales como un grupo. Si el valor p asociado con el análisis es pequeño,
menor de 0.05 se considera que el modelo es inadecuado y se debe considerar otro modelo.

4.5.7 MODELO DE REGRESIÓN MULTIPLE

En la regresión lineal simple se investiga la relación entre las variables independiente

y dependiente, En ocasiones, la relación entre dos variables permite predecir con precisión la
variable dependiente mediante el conocimiento de la independiente. Y en ocasiones se tiene
más de una variable independiente. Los modelos de regresión con más de una variable
independiente se llaman modelos de regresión múltiple. La mayoría de los conceptos
presentados en la regresión lineal simple se mantienen en la regresión múltiple.

En la regresión simple, la variable dependiente se puede representar con Y y la

variable independiente con X. En el análisis de regresión multiple, se utilizan las Xi para
representar las variables independientes. La variable dependiente todavía se representa con Y,
las variables independientes se indican con X1, X2, … , Xk. Una vez que se ha determinado la
serie inicial de variables independientes, la relación entre Y y dichas X se puede expresar
como un modelo de regresión múltiple.

En este módelo, se toma el valor esperado como una función lineal de las variables
explicativas:

µ Y = β 0 + β1 X 1 + β 2 X 2 + L + β k X k (4-26)

Esta expresión es la función de regresión múltiple de la población. Cómo fue el caso con la
regresión lineal simple, no se puede observar directamente la función de regresión de la
población porque los valores observados de Y varían en sus valores promedio. Cada
combinación de valores para todas las X definen la media para una subpoblación de
respuestas Y. Se supone que en cada una de estas subpoblaciones las Y se distribuyen
normalmente sobre sus medias, con la misma desviación estandar σ.

Los datos para esta regresión lineal simple consisten en observaciones (Xi, Yi) sobre
las dos variables. En la regresión múltiple, los datos para cada caso consisten en una
observación en la respuesta y una observación en cada variable independiente. La observación
i-esima en la variable explicativa j-esima se indica con Xij. Con esta anotación, los datos para
la regresión múltiple toman la forma mostrada en la siguiente tabla:
 45
VARIABLES EXPLICATIVAS RESPUESTA
Observación X1 X2 … Xk Y
1 X11 X12 … X1k Y1
2 X21 X22 … X2k Y2
. . . … . .
. . . … . .
. . . … . .
i Xi1 Xi2 … Xik Yi
. . . … . .
. . . … . .
n Xn1 Xn2 … Xnk Yk

Tabla 4.1 Esquema de variables para regresión múltiple.

Es conveniente referirse a los datos para el caso i-esimo simplemente como la observación i-
esima. De esta manera definiremos n como el número de observaciones y k como el número
de variables explicativas.

La respuesta Y es una variable aleatoria que se relaciona con las variables

independientes (explicativas) X1, X2, … , Xk mediante:

Y = β 0 + β1 X 1 + β 2 X 2 + L + β k X k + ε (4-27)

donde:

1. Para la observación i-esima, Y = Yi y X1, X2, … , Xk estan dispuestas en valores Xi1,

Xi2, … , Xik.
2. Los ε son componentes del error que representan las desviaciones de la respuesta
respecto a la relación verdadera. Son variables aleatorias no observables que explican
los efectos de otros factores en la respuesta. Se supone que los errores son
independientes y que cada uno se distribuye normalmente con la media cero y una
desviación estandar σ.
3. Se desconocen los coeficientes de regresión β0, β1, … , βk, que juntos definen la
función de regresión.

Dados los datos, los coeficientes de regresión se pueden estimar por el método de
mínimos cuadrados. Los estimadores de mínimos cuadrados se indican con b0, b1, … , bk, y la
función de regresión estimada con:

Yˆ = b0 + b1 X 1 + L + bk X k (4-28)

Los residuales e = Y − Yˆ son estimados del componente del error y son similares a los
correspondientes errores en la regresión lineal simple; la correspondencia entre la población y
la muestra es:

Población: Y = β 0 + β1 X 1 + β 2 X 2 + L + β k X k + ε (4-29)

Muestra: Y = b0 + b1 X 1 + b2 X 2 + L + bk X k + e (4-30)
 46
Reflexionemos sobre la interpretación b0, b1 y b2 de la función de regresión, el valor b0
es de nuevo la intercepción con el eje Y. Sin embargo, ahora se interpreta como el valor de Ŷ
cuando X1 y X2 son iguales a cero. Los coeficientes b1 y b2 son llamados coeficientes de
regresión parcial o neta. Cada uno mide el cambio de promedio en Y que se debe al cambio de
una unidad en las variables independientes pertinentes. De cualquier modo, como la
influencia simultanea de todas las variables independientes en Y es medida por la función de
regresión el efecto parcial o neto de X1 (o de cualquier otra X) no debe tener ninguna
influencia de otras variables. Por lo tanto, se dice que b1 mide el cambio de promedio en Y
por cambio en unidad en X1 cuando se mantienen constantes las otras variables
independientes.

4.5.8 MINERIA DE DATOS

La minería de datos (DM, Data Mining) consiste en la extracción no trivial de

información que reside de manera implícita en los datos, es decir, el proceso de estudiar datos
para encontrar información y relaciones previamente desconocidas; esta información es
entonces aplicada para lograr objetivos específicos del negocio [24]. En otras palabras,
podemos decir que dicha información era previamente desconocida y podrá resultar útil para
algún proceso. En otras palabras, la minería de datos prepara, sondea y explora los datos para
sacar la información oculta en ellos. Bajo el nombre de minería de datos se engloba todo un
conjunto de técnicas encaminadas a la extracción de conocimiento procesable, implícito en las
bases de datos. Está fuertemente ligado con la supervisión de procesos industriales ya que
resulta muy útil para aprovechar los datos almacenados en las bases de datos. Las bases de la
minería de datos se encuentran en la inteligencia artificial y en el análisis estadístico.
Mediante los modelos extraídos utilizando técnicas de minería de datos se aborda la solución
a problemas de predicción, clasificación y segmentación.

Un proceso típico de minería de datos consta de los siguientes pasos generales:

1. Selección del conjunto de datos, tanto en lo que se refiere a las variables dependientes,
como a las variables objetivo.
2. Análisis de las propiedades de los datos, en especial los histogramas, diagramas de
dispersión, presencia de valores atípicos y ausencia de datos (valores nulos).
3. Transformación del conjunto de datos de entrada, se realizará de diversas formas en
función del análisis previo, con el objetivo de prepararlo para aplicar la técnica de
minería de datos que mejor se adapte a los datos y al problema.
4. Seleccionar y aplicar la técnica de minería de datos, se construye el modelo predictivo,
de clasificación o segmentación.
5. Evaluar los resultados contrastándolos con un conjunto de datos previamente
reservado para validar la generalidad del modelo.

Si el modelo final no superara esta evaluación el proceso se podría repetir desde el

principio o, si el experto lo considera oportuno, a partir de cualquiera de los pasos anteriores.
Esta retroalimentación se podrá repetir cuantas veces se considere necesario hasta obtener un
modelo válido. Una vez validado el modelo, si resulta ser aceptable (proporciona salidas
adecuadas y/o con márgenes de error admisibles) éste ya está listo para su explotación. Los
 47
modelos obtenidos por técnicas de minería de datos se aplican incorporándolos en los
sistemas de análisis de información de las organizaciones, e incluso, en los sistemas
transaccionales. En este sentido cabe destacar los esfuerzos del Data Mining Group [43], que
está estandarizando el lenguaje PMML (Predictive Model Markup Language), de manera que
los modelos de minería de datos sean interoperables en distintas plataformas, con
independencia del sistema con el que han sido construidos. Los principales fabricantes de
sistemas de bases de datos y programas de análisis de la información hacen uso de este
estándar.

Tradicionalmente, las técnicas de minería de datos se aplicaban sobre información

contenida en almacenes de datos. De hecho, muchas grandes empresas e instituciones han
creado y alimentan bases de datos especialmente diseñadas para proyectos de minería de datos
en las que centralizan información potencialmente útil de todas sus áreas de negocio. No
obstante, actualmente está cobrando una importancia cada vez mayor la minería de datos
desestructurados como información contenida en ficheros de texto, en Internet, etc.

Como ya se ha comentado, las técnicas de la minería de datos provienen de la

Inteligencia artificial y de la estadística, dichas técnicas, no son más que algoritmos, más o
menos sofisticados que se aplican sobre un conjunto de datos para obtener unos resultados.
Muchos nuevos algoritmos han sido desarrollados, y el horizonte del análisis de datos ha sido
significativamente expandido [44].Las técnicas más representativas son:

• Redes neuronales.- Son un paradigma de aprendizaje y procesamiento automático

inspirado en la forma en que funciona el sistema nervioso de los animales. Se trata de
un sistema de interconexión de neuronas en una red que colabora para producir un
estímulo de salida.
• Árboles de decisión.- Un árbol de decisión es un modelo de predicción utilizado en el
ámbito de la inteligencia artificial, dada una base de datos se construyen estos
diagramas de construcciones lógicas, muy similares a los sistemas de predicción
basados en reglas, que sirven para representar y categorizar una serie de condiciones
que suceden de forma sucesiva, para la resolución de un problema. Ejemplos:
o Algoritmo ID3.
o Algoritmo C4.5.
• Modelos estadísticos.- Es una expresión simbólica en forma de igualdad o ecuación
que se emplea en todos los diseños experimentales y en la regresión para indicar los
diferentes factores que modifican la variable de respuesta.
• Agrupamiento o Clustering.- Es un procedimiento de agrupación de una serie de
vectores según criterios habitualmente de distancia; se tratará de disponer los vectores
de entrada de forma que estén más cercanos aquellos que tengan características
comunes.

Según el objetivo del análisis de los datos, los algoritmos utilizados se clasifican en
supervisados y no supervisados [45]:

o Algoritmos supervisados (o predictivos): predicen un dato (o un conjunto de

ellos) desconocido a priori, a partir de otros conocidos.
o Algoritmos no supervisados (o del descubrimiento del conocimiento): se
descubren patrones y tendencias en los datos.
 48

4.5.8.1 Árboles De Decisión.

Un árbol de decisión es un modelo de predicción utilizado en el ámbito de la

inteligencia artificial, dada una base de datos se construyen diagramas de construcciones
lógicas, muy similares a los sistemas de predicción basados en reglas, que sirven para
representar y categorizar una serie de condiciones que ocurren de forma sucesiva, para la
resolución de un problema. Un árbol de decisión tiene unas entradas las cuales pueden ser un
objeto o una situación descrita por medio de un conjunto de atributos y a partir de esto
devuelve una respuesta la cual en últimas es una decisión que es tomada a partir de las
entradas. Los valores que pueden tomar las entradas y las salidas pueden ser valores discretos
o continuos. Se utilizan más los valores discretos por simplicidad, cuando se utilizan valores
discretos en las funciones de una aplicación se denomina clasificación y cuando se utilizan los
continuos se denomina regresión [24].

Un árbol de decisión lleva a cabo un test a medida que este se recorre hacia las hojas
para alcanzar así una decisión. El árbol de decisión suele contener nodos internos, nodos de
probabilidad, nodos hojas y arcos. Un nodo interno contiene un test sobre algún valor de una
de las propiedades. Un nodo de probabilidad indica que debe ocurrir un evento aleatorio de
acuerdo a la naturaleza del problema, este tipo de nodos es redondo, los demás son cuadrados.
Un nodo hoja representa el valor que devolverá el árbol de decisión y finalmente las ramas
brindan los posibles caminos que se tienen de acuerdo a la decisión tomada.

De forma más concreta refiriéndonos a ámbito empresarial, podemos decir que los
árboles de decisión son diagramas de decisiones secuenciales nos muestran sus posibles
resultados. Éstos ayudan a las empresas a determinar cuales son sus opciones al mostrarles las
distintas decisiones y sus resultados. La opción que evita una pérdida o produce un beneficio
extra tiene un valor. La habilidad de crear una opción, por lo tanto, tiene un valor que puede
ser comprado o vendido.

Como ejemplos de estos algoritmos, se tienen los algoritmos ID3 y C4.5 [46]; el
algoritmo C4.5 es una extensión del algoritmo ID3, utilizados para generar árboles de
decisión. El algoritmo consiste en que a partir de una serie de duplas de valores o datos de una
misma estructura denominados atributos, en el que uno de ellos es el atributo a clasificar, el
cual debe ser de tipo binario (positivo o negativo, si o no, valido o invalido, etc.); De esta
forma el algoritmo trata de obtener las hipótesis que clasifiquen ante nuevas instancias el
resultado de un valor en particular.

Para esto, utiliza nodos, los cuales contendrán atributos; arcos, los cuales contienen
valores posibles del nodo padre; y hojas, que son nodos que clasifican el ejemplo como
positivo o negativo. Con esto se debe seleccionar el atributo de mayor jerarquía, mediante un
análisis de la entropía, eligiendo aquel que proporcione una mejor ganancia de información.

Para el caso del algoritmo C4.5, se considera la posibilidad de manejar atributos

continuos o discretos, manejar datos con valores de atributo nulos o faltantes, manejar
atributos con diferentes costos y la optimización (poda de árboles) del modelo una vez que ha
sido creado. En pseudocódigo, el algoritmo es:
 49
• Analizar los casos base.
• Para cada atributo a
o Encontrar la ganancia de información normalizada si se parte de a.
• Definir la mejor a, como aquella con la mayor ganancia de información normalizada.
• Crear un nodo de decisión que parta de la mejor a.
• Repetir el algoritmo, añadiendo los siguientes nodos como ramas del árbol.

4.5.8.2 Redes Neuronales.

Las redes neuronales son modelos matemáticos inspirados en el funcionamiento de las

neuronas biológicas. Las redes consisten en unidades básicas llamadas neuronas cuyo diseño
es sugerido por sus contrapartes biológicas [47]. Estas “neuronas” artificiales tienen entradas
como las biológicas tienen dendritas y tienen salida como los axones, y cuentan con una
predisposición que afecta la fuerza de la salida. La neurona combina las entradas, incorpora el
efecto de la predisposición (bias) y emite una señal de salida, posteriormente sucede un
aprendizaje que altera a la neurona.

Una red neuronal se compone de unidades llamadas neuronas. Cada neurona recibe
una serie de entradas a través de interconexiones y emite una salida. Esta salida viene dada
por el resultado de las funciones propias de propagación, activación y transferencia.

Al modelar la red neuronal, se debe considerar la interrelación entre los nodos o

neuronas, normalmente se modela de tal suerte que las señales de entrada Xi tienen un cierto
peso ponderado wi, de tal modo que la neurona suma el valor ponderado de todas las entradas
y su propia predisposición o bias Q:

sum = ∑ ω i xi + Q (4-31)

Y esta a su vez es transformada en una salida Y, que usualmente es una función sigmoidea:

(
Y = 1 1 + e − sum ) (4-32)

Continuando con el modelado de la red neuronal, se debe definir la arquitectura de la

red, definida como la cantidad de capas y la cantidad de nodos o neuronas en cada capa, así
como la interrelación entre ellas, el requerimiento mínimo es tener una capa de entrada y una
de salida, con por lo menos una neurona en cada capa; de este modo se definen diferentes
estructuras con una o varias capaz ocultas, y se van relacionando los diferentes nodos en un
sentido o varios.
 50

Fig 4.4 Aquitectura de red neuronal.

El flujo de las señales de entrada se dirigen de acuerdo al diseño de la red, y van

afectado a los nodos de acuerdo a las condiciones propias de las neuronas.

Fig 4.5 Flujo de señales de entrada, primer nivel.

Fig 4.6 Flujo de señales de entrada, segundo nivel.

El aprendizaje ocurre mediante el ajuste de los pesos ponderados y el bias de las

neuronas, mediante un método iterativo con retropropagación. Al obtener una señal de salida
de la red, se compara con el valor objetivo y se genera una señal de error a la salida de la red,
la cual se va propagando en sentido inverso para identificar los errores correspondientes a
cada unión entre neuronas.
 51

Fig 4.7 Señal de salida y señal de error.

El algoritmo de retropropagación funciona a partir del gradiente de retropropagación,

buscando modificar los pesos ponderados para lograr el mínimo error cuadrático E y dado que
E es calculado por la extensión de la red, por las funciones de los nodos o neuronas, su
composición es continua y diferenciable; por lo que podemos minimizar E utilizando un
método iterativo de descenso de gradiente [48], por lo que se requiere calcular el gradiente:

⎛ ∂E ∂E ∂E ⎞
∇E = ⎜⎜ , ,L, ⎟⎟ (4-33)
⎝ ∂ω1 ∂ω 2 ∂ω l ⎠

De este modo cada peso ponderado es actualizado usando el incremento:

∂E
∆ω i = −γ (4-34)
∂ω i

Fig 4.8 Flujo en retropropagación.

Donde γ representa una constante de aprendizaje, es un parámetro que indica la longitud del
intervalo de evolución de cada iteración en la dirección contraria del gradiente. Se actualizan
 52
los pesos y bias de las neuronas y se vuelve a dar una señal de entrada; este proceso se repite
hasta que la señal de error es minimizada a niveles adecuados.

Se debe tomar en cuenta que debido al proceso de “aprendizaje” estos modelos deben
tener un proceso de entrenamiento para el desarrollo y actualización de sus pesos y bias,
normalmente se desarrollan con software para una más rápida forma de desarrollo.
Posteriormente debe ser aprobado el modelo para validar su utilización.

Fig 4.9 Flujo en retropropagación, segundo nivel.

Fig 4.9 Variación de los valores neuronales.

4.6 EVALUACIÓN DE PRONÓSTICOS

 53
Si se quiere mejorar, lo primero que se necesita es medir la precisión de los
presupuestos, Mediciones son utilizadas para desarrollar mejoras en pronósticos específicos.
Un proceso de planeación de la demanda efectivo evalúa la precisión de los pronósticos en
diferentes maneras dependiendo del propósito.

En la medida en que el futuro no es reflejado perfectamente por el pasado, el

pronóstico e la demanda futura por lo general tendrán cierto grado de error. Dado que los
métodos de pronóstico son una predicción de la demanda promedio, se busca proyectar un
rango dentro del cual caerá la demanda real. Esto requiere un pronóstico estadístico.

El error en el pronóstico se refiere a lo cerca que se halla el pronóstico del nivel de

demanda real. Se expresa adecuadamente en forma estadística como desviación estándar,
varianza o desviación absoluta media. Históricamente, la desviación absoluta media (DAM)
se ha utilizado como la medida del error de pronóstico, sin embargo, ya que las computadoras
actuales tienen una cantidad adecuada de memoria para la labor de pronóstico, la desviación
estándar se desarrolla como la medida del error de pronóstico.

El error de pronóstico se define como:

Error de pronóstico = Demanda real – Demanda pronosticada (4-35)

Dado que la demanda pronosticada es un valor de media aritmética, la suma de los

errores de pronóstico sobre numerosos periodos deberá ser igual a cero. Para generar el valor
del error por medio de la desviación media absoluta se toman los valores absolutos de las
diferencias entre lo pronosticado y la demanda real:

∑ A −F t t
SF = t
(4-36)
N

Donde:
Ft = la demanda pronosticada en el tiempo (periodo) t.
SF = error estándar del pronóstico.
At = demanda real en el periodo t.
N = número de periodos de pronóstico t.

Sin embargo, la magnitud del error de pronóstico puede obtenerse al elevar al

cuadrado los errores, lo que eliminará la cancelación de los errores positivos y negativos. De
esta manera se desarrolla la forma común de la desviación estándar; es decir:

∑ (A − F )
2
t t
SF = t
(4-37)
N −1

Donde:
Ft = la demanda pronosticada en el tiempo (periodo) t.
SF = error estándar del pronóstico.
At = demanda real en el periodo t.
N = número de periodos de pronóstico t.
 54
De igual forma es utilizada la media del porcentaje de error absoluto (MAPE) donde
se hace un análisis porcentual del error contra la demanda real, es decir:

At − Ft
∑ At
SF = t
x100 (4-38)
N

La mejor manera de calcular el error de pronóstico es dividiendo el error entre la

observación real, debido a que lo que queremos conocer es como el pronóstico se desvía del
real, y no como el actual se desvía del pronóstico. El uso del pronóstico como divisor en el
cálculo del error porcentual amortigua el error de sobre pronóstico, y por tal motivo
incrementa la medida de la precisión del pronóstico. Este no es el caso cuando se utiliza el
valor real como divisor [49].

También es importante el estudio y análisis del costo económico del error de

pronóstico, este fue analizado por Catt en 2007 [50], donde se indica que el costo económico
del error de pronóstico es el acumulado del costo de manejo de un inventario de seguridad
demasiado alto y el costo de requerimientos no cubiertos. Por lo que primero se debe definir
el cálculo del inventario de seguridad SS (Safety stock) en base al error factible de pronóstico,
como:

SS = kσ R + L (4-39)

Donde:
k factor de seguridad, de acuerdo al nivel de servicio deseado.
σ aproximación de la desviación estándar del error, σ=1.25MAE

R+L suma de los periodos de análisis y el Lead time.

Con esto, podemos calcular el costo de manejo de inventario:

CSS = SS × i × Cu (4-40)

Donde
i tasa de importe por manejo de inventario, en este caso se aproxima a 2.5
mensual (30% anual). [51]
Cu Costo unitario de las piezas analizadas.

Además se debe calcular el costo de no contar con el inventarios necesario para cubrir un
requerimiento:

CSO = m × VLS = m × σ × Gu (k ) × R + L (4-41)

Donde:
m margen de venta.
VLS Volumen de pérdida por no contar con inventario.
Gu(k) Función de pérdida, a partir del nivel de servicio requerido.
 55
Finalmente el índice se definirá, como:

CFE = CSS + CSO (4-42)

De esta forma se tienen tres diferentes métodos para evaluar el error de un pronóstico,
el uso de cada método dependerá de la aplicación y del análisis ha desarrollar.

Es de suma importancia no solamente analizar la exactitud de los pronósticos

buscando lograr un 100% de exactitud, se debe buscar aprender de los errores históricos en
los pronósticos, al ir analizando los errores anteriores se puede generar una base de datos que
nos lleve a no volver a incurrir en los mismos errores, por eso se puede analizar los errores de
pronósticos separando en porciones en que el pronostico sea más exacto y en aquellas en
donde es menos exacto; esto ayudará a evaluar que métodos de pronóstico son más eficientes
y cuales no y en que tipo de productos, por lo que se pueden alternar métodos para obtener
mejores resultados.[52]

Uno de los pioneros en el campo de los pronósticos es Bernard T. Smith. Él desarrolló

un método de generación de pronósticos llamado “Focus Forecasting” que combina la
simplicidad con una capacidad de utilizar un número diferente de modelos de pronósticos
simultáneamente. Una vez que el mes a terminado y las ventas reales del mes son conocidas,
se calculan los errores en cada uno de los modelos, de forma acumulativa para una cierta
cantidad de periodos, y se informa al usuario cual es el método que genera el menor error. De
este modo, el usuario puede decidir en que modelo de pronósticos trabajar. [53]

La forma de la distribución de frecuencia de los errores de pronósticos se vuelve

importante al realizar afirmaciones sobre el pronóstico. Suponiendo que el modelo de
pronóstico da seguimiento al promedio de los niveles de demanda real en forma adecuada, y
que la variación de la demanda real sobre el pronóstico es pequeña en relación con el nivel de
pronóstico, la distribución de la frecuencia normal, o las aproximaciones a ella, será una
forma que con probabilidad se encontrará en la práctica. Este será especialmente el caso de la
distribución de los errores de pronóstico promedio. Se aplica el teorema del límite central
[53], y la distribución de frecuencia normal será la forma de distribución adecuada. Cuando el
intervalo de pronóstico es corto, puede resultar una distribución sesgada.

Una forma de determinar la distribución de frecuencia que se aplica a cualquier

situación particular es mediante prueba chi cuadrada de bondad del ajuste [54]. En forma
alterna, la siguiente prueba puede utilizarse para seleccionar entre la forma de distribución
normal (simétrica) y la de distribución exponencial como una representación simple de
distribución sesgada.

En una distribución normal, cerca de 2% e las observaciones exceden un nivel de dos

desviaciones estándar por encima de la media. En una distribución exponencial, la
probabilidad de exceder la media por más de 2.75 desviaciones estándar es cerca de 2%. Por
lo tanto, si el número de desviaciones estándar que equivalen a 98% de todas las
observaciones es cercano a 2, deberá utilizarse una distribución normal. Si es superior a 2.7,
deberá utilizarse la distribución exponencial [55].

Un método popular para monitorear el error de pronósticos es mediante una señal de

seguimiento. La señal de seguimiento es una comparación, por lo general una proporción, del
 56
error de pronóstico actual para un promedio de los errores de pronóstico pasados. Esta
proporción puede ser evaluada en forma continua o periódica. Como resultado de este cálculo,
el pronóstico se puede recalcular mediante constantes de ajuste.

4.7 ADMINISTRACIÓN A PARTIR DE PRONÓSTICOS

A partir de los datos que pueden ser generados con las técnicas expuestas es de suma
importancia el reconocer la utilidad de los pronósticos para su correcto uso y de este modo
encontrar verdaderamente su efectividad.

De acuerdo a Jain Chaman [56] editor en jefe del International Business Forecasting
Journal, se pueden determinar 7 recomendaciones para lograr mejoras en la efectividad de la
aplicación de los pronósticos:

i. Involucrar a altos ejecutivos. Pronósticos fuertes requieren el soporte de altos

ejecutivos debido a los recursos requeridos, estos ejecutivos deben aprobar la
instalación de la tecnología, así como, la contratación de profesionales en el
desarrollo de pronósticos. Además, una vez involucrados, se generan reuniones
de seguimiento para entender de una mejor manera la demanda y todo lo
relacionado para cubrirla.
ii. Explicar los beneficios mutuos. Dado que es común que algunas áreas se
resistan a participar en el desarrollo de pronósticos, resulta necesario el explicar
el beneficio específico que tendrá el área en cuestión con el desarrollo de un
buen pronóstico. Esta recomendación aplica, incluso para clientes y proveedores
externos, pues si se puede motivar a los clientes a compartir su información se
puede mejorar el nivel de la cadena de suministros.
iii. Definir claramente metas y acuerdos. La mejor manera de ver que los
pronósticos de una empresa están mejorando es cuando la cadena de suministros
se vuelve más eficiente, para esto es necesario dejar en claro cuales son las
métricas que se estarán desarrollando, esto toma especial importancia en los
acuerdos logrados con externos.
iv. Utilizar la mejor tecnología. Las compañías deben utilizar la tecnología de
vanguardia referente a pronósticos (state of art)2, que pueda asegurar el mejor
tratamiento a los datos disponibles y el mejor desempeño de los pronósticos
logrados, que permita el uso de datos estandarizados que puedan ser compartidos
con todas las áreas de la organización. Actualmente ya existe software que apoya
a esta labor, sin embargo se sigue esperando software de simulación más
avanzado, que puedan llevar a decisiones más rápidas y acertadas.
v. Enfocarse donde la utilidad es mayor. Debido a que usualmente los recursos
son limitados, las compañías suelen enfocar sus pronósticos en aquellos
productos que generan mayor utilidad, lo cual viene a ser un resultado de la ley
general de clasificación ABC.
vi. Ligar incentivos a las metas generales de la compañía. Para asegurar una
mejor precisión de pronósticos, los incentivos y premios de empleados deben
basarse en las metas generales de la compañía, más que en las metas especificas

2
Hace referencia al nivel más alto de de desarrollo conseguido en un momento determinado sobre cualquier
aparato, técnica o campo científico.
 57
de un departamento. Cuando no se hace de esta manera, las áreas se enfrascan en
sus propias metas y se contraponen en situaciones comunes de trabajo.
vii. Seguir con mejora continua. Los errores en pronósticos pueden resultar de
datos incorrectos, suposiciones inadecuadas o a un modelo defectuoso, por lo
que es importante llevar a cabo un análisis un vez que se ha terminado el reporte
de cada periodo, para tomar acciones y corregir problemas.
 58

5. MODELO DE APLICACIÓN

Las técnicas de pronósticos operan con los datos generados en el pasado, de este modo
es de suma importancia la recolección de información efectiva y la reducción de la misma.

Para el caso de estudio, nos estamos refiriendo a una empresa del ramo automotriz,
fabricante de juntas y sellos para motor, donde su variedad de productos es muy grande y su
mercado intermitente. El proyecto esta definido como la generación de pronósticos de ventas
para el análisis de presupuestos, y calculo de recursos de inventarios, maquinaria y mano de
obra para una empresa del sector autopartes de refacciones.

Será importante declarar los pasos del modelo que se utilizará para su análisis:

1. Recolección de datos, este paso es de suma importancia, y normalmente toma un gran

esfuerzo el obtener la información necesaria para obtener datos necesarios.
2. Tratamiento de la información, para poder desarrollar un buen estudio, será necesario
aplicar un tratamiento de depuración sobre los datos obtenidos, para evaluar cual es la
información importante y eliminar aquellos datos que no agreguen valor al proceso.
a. Desarrollar gráficas para analizar las series de tiempo e identificar posibles
excepciones.
3. Aplicación de los métodos de generación de pronósticos, para este caso de estudio se
solo se evaluaran los siguientes métodos, lo cuál determina el alcance del proyecto:
a. Métodos cualitativos simples.
b. Promedio simple.
c. Suavizamiento Exponencial Simple.
d. Suavizamiento Exponencial ajustado para variaciones de tendencia y
estacionales (Holt-Winters)
e. Series de Tiempo
f. Modelo de Regresión Múltiple
g. ARIMA
h. Redes Neuronales.
i. Modelos ajustados con métodos cuantitativos.
4. Evaluación de indicadores para cada método, lo que será importante para su
comparación, la evaluación de los diferentes indicadores listados.
5. Comparación de resultados, con la finalidad de elegir el mejor modelo.

5.2 RECOLECCIÓN DE DATOS

El objetivo general de la generación de estos pronósticos radica en la venta directa de

exportación, materias primas o fabricantes en la cadena de suministro de equipo original.

Al hacer el estudio de los datos de productos a ser pronosticados encontramos la

siguiente información en 45 periodos mensuales, desde Enero 2005 a Septiembre 2008:
 59

Clientes 70
Productos EO 226
Productos Mat 301
Productos Exp 577
Total 1104

Tabla 5.1 Número de productos en catálogo de acuerdo a mercado

La cantidad de datos debe ser suficiente par poder desarrollar un pronóstico, sin
embargo:

Observaciones Prod Ultimas 12 observaciones

14 mas de 8
40-45 14 0 de 3 a 8
0 menos d 3
14 mas de 8
30-39 57 43 de 3 a 8
0 menos d 3
13 mas de 8
20-29 80 63 de 3 a 8
4 menos d 3
5 mas de 8
10-19 227 145 de 3 a 8
77 menos d 3
1 mas de 8
0-9 726 105 de 3 a 8
620 menos d 3

Tabla 5.2 Periodos que presentan venta en 45 periodos.

La tabla 5.2 muestra la cantidad de productos en el catálogo de venta que presentan

movimiento, en particular es destacable que aunque es un total de 1104 productos en catálogo,
solamente 14 productos (1.26%) presentan venta en más de 40 de los 45 periodos analizados;
de la misma manera 726 productos (65.76%) del catálogo presentan menos de 10
observaciones, de los cuales en los últimos 12 periodos 620 productos (56.16%) presentan
menos de 3 observaciones.

Esto viene a comprobar la ley 80-20, y debe dirigir los recursos para el análisis, ya que
aunque el catálogo actual de productos de venta de la empresa es de 1104 productos, más de
la mitad de estos productos no han tenido movimiento representativo en los últimos 45
periodos de observación.
 60

$3,000,000.00

$2,500,000.00

$2,000,000.00

$1,500,000.00

$1,000,000.00

$500,000.00

$-
1 60 119 178 237 296 355 414 473 532 591 650 709 768 827 886 945 1004 1063
-$500,000.00

Fig. 5.1 Venta acumulada en USD de 45 periodos de observación de productos en catálogo de venta.

$25,000,000.00

$20,000,000.00

$15,000,000.00

$10,000,000.00

$5,000,000.00

$-
1 61 121 181 241 301 361 421 481 541 601 661 721 781 841 901 961 1021 1081

Fig. 5.2 Acumulado de acumulados de venta en USD.

La figura 5.2 muestra el acumulado de ventas del total de productos en los 45 periodos
observados en orden descendente, aquí se observa las diferencias del nivel de ventas de los
productos del catálogo, igualmente en la figura 3.3 se muestra el acumulado de acumulados,
está gráfica esta determinada para el análisis de la ley de Pareto, aquí se puede observar que el
punto de inflexión se encuentra alrededor de la posición 250, al analizar los datos específicos
encontramos que el 80% de la venta se encuentra en tan solo 114 productos, y el 90% de los
productos esta en 216 productos.

5.3 TRATAMIENTO DE LA INFORMACIÓN

Hasta este momento el análisis de los datos obtenidos nos puede llevar a un avance en
la reducción y síntesis; sin embargo, al analizar algunas gráficas de tendencia de estos
productos se observa lo siguiente:
 61
V49-130

1200
1000
800
600
400
200
0

OCTUBRE

OCTUBRE

OCTUBRE
ENERO 2005

ENERO 2006

ENERO 2007

ENERO 2008
JULIO 2005

JULIO 2006

JULIO 2007

JULIO 2008
ABRIL 2005

ABRIL 2006

ABRIL 2007

ABRIL 2008
2005

2006

2007
Fig 5.3 Venta en unidades registrada V49-130

EO-19303-1

12000
10000
8000
6000
4000
2000
0
OCTUBRE

OCTUBRE

OCTUBRE
ENERO 2005

ENERO 2006

ENERO 2007

ENERO 2008
JULIO 2005

JULIO 2006

JULIO 2007

JULIO 2008
ABRIL 2005

ABRIL 2006

ABRIL 2007

ABRIL 2008
2005

2006

2007
Fig. 5.4 Venta en unidades registrada EO-19303-1

05980M

12000
10000
8000
6000
4000
2000
0
OCTUBRE

OCTUBRE

OCTUBRE
ENERO 2005

ENERO 2006

ENERO 2007

ENERO 2008
JULIO 2005

JULIO 2006

JULIO 2007

JULIO 2008
ABRIL 2005

ABRIL 2006

ABRIL 2007

ABRIL 2008
2005

2006

2007

Fig 5.5 Venta en unidades registrada 05980M

La figura 5.3 muestra la venta registrada para el producto V49-130, el cual es el

principal producto, por si mismo representa el 12.5% de la venta total y presenta una demanda
regular en los primeros 21 periodos, donde se observa intermitentemente una demanda de
1000 unidades cada 2 periodos. Sin embargo, a partir del periodo 22 se inicia con una
tendencia irregular, sin sobrepasar nunca el requerimiento de 1000 unidades.

La figura 5.4 muestra la venta registrada para el producto EO-19303-1, el cual es el

segundo producto en importancia, al observar la venta en unidades, se podría concluir que se
tiene un comportamiento regular con variaciones, aun así la estabilidad no es clara ni es
posible observar algún fenómeno de estacionalidad.

Por otro lado la figura 5.5 muestra la venta registrada para el producto 05980M, el es
el es 4to producto en importancia, al observar esta gráfica se puede concluir que el desempeño
de este producto ha cumplido su ciclo de vida, se observa que inicia con fuertes cantidades de
 62
venta alrededor de enero 2006 y su demanda va cayendo paulatinamente con una tendencia
regular hasta llegar a niveles muy bajos alrededor de mayo 2008.

Al analizar estos tres productos, se puede observar que el comportamiento de cada

producto es muy particular, aunque se puede observar en detalle cada elemento no se
encuentra evidente alguna tendencia o estacionalidad en común.

EO-19201-1

2500
2000
1500
1000
500
0
OCTUBRE

OCTUBRE

OCTUBRE
ENERO 2005

ENERO 2006

ENERO 2007

ENERO 2008
JULIO 2005

JULIO 2006

JULIO 2007

JULIO 2008
ABRIL 2005

ABRIL 2006

ABRIL 2007

ABRIL 2008
2005

2006

2007
Fig 5.6 Venta en unidades registrada EO-19201-1

A3074982

6000
5000
4000
3000
2000
1000
0
OCTUBRE

OCTUBRE

OCTUBRE
ENERO 2005

ENERO 2006

ENERO 2007

ENERO 2008
JULIO 2005

JULIO 2006

JULIO 2007

JULIO 2008
ABRIL 2005

ABRIL 2006

ABRIL 2007

ABRIL 2008
2005

2006

2007

Fig 5.7 Venta en unidades registrada A3074982

En las figuras 5.6 y 5.7 se muestran las gráficas para los artículos EO-19202-1 y
A3074982 que son otro par de productos tipo que también se considera adecuado analizar de
manera especial.

Además, se debe tomar en cuenta la opinión de la fuerza de ventas, la cual puede ser
de gran ayuda para identificar algunos puntos críticos, en este caso los principales puntos a
considerar son:

Aquellos clientes que ya no presentarán movimiento, debido a que el negocio ha

llegado a su fin, por diversas condiciones comerciales. Estos clientes, representan un total de
101 diferentes productos, los cuales han terminado su ciclo de vida de producto.

Además, se deben tomar en cuenta ciertas tendencias anunciadas por los compradores
de los clientes, que incluyen bajas y altas en los volúmenes de venta; así mismo, tomar en
cuenta los nuevos negocios que se están desarrollando, sin embargo, estos nuevos negocios
son pronosticados en forma particular en el inicio de cada proyecto.
 63
A continuación se muestran los datos para los cuatros productos principales:

No. Periodo V49-130 EO-19303-1 1724050Y00PUR 05980M

1 ENERO 2005 0 7200 35000 0
2 FEBRERO 2005 1000 6600 55000 0
3 MARZO 2005 0 7200 40344 0
4 ABRIL 2005 1000 4505 50488 0
5 MAYO 2005 0 7200 15500 0
6 JUNIO 2005 990 6600 25000 0
7 JULIO 2005 0 7194 35000 0
8 AGOSTO 2005 1000 7800 35000 0
9 SEPTIEMBRE 2005 0 5400 30000 3780
10 OCTUBRE 2005 1000 9000 46000 0
11 NOVIEMBRE 2005 0 6000 15000 0
12 DICIEMBRE 2005 0 6600 0 0
13 ENERO 2006 1000 7800 37312 8820
14 FEBRERO 2006 0 6000 73256 8760
15 MARZO 2006 1000 9000 23056 8880
16 ABRIL 2006 0 3000 35728 8820
17 MAYO 2006 1000 6000 25344 10080
18 JUNIO 2006 1000 6600 32384 8820
19 JULIO 2006 0 6200 22528 5040
20 AGOSTO 2006 1000 6600 19712 6300
21 SEPTIEMBRE 2006 0 7800 43648 6300
22 OCTUBRE 2006 300 8800 30976 8820
23 NOVIEMBRE 2006 700 9200 30976 7560
24 DICIEMBRE 2006 0 5400 15488 3780
25 ENERO 2007 0 9800 26048 5040
26 FEBRERO 2007 1000 4200 25344 5040
27 MARZO 2007 1000 5000 19712 5040
28 ABRIL 2007 1000 6000 43648 3780
29 MAYO 2007 500 6600 26752 5040
30 JUNIO 2007 479 4800 11264 2520
31 JULIO 2007 1000 6000 35200 1260
32 AGOSTO 2007 21 6000 11264 1260
33 SEPTIEMBRE 2007 0 6600 16896 1260
34 OCTUBRE 2007 1000 9000 33792 3780
35 NOVIEMBRE 2007 0 6600 35200 1260
36 DICIEMBRE 2007 0 5400 21120 2520
37 ENERO 2008 1000 9000 8448 2520
38 FEBRERO 2008 300 7200 21120 2520
39 MARZO 2008 700 5400 30976 1260
40 ABRIL 2008 1000 7200 21120 1260
41 MAYO 2008 1000 7200 9856 0
42 JUNIO 2008 0 6600 11264 1260
43 JULIO 2008 1000 6600 23170 0
44 AGOSTO 2008 0 7200 0 0
 64
45 SEPTIEMBRE 2008 1000 3600 0 2520

Tabla 5.3 Histórico de Ventas productos principales

De esta información se puede observar que existen suficientes datos históricos para
hacer un análisis estadístico.

Sin embargo, vale la pena denotar que el tercer artículo 1724050Y00PUR, forma parte
de aquellos a los que su tiempo de vida de negocio ha terminado y el pronóstico de venta debe
ser cero en todos los siguientes periodos.

5.4 PROCESO DE GENERACIÓN DE PRONÓSTICO

Para la aplicación de los diferentes métodos de pronósticos, se define utilizar 45

componentes para la generación de los mismos, generar pronóstico para 12 periodos al futuro
y analizar con las observaciones reales obtenidas en esos periodos.

A continuación se hará el desarrollo específico para los restantes tres artículos

principales, que presentan una buena muestra de los diferentes patrones que presentan los
diferentes artículos:

5.4.1 MÉTODOS CUALITATIVOS SIMPLES.

El análisis inicial será con el método más simple, que en este caso es un desarrollo
informal, se inicia con este método debido a que resulta ser el más económico (no implica
ningún costo extra) y no registra algún requerimiento especial. Por lo que cualquier otro
método aplicado debe mejorar el resultado de este, para considerarse como valioso en el
desarrollo de pronósticos. Es decir, este resultado será la base y punto de comparación para
evaluar el valor agregado que pueden dar los diferentes tipos de métodos de pronósticos
estudiados.

A continuación se presenta el pronóstico de los siguientes productos:

Periodo V49-130 EO-19303-1 05980M EO-19201-1 A3074982

46 0 6600 1260 500 0
47 0 6600 1260 500 0
48 0 6600 1260 500 0
49 1000 6600 1260 500 2000
50 0 6600 1260 500 0
51 1000 6600 1260 500 0
52 0 6600 1260 500 0
53 1000 6600 1260 500 0
54 0 6600 1260 500 2000
55 1000 6600 1260 500 0
56 0 6600 1260 500 0
57 1000 6600 1260 500 0

Tabla 5.4 Pronóstico generado por método cualitativo simple.

 65
5.4.2 MÉTODOS DE PROMEDIO SIMPLE.

Nuestro segundo análisis, se dará por un método casi igual de sencillo, y de

prácticamente muy bajos requerimientos, se trata del promedio simple, que simplemente
busca pronosticar para cada periodo en el futuro un valor constante que será igual al promedio
simple de todas las observaciones. Sus requerimientos son de matemáticas simples y no se
requiere más que una calculadora sencilla.

A continuación se presenta el pronóstico de los siguientes productos:

Periodo V49-130 EO-19303-1 05980M EO-19201-1 A3074982

46 511 6660 3220 854 1289
47 511 6660 3220 854 1289
48 511 6660 3220 854 1289
49 511 6660 3220 854 1289
50 511 6660 3220 854 1289
51 511 6660 3220 854 1289
52 511 6660 3220 854 1289
53 511 6660 3220 854 1289
54 511 6660 3220 854 1289
55 511 6660 3220 854 1289
56 511 6660 3220 854 1289
57 511 6660 3220 854 1289

Tabla 5.5 Pronóstico generado por promedio simple.

5.4.3 MÉTODO DE SUAVIZAMIENTO EXPONENCIAL.

Con la finalidad de identificar el método de generación de pronósticos más adecuado y

que nos conduzca a un nivel de error mínimo a continuación se repite el análisis para los
mismos números de parte, ahora aplicando el método de ajuste exponencial, en este caso se
utilizará un análisis mediante un software, encontrando el mejor índice α, logrando los
siguientes datos:

Periodo V49-130 EO-19303-1 05980M EO-19201-1 A3074982

46 514 6500 2097 643 0
47 514 6500 2097 643 0
48 514 6500 2097 643 0
49 514 6500 2097 643 0
50 514 6500 2097 643 0
51 514 6500 2097 643 0
52 514 6500 2097 643 0
53 514 6500 2097 643 0
54 514 6500 2097 643 0
55 514 6500 2097 643 0
56 514 6500 2097 643 0
57 514 6500 2097 643 0
α 0.06 0.09 0.83 0.27 0.00
 66
Tabla 5.6 Pronóstico generado por suavizamiento exponencial.

5.4.4 MÉTODO DE SUAVIZAMIENTO EXPONENCIAL AJUSTADO PARA

VARIACIONES DE TENDENCIA Y ESTACIONALES (HOLT-WINTERS).

Siguiendo con el método definido, se presenta a continuación los resultados utilizando

el modelo de Holt-Winters, estos métodos requieren un conocimiento mayor, así como
requerimientos computacionales más elevados y se debe considerar la complejidad de este
método:

Periodo V49-130 EO-19303-1 05980M EO-19201-1 A3074982

46 826 8966 -272 0 0
47 174 6681 -276 416 0
48 0 6130 -258 728 0
49 594 8122 -875 667 0
50 544 6240 -1160 0 236
51 705 6667 -1042 421 0
52 866 5153 -1239 842 0
53 718 6936 -786 1107 0
54 409 6291 -2216 762 0
55 708 6725 -370 809 295
56 297 7198 -481 0 295
57 460 5531 49935 500 0
α 0.00 0.00 0.04 0.15 0.41
β 0.00 0.00 0.87 0.00 1.00
γ 0.46 0.22 0.55 1.00 0.00

Tabla 5.7 Pronóstico generado por suavizamiento exponencial ajustado.

En este caso, se debe resaltar el resultado para el producto 05980M, dado que se produjeron
valores negativos que no tienen una interpretación valida, por lo que todos estos puntos se
tendrán que ajustar forzosamente al valor nulo cero. De este modo este análisis en particular
para este producto es rechazado.

5.4.5 ESTUDIO MEDIANTE EL MÉTODO DE DESCOMPOSICIÓN POR SERIES

DE TIEMPO.

Inicialmente se hace el análisis de tendencia, por medio de una regresión simple,

mediante el método de mínimos cuadrados, encontrando los siguientes resultados:

Periodo V49-130 EO-19303-1 05980M EO-19201-1 A3074982

46 593 6468 2964 747 1048
47 596 6460 2953 742 1038
48 600 6451 2942 738 1027
49 604 6443 2931 733 1017
 67
50 607 6435 2920 728 1006
51 611 6426 2909 724 996
52 614 6418 2898 719 985
53 618 6410 2887 714 975
54 622 6401 2875 710 964
55 625 6393 2864 705 954
56 629 6385 2853 700 943
57 632 6376 2842 696 933
a 428.73 6851.79 3475.64 961.76 1529.80
b 3.57 -8.34 -11.11 -4.66 -10.47

Tabla 5.8 Pronóstico generado por regresión simple.

Siguiendo con el proceso, se hace la descomposición completa de estas series de

tiempo, para su análisis:

Para el V49-130:

Component Analysis for V49-130

Multiplicative Model
Original Data Detrended Data
1000
1500
Detr. Data

1000
Data

0
500

0 -1000
1 9 18 27 36 45 1 9 18 27 36 45
Index Index

Seasonally Adjusted Data Seasonally Adj. and Detrended Data

Seas. A dj. and Detr. Data

1000
Seas. A dj. Data

1500

1000 0

500

0 -1000
1 9 18 27 36 45 1 9 18 27 36 45
Index Index

Fig 5.8 Gráficas de descomposición para V49-130-

 68
Para el EO-19303-1

Component Analysis for EO-19303-1

Multiplicative Model
Original Data Detrended Data
4000
10000

Detr. Data
8000
Data

0
6000

4000
-4000
1 9 18 27 36 45 1 9 18 27 36 45
Index Index

Seasonally Adjusted Data Seasonally Adj. and Detrended Data

Seas. A dj. and Detr. Data

4000
10000
Seas. A dj. Data

8000
0
6000

4000
-4000
1 9 18 27 36 45 1 9 18 27 36 45
Index Index

Fig 5.9 Gráficas de descomposición para EO-19303-1-

Para el 05980M:

Component Analysis for 05980M

Multiplicative Model
Original Data Detrended Data
15000
5000
Detr. Data

10000
Data

0
5000

0 -5000

1 9 18 27 36 45 1 9 18 27 36 45
Index Index

Seasonally Adjusted Data Seasonally Adj. and Detrended Data

Seas. A dj. and Detr. Data

15000
5000
Seas. A dj. Data

10000
0
5000

0 -5000

1 9 18 27 36 45 1 9 18 27 36 45
Index Index

Fig 5.10 Gráficas de descomposición para 05980M

 69
Para el EO-19201-1:

Component Analysis for EO-19201-1

Multiplicative Model
Original Data Detrended Data
1000
2000
500

Detr. Data
Data

1000 0

-500
0
1 9 18 27 36 45 1 9 18 27 36 45
Index Index

Seasonally Adjusted Data Seasonally Adj. and Detrended Data

Seas. A dj. and Detr. Data

1000
Seas. A dj. Data

2000
500

1000 0

-500
0
1 9 18 27 36 45 1 9 18 27 36 45
Index Index

Fig 5.11 Gráficas de descomposición para EO-19201-1

Para A3074982

Component Analysis for A3074982

Multiplicative Model
Original Data Detrended Data
4000
4500
Detr. Data

3000
0
Data

1500
-4000
0
1 9 18 27 36 45 1 9 18 27 36 45
Index Index

Seasonally Adjusted Data Seasonally Adj. and Detrended Data

Seas. A dj. and Detr. Data

4000
4500
Seas. A dj. Data

3000
0

1500
-4000
0
1 9 18 27 36 45 1 9 18 27 36 45
Index Index

Fig 5.12 Gráficas de descomposición para A3074982

 70
Con esta información se generan los pronósticos y se encuentran los siguientes resultados:

Periodo V49-130 EO-19303-1 05980M EO-19201-1 A3074982

46 838 9124 4296 360 0
47 0 6837 1999 417 0
48 0 5507 2125 397 0
49 821 9038 4880 764 0
50 245 6303 4998 361 0
51 814 5414 3587 487 2568
52 383 4698 3658 954 0
53 618 6546 4479 689 2523
54 592 5886 3060 759 1068
55 0 6543 1288 1129 5330
56 863 6511 1381 664 5379
57 0 6929 2839 737 0

Tabla 5.9 Pronóstico generado por descomposición de series de tiempo.

5.4.6 MODELO DE REGRESIÓN MÚLTIPLE.

Para el desarrollo adecuado del modelo, será necesario contar con información a partir
de la cual se pueda sugerir la correlación entre diferentes variables, en este caso se obtuvieron
los siguientes datos para buscar correlación, similares a los que utilizó Shahabuddin [70],
estos datos se obtuvieron del banco de México [68]:

• Indicador Global de la Actividad Económica..

• PIB.
• Producción de Autos en México.
• Producción de Autos en –Norteamérica.

Al hacer el análisis gráfico de los indicadores se encuentra que no hay mucha similitud
con las gráficas de los productos:

Para el IGAE:

IGAE

140.00000000
120.00000000
100.00000000
80.00000000
60.00000000
40.00000000
20.00000000
0.00000000
05

06

07

08

8
5

8
5

7
l-0

l-0

l-0

l-0
r- 0

r- 0

r- 0

r- 0
-0

-0

-0
e-

e-

e-

e-
ct

ct

ct
Ju

Ju

Ju

Ju
Ab

Ab

Ab

Ab
En

En

En

En
O

O
 71
Fig 5.13 Gráfica de indicador IGAE.

Para el PIB

PIB

14,000,000.0
12,000,000.0
10,000,000.0
8,000,000.0
6,000,000.0
4,000,000.0
2,000,000.0
0.0
05

06

07

08

8
5

8
5

7
l-0

l-0

l-0

l-0
r- 0

r- 0

r- 0

r- 0
-0

-0

-0
e-

e-

e-

e-
ct

ct

ct
Ju

Ju

Ju

Ju
Ab

Ab

Ab

Ab
En

En

En

En
O

O
Fig 5.14 Gráfica de indicador PIB.

Para los indices de producción en Mex y Norteamerica

PRODUCCION DE AUTOS MEX

250,000.00
200,000.00
150,000.00
100,000.00
50,000.00
0.00
5

8
05

06

07

08
5

8
5

7
l-0

l-0

l-0

l-0
r- 0

r- 0

r- 0

r- 0
-0

-0

-0
e-

e-

e-

e-
ct

ct

ct
Ju

Ju

Ju

Ju
Ab

Ab

Ab

Ab
En

En

En

En
O

Fig 5.15 Gráfica de indicador producción de autos en México.

 72

PRODUCCION DE AUTOS NA

18,000,000.00
16,000,000.00
14,000,000.00
12,000,000.00
10,000,000.00
8,000,000.00
6,000,000.00
4,000,000.00
2,000,000.00
0.00
05

06

07

08

8
5

8
5

7
l-0

l-0

l-0

l-0
r- 0

r- 0

r- 0

r- 0
-0

-0

-0
e-

e-

e-

e-
ct

ct

ct
Ju

Ju

Ju

Ju
Ab

Ab

Ab

Ab
En

En

En

En
O

O
Fig 5.16 Gráfica de indicador producción de autos en Norteamérica.

Con estos datos se corren los análisis de regresión para los diferentes artículos, con los
siguientes resultados:

Para el V49-130:

Y = −3449 − 8.2 IGAE + 0.000229 PIB − 0.0012 AUTOMEX + 177 AUTONA (5-1)

Con R2 = 12.5%; lo cual indica la probabilidad que se cumpla esta ecuación de regresión, esto
lo podemos confirmar con gráficas de residuales:

Residual Plots for Dt

Normal Probability Plot of the Residuals Residuals Versus the Fitted Values
99
500
90
Residual
Percent

0
50

-500
10

1 -1000
-1000 -500 0 500 1000 200 400 600 800
Residual Fitted Value

Histogram of the Residuals Residuals Versus the Order of the Data

500
8
Frequency

6
Residual

4
-500
2

0 -1000
-800 -600 -400 -200 0 200 400 600 1 5 10 15 20 25 30 35 40 45
Residual Observation Order

Fig 5.17 Gráficas de residuales para ecuación (5-1).

 73
Donde se puede observar que el nivel de los residuales es muy grande, y por lo tanto no se
recomienda para el desarrollo de pronósticos.

Para el EO-19303-1:

Y = −5651 + 195 IGAE − 0.000855 − 0.0046 AUTOMEX + 3.8 AUTONA (5-2)

Con R2 = 9.8%; lo cual indica una probabilidad muy baja de que se pueda dar esta regresión,
analizando los residuales:

Residual Plots for Dt

Normal Probability Plot of the Residuals Residuals Versus the Fitted Values
99 4000

90
2000

Residual
Percent

50
0

10 -2000
1
-4000 -2000 0 2000 4000 5500 6000 6500 7000 7500
Residual Fitted Value

Histogram of the Residuals Residuals Versus the Order of the Data

8 4000

6 2000
Frequency

Residual

4 0

2
-2000
0
-2400 -1200 0 1200 2400 1 5 10 15 20 25 30 35 40 45
Residual Observation Order

Fig 5.18 Gráficas de residuales para ecuación (5-2).

Podemos observar que los niveles de los residuales son altos y no presentan tendencia, por lo
que no se puede recomendar el método para generar pronósticos.

Los demás resultados, son similares, por lo que la conclusión general es que estas
variables independientes no son las adecuadas para la generación de regresiones, por lo que al
utilizar estas variables, como variables explicativas no se puede generar un método
estadísticamente significativo para proponer pronósticos.

5.4.7 MÉTODO ARIMA.

Para el desarrollo adecuado de estos métodos, se debe contar con herramientas

computacionales adecuadas, además de requerir un nivel de conocimiento elevado y tiempo
de proceso. Se utiliza para estos ejercicios el análisis a partir de MiniTab.

Los diferentes productos tipo analizados, se propondrán con un modelo inicial a partir
del análisis de sus graficas de autorrelación y de autocorrelación parcial:
 74
Para el V49-130

Autocorrelation Function for V49-130 Partial Autocorrelation Function for V49-130

(with 5% significance limits for the autocorrelations) (with 5% significance limits for the partial autocorrelations)

1.0 1.0
0.8 0.8
0.6 0.6

Partial Autocorrelation
0.4 0.4
Autocorrelation

0.2 0.2
0.0 0.0
-0.2 -0.2
-0.4 -0.4
-0.6 -0.6
-0.8 -0.8
-1.0 -1.0

1 2 3 4 5 6 7 8 9 10 11 12 1 2 3 4 5 6 7 8 9 10 11 12
Lag Lag

Fig 5.19 Gráficas de correlación directa y parcial para V49-130.

Del análisis de estas gráficas se define iniciar con un modelo ARIMA(1,0,1)

Para el EO-19303-1

Autocorrelation Function for EO-19303-1 Partial Autocorrelation Function for EO-19303-1

(with 5% significance limits for the autocorrelations) (with 5% significance limits for the partial autocorrelations)

1.0 1.0
0.8 0.8
0.6 0.6
Partial Autocorrelation

0.4 0.4
Autocorrelation

0.2 0.2
0.0 0.0
-0.2 -0.2
-0.4 -0.4
-0.6 -0.6
-0.8 -0.8
-1.0 -1.0

1 2 3 4 5 6 7 8 9 10 11 12 1 2 3 4 5 6 7 8 9 10 11 12
Lag Lag

Fig 5.20 Gráficas de correlación directa y parcial para EO-19303-1.

Se define iniciar con un modelo ARIMA(1,1,1) debido a que no se observa que la serie sea
estacionaria.

Para el 05980M
 75
Autocorrelation Function for 05980M Partial Autocorrelation Function for 05980M
(with 5% significance limits for the autocorrelations) (with 5% significance limits for the partial autocorrelations)

1.0 1.0
0.8 0.8
0.6 0.6

Partial Autocorrelation
0.4 0.4
Autocorrelation 0.2 0.2
0.0 0.0
-0.2 -0.2
-0.4 -0.4
-0.6 -0.6
-0.8 -0.8
-1.0 -1.0

1 2 3 4 5 6 7 8 9 10 11 12 1 2 3 4 5 6 7 8 9 10 11 12
Lag Lag

Fig 5.21 Gráficas de correlación directa y parcial para 05980M.

Se define iniciar el análisis con un modelos ARIMA(1,0,0).

Para el EO-19201-1:

Autocorrelation Function for EO-19201-1 Partial Autocorrelation Function for EO-19201-1

(with 5% significance limits for the autocorrelations) (with 5% significance limits for the partial autocorrelations)

1.0 1.0
0.8 0.8
0.6 0.6
Partial Autocorrelation

0.4 0.4
Autocorrelation

0.2 0.2
0.0 0.0
-0.2 -0.2
-0.4 -0.4
-0.6 -0.6
-0.8 -0.8
-1.0 -1.0

1 2 3 4 5 6 7 8 9 10 11 12 1 2 3 4 5 6 7 8 9 10 11 12
Lag Lag

Fig 5.22 Gráficas de correlación directa y parcial para EO-19201-1.

A partir de estas graficas de autocorrelación se define el inicio para el método Box-Jenkins

sea con un modelo ARIMA(1,1,1).

Para el A3074982

Autocorrelation Function for A3074982 Partial Autocorrelation Function for A3074982

(with 5% significance limits for the autocorrelations) (with 5% significance limits for the partial autocorrelations)

1.0 1.0
0.8 0.8
0.6 0.6
Partial Autocorrelation

0.4 0.4
Autocorrelation

0.2 0.2
0.0 0.0
-0.2 -0.2
-0.4 -0.4
-0.6 -0.6
-0.8 -0.8
-1.0 -1.0

1 2 3 4 5 6 7 8 9 10 11 12 1 2 3 4 5 6 7 8 9 10 11 12
Lag Lag

Fig 5.23 Gráficas de correlación directa y parcial para A3074982.

 76

En este caso se define iniciar con un modelo ARIMA(1,0,1).

A continuación se presentan los resultados, de los productos tipo analizados, y la

configuración ARIMA con la se obtuvo el mejor valor p:

Periodo V49-130 EO-19303-1 05980M EO-19201-1 A3074982

46 217 6560 1963 298 653
47 630 5396 2007 373 795
48 510 5043 2051 339 818
49 510 5819 2095 348 813
50 510 5187 2139 340 802
51 510 5337 2183 338 789
52 510 5408 2227 334 775
53 510 5196 2270 331 762
54 510 5281 2314 328 748
55 510 5221 2358 325 735
56 510 5159 2402 321 721
57 510 5165 246 318 708
ARIMA (0,0,2) (2,1,0) (0,1,1) (1,1,0) (1,1,1)

Tabla 5.10 Pronóstico generado por método ARIMA.

5.4.8 REDES NEURONALES.

Para el caso del análisis con reden neuronales, es necesaria la programación del
modelo y el desarrollo del proyecto en si.

La arquitectura del proyecto se definió, suficiente para el desarrollo de 33 señales de

entrada y las 12 señales de salida buscadas, con una oculta con 20 nodos. La arquitectura de
red es lineal y se encuentra desarrollada para estos casos particulares.
 77

Fig 5.24 Esquema de arquitectura de redes neuronales.

Se utilizaran 33 señales de salida, con la finalidad de utilizar 12 datos para el periodo

de entrenamiento, en el cual se definieron 200 ciclos entrenamiento. También se debe
mencionar que para el desarrollo de la función sigmoidea se requieren normalizar los datos,
por lo que se requiere aplicar la siguiente formula:

Yi − Ymin
Yn = 0.8 + 0.1 (5-3)
Ymax − Ymin

Para su desarrollo se utilizó el programa desarrollado por Granados [67]

El resultado es el siguiente:

Periodo V49-130 EO-19303-1 05980M EO-19201-1 A3074982

46 1000 7214 2321 498 0
47 0 7387 1880 498 0
48 0 6947 1712 512 0
49 942 8051 2321 688 1938
50 0 8051 2321 1019 0
51 874 6251 1712 1325 0
52 0 4312 1712 1569 0
53 732 4912 1203 1931 0
54 648 5178 1112 2578 1877
55 0 5178 546 3124 2312
56 492 5241 0 4213 2401
57 0 5482 0 5301 1389

Tabla 5.11 Pronóstico generado por redes neuronales.

 78
5.4.9 COMPARACIÓN DE RESULTADOS.

a continuación se muestran las graficas de comparación con los datos reales obtenidos
en los siguientes 12 periodos, es muy importante destacar que los elementos de la situación
económica global se presentaron justamente en el punto de quiebre en el periodo 45-46, por lo
que los resultados presentan un muy fuerte sesgo:

Para el V49-130:

V49-130

1200
REAL
1000
TANTEO
800 PROM
SES
600 H-W
RL
400
ST
200 ARIMA
RN
0
46 47 48 49 50 51 52 53 54 55 56 57
PERIODO

Fig 5.25 Gráfica comparativa de pronósticos para V49-130.

Para el EO-19303-1

EO-19303-1

10000
9000 REAL
8000 TANTEO
7000 PROM
6000 SES
5000 H-W
4000 RL
3000 ST
2000 ARIMA
1000 RN
0
46 47 48 49 50 51 52 53 54 55 56 57
PERIODO

Fig 5.26 Gráfica comparativa de pronósticos para EO-19303-1

 79
Para el 05980M, nótese que no se toman los resultados del H-W:

05980M

6000
REAL
5000
TANTEO
4000 PROM
SES
3000 H-W
RL
2000
ST
1000 ARIMA
RN
0
46 47 48 49 50 51 52 53 54 55 56 57
PERIODO

Fig 5.27 Gráfica comparativa de pronósticos para 05980M-

Para el EO-19201-1

EO-19201-1

6000
REAL
5000
TANTEO
4000 PROM
SES
3000 H-W
RL
2000 ST

1000 ARIMA
RN
0
46 47 48 49 50 51 52 53 54 55 56 57
PERIODO

Fig 5.28 Gráfica comparativa de pronósticos para EO-19201-1

 80
Para el A3074982:

A3074982

6000
REAL
5000
TANTEO
4000 PROM
SES
3000 H-W
RL
2000
ST
1000 ARIMA
RN
0
46 47 48 49 50 51 52 53 54 55 56 57
PERIODO

Fig 5.29 Gráfica comparativa de pronósticos para A3074982.

Hasta este punto, podemos observar que los mejores resultados se encuentran con los
métodos más complejos, a excepción del EO-19201-1 en el que el pronóstico generado por
redes neuronales tuvo un fuerte crecimiento, que desde el momento de su generación resulta
en una particularidad.

5.4.10 AJUSTE DE MÉTODOS CUANTITATICOS Y CUALITATIVOS.

Para que cualquier enfoque de predicción sea realista y pertinente en términos

prácticos, debe evitar los dos problemas primordiales a los que se enfrenta el enfoque
tradicional de la predicción estadística: 1) la selección basada en qué tan bien se ajusta un
modelo a los datos disponibles para pronósticos con un periodo adelantado y 2) suponer
constancia de los patrones o relaciones.

Al principio, las características deseadas del nuevo enfoque podrían parecer

contradictorias. Por ejemplo, cualquier modelo de series de tiempo debe fundamentarse en
datos del pasado. Al mismo tiempo, sabemos que el futuro no puede ser el mismo que el
pasado. Además, se deben usar todos los datos para desarrollar el modelo de predicción, ya
que de otra forma se podría perder cierta información; a la vez, se aboga por la idea de que se
debe hacer una prueba externa a la muestra. Estos requerimientos aparentemente
contradictorios pueden lograrse simultáneamente si se está dispuesto a reconceptualizar el
enfoque del modelo y la predicción estadísticos.

En lugar de emplear todos los puntos de datos para desarrollar un modelo de

predicción, se puede utilizar inicialmente cierta parte de los puntos de datos para desarrollar el
modelo y hacer las predicciones. Puesto que existen datos reales más allá de los usados para
desarrollar el modelo, la exactitud de los pronósticos reales de los modelo pueden probarse
para cada uno de los pronósticos. Las medidas de precisión, como el MAPE, MSE y MAD
 81
para pronósticos con m periodos adelantados pueden, por lo tanto, calcularse. Una vez que
tales medidas se han calculado, puede emplearse un punto de datos más, hacer nuevamente m
pronósticos y registrar su precisión predictiva real. El proceso puede repetirse, cada vez
utilizando un punto de datos más, hasta que se hayan usado todas las observaciones excepto
una. Este tipo de verificación se puede llamar externa a la muestra.

A partir de este momento se deben combinar los datos cuantitativos con la

información que pueden proporcionar los diferentes involucrados en el proceso de pronóstico,
resulta de importancia el involucrar a todos aquellos que podrían hacer uso o se pueden ver
afectados por el desarrollo del pronóstico. Como se mencionó, la utilización de una
combinación de métodos puede llevar a un mejor pronóstico frente a los periodos futuros,
debido a que en variadas ocasiones el futuro se puede separar de los patrones o tendencias del
pasado. Sin embargo, se debe tener especial atención a la información basada en perspectivas,
ya que por lo general se mantienen sesgos y limitaciones.

5.4.10.1 Sesgos y limitaciones.

Existen dos hallazgos clave provenientes de la psicología cognoscitiva o discrecional

que se refieren al juicio humano: 1) la habilidad humana para procesar información es
limitada y 2) la gente es adaptativa [57]. Para comprender el proceso de juicio, es necesario
especificar el contexto en el cual ocurre. De la literatura psicológica sabemos que la gente está
fuertemente motivada para entender, y por lo tanto, controlar el ambiente en el que vive. Esta
búsqueda por entender y controlar es la razón de ser de la predicción, planificación y
estrategia. Sin embargo, los resultados reales que la gente experimenta dependen no sólo de
sus propias acciones, sino también de factores fuera de su control.

Una gran cantidad de pruebas indican que las búsquedas de información superficiales
y los sesgos de procesamiento causan errores significativos en el proceso de toma de
decisiones [58]. Algunos sesgos y limitaciones son particularmente comunes y significativos
por su impacto en las situaciones de predicción. Saber el modo en que éstos aparecen y como
podrían controlarse puede mejorar sustancialmente el desempeño de los métodos de
predicción discrecionales, a continuación se muestran algunos sesgos sugeridos por
Armostrong [59]:

• Exceso de confianza en los juicios de valor; la gente tiene excesiva confianza acerca
de la exactitud de sus pronósticos, cuando se cuenta con información adicional se
aumenta drásticamente dicha confianza y se debe tomar en cuenta que la exactitud y la
confianza no están correlacionadas, los que son los más confiados no necesariamente
son los pronosticadores más exactos.
• Correlaciones ilusorias; desafortunadamente debido a la fuerte necesidad de dominar y
controlar el ambiente, la mayoría de los pronosticadores están sumamente motivados
para ver pautas en el medio cuando podría no haber ninguna. A esta necesidad de
inferir pautas se le conoce en psicología como correlación ilusoria. Este sesgo
discrecional es de fundamental importancia para la predicción. Por lo menos, los
pronosticadores que utilizan los resultados de modelos cuantitativos deben observar la
varianza estimada de las predicciones para tener una idea del alcance de la
incertidumbre futura.
 82
• Sesgo de disponibilidad; este problema, el cual se refiere a la tendencia humana a
recordar situaciones y sucesos selectivamente [60], un sesgo muy relacionado con la
disponibilidad es lo reciente. La gente tiene a recordar la información acerca de
sucesos recientes más fácilmente que aquella sobre sucesos más antiguos. Por lo tanto,
los hechos recientes influyen sus juicios de valor introduciendo el sesgo de lo reciente.
• Anclado; esto representa el fenómeno de dar un desproporcionado peso a un dato o
información, más que a información objetiva generada por algún reporte formal, en
particular en las organizaciones se le da mayor peso a la perspectiva de los empleados
de mayor rango.
• Sesgo de retrospectiva; raramente la gente se sorprende por los sucesos que ya han
transcurrido, aun cuando esa misma gente pueda tener problemas considerables al
pronosticar los mismos sucesos, una vez que cierto suceso se da, a la gente le parece
fácil explicarlo, o llegar a la conclusión que sabía que sucedería tal y como pasó. En
otras palabras, aprender es difícil o imposible si no se esta dispuesto a aceptar errores.
• Subestimación de la incertidumbre; una de las principales consecuencias de los sesgos
discrecionales mencionados es que se subestima de forma grave la incertidumbre
asociada con sucesos futuros, una evaluación realista de la incertidumbre es uno de los
aspectos más importantes de la predicción discrecional.
• Inconsistencia de los juicios de valor; desafortunadamente, el humor y otros factores
diversos tienen una influencia significativa en las decisiones y acciones y marcan con
inconsistencias los juicios de valor, la inconsistencia de las decisiones rutinarias
cotidianas introduce sesgo y su resultado puede ser pérdidas reales o de oportunidad
para la organización.

5.4.10.2 Juicios de la fuerza de ventas

A continuación, se toman en cuenta la información que la fuerza de ventas tiene sobre

el mercado y su percepción general.

¾ Se debe considerar es relativo a un cliente de materiales exportación, con el cual justo

acaba de terminar dos periodos atrás, una negociación de un fuerte aumento de precio
de alrededor de 62%, dando como resultado la aceptación por parte del cliente, sin
embargo, se mantiene un ambiente de temor, relativo a que el cliente comience a
buscar una proveeduría aparte, por este punto, se considera el cambio de tendencia
pronosticada, y se disminuye el volumen considerado en los 37 productos (3.35%) que
se le están surtiendo, esto, principalmente a partir de 5 periodos adelante,
considerando tiempo para el desarrollo de su proveeduría.
¾ La liberación de productos ya de línea, pero que durante los últimos meses han estado
presentando problemas de calidad, implica cierto cambio de tendencia; es decir por
ejemplo, una línea de materiales laminados con malla, estuvo presentando niveles de
desecho hasta tocar el 16%, nivel que es muy alto para un proceso productivo, al
desarrollar la labor de procesos y mejorar esta situación se considera que esta línea de
productos este retomando mercado y se aumente considerablemente su venta; de igual
modo se considera por la fuerza de ventas, sobre toda la línea de materiales,
considerando un total de 244 productos (22.10%); de este modo, se considera un
cambio de tendencia y venta, incluso llegando a prácticamente el doble de lo
pronosticado por los métodos cuantitativos, principalmente a partir de 3 periodos
adelante.
 83
¾ Para clientes específicos de equipo original armadora, que en este caso abarcan a dos
armadoras con un total de 36 productos, los cuales representan un 3.26% del total, se
puede considerar la información proporcionada por los compradores mismos a la
fuerza de ventas; en estos casos los requerimientos son enviados por medio de una
plataforma EDI con un amplio espectro de proyección que llega a abarcar hasta 6
meses de plan, este tipo de productos se sabe con seguridad que su venta llegará pues
son principalmente aquellos que periodo tras periodo presentan venta, por lo tanto la
fuerza de ventas se muestra suficientemente optimista para proyectar venta en niveles
altos y estables, bajo el argumento de que si por algún aspecto extraordinario la venta
no se llegará a concretar en el periodo de pronostico seguramente se dará en el
siguiente periodo.
¾ Para el caso del mayor cliente distribuidor en USA, al cual se le surten la mayor
cantidad de productos con un total de 292 productos (26.45%), la fuerza de venta
cuenta con una proyección de compra que contiene información de 12 periodos
futuros, por parte del cliente, sin embargo, se considera de baja credibilidad pues en la
experiencia se han presentado grandes variaciones a lo largo de los periodos; aún con
esto, la recomendación de la fuerza de ventas es considerar una combinación del
pronóstico del cliente y el resultado del calculo de pronostico, esto ya implica un
esfuerzo considerable por la cantidad de productos a analizar, lo cual añade una
variable de complicación a este proceso.
¾ Un dato de suma importancia añadido por la fuerza de ventas es la proyección de
ventas de nuevos productos o nuevos proyectos; este proceso solo puede ser
considerado por este medio ya que al tratarse de productos nuevos no se cuenta con
ningún historial ni datos de venta pasada; esto conlleva la responsabilidad del
desarrollo de pronóstico al personal de marketing; sin embargo, para el caso de la
venta de autopartes, el proceso se enfoca al tamaño de proyecto negociado con cada
uno de los cliente en el proceso de venta. En este caso la información obtenida con
estos fines indica que se estarían desarrollando 52 nuevos productos clasificados como
juntas de hule, 4 clasificados como juntas duras y 35 juntas blandas; de todos esto ya
se cuenta con orden de compra y se tiene liberado para el inicio de producción.
Igualmente se consideran 10 productos clasificados como retenes, 5 clasificados como
juntas duras y 2 piezas de hule, como negocios factibles, esto quiere decir que aunque
no se cuenta con orden de compra, la fuerza de ventas considera, con alto nivel de
confiabilidad, que se estaría obteniendo a lo largo de los siguientes 4 ó 5 periodos.
Para todos estos proyectos se cuenta con un estudio de factibilidad, donde se muestra
la capacidad necesaria en maquinaría, materias primas y mano de obra, esta
información es la que será utilizada para el desarrollo de la administración de recursos.
¾ A continuación se considera la información relativa al entorno económico actual, para
este punto la fuerza de ventas considera un alto nivel de incertidumbre tanto en el
mercado cambiario como en la economía mundial, por lo que las consideraciones para
exportaciones son reconsideradas, para este proceso se consideran los productos de
exportación, lo que implica 541 productos (49.00%) que son reducidos en forma
general por efecto de la incertidumbre en un 11%, sin embargo, se considera el efecto
de crecimiento de oportunidades para los países en desarrollo, punto en el cual México
se encuentra en una posición inmejorable geográfica y comercialmente en relación con
Estados Unidos, por lo que también se considera un probable aumento de la venta por
estas causas considerando alrededor de un 5% de aumento, con todo esto da como
resultado una reducción general del 6%.
 84
5.4.10.3 Juicios de ejecutivos

El desarrollo propuesto para obtener pronósticos sugiere la recopilación de

información con todos los involucrados y afectados por los pronósticos, al ser estos el inicio
sobre el cual se genera el proceso del negocio, se debe tomar juicio a los lideres de la
organización, obteniendo en algunos puntos discreción sobre varios puntos, que deben ser
recopilados por parte del responsable de los pronósticos:

Ž El jurado de opinión ejecutiva considera importante indicar el desarrollo y venta de

productos clasificados como termoplásticos, estos productos representan un nuevo
proyecto en el que se esta considerando crecimiento, sin embargo no se cuenta con
información del nivel al cual se considera que pudiera elevarse esta venta.
Ž El jurado de opinión ejecutiva considero demasiada alta la expectativa de crecimiento
con respecto a lo generado con el proceso de pronóstico por parte de la fuerza de
ventas y considera necesario limitar ese crecimiento a valores más conservadores, sin
que esto limite fuertemente el crecimiento proyectado.
Ž Se considera subestimado el crecimiento que puede llegar a tener el crecimiento para
clientes de exportación, incluso superando las expectativas de reducción y
considerando un efecto global de aumento de alrededor del 12% de crecimiento.
Ž Los lideres de la organización, manifestaron su interés por limitar el uso de los
recursos, como parte de los objetivos generales de la empresa se encuentra el aumento
de rentabilidad y se estaría buscando la forma de reducir los recursos utilizados para
un aumento de productividad.

5.4.10.4 Resultados del ajuste por métodos cualitativos

Aplicando estos juicios, se vuelven a presentar los mismos resultados, excepto el de

tanteo, ya con el ajuste por estos métodos cualitativos:

Para el V49-130

V49-130
1000
900
800 REAL
700 PROM
600 SES
500 H-W
400 RL
300
ST
200
ARIMA
100
RN
0
46 47 48 49 50 51 52 53 54 55 56 57
PERIODO

Fig 5.30 Gráfica comparativa de pronósticos ajustados para V49-130.

 85

Para el EO-19303-1

EO-19303-1
10000
9000
8000
REAL
7000 PROM
6000 SES
5000 H-W
4000 RL
3000 ST
2000 ARIMA
1000 RN
0
46 47 48 49 50 51 52 53 54 55 56 57
PERIODO

Fig 5.31 Gráfica comparativa de pronósticos ajustados para EO-19303-1.

Para el 05980M

05980M

3500

3000 REAL
2500 PROM
SES
2000 H-W
1500 RL
ST
1000 ARIMA
500 RN

0
46 47 48 49 50 51 52 53 54 55 56 57
PERIODO

Fig 5.32 Gráfica comparativa de pronósticos ajustados para 05980M.

 86
Para el EO-19201-1

EO-19201-1

2500

REAL
2000
PROM
SES
1500
H-W
RL
1000
ST
ARIMA
500
RN

0
46 47 48 49 50 51 52 53 54 55 56 57
PERIODO

Fig 5.33 Gráfica comparativa de pronósticos ajustados para EO-19201-1.

Para el A3074982

A3074982
6000

5000
REAL
4000 PROM
SES
3000 H-W
RL
2000
ST
1000 ARIMA
RN
0
46 47 48 49 50 51 52 53 54 55 56 57
PERIODO

Fig 5.34 Gráfica comparativa de pronósticos ajustados para A3074982.

Con este proceso, se observa que se puede mejorar el proceso de generación de pronósticos y,
por lo tanto, los errores de los mismos deben ser menores.
 87
5.4.11 EVALUACIÓN DE ERRORES DE PRONÓSTICO.

Utilizando los índices de evaluación de pronósticos descritos en la sección 4, tenemos

los siguientes resultados por producto:

Para el V49-130

TANTEO PROM SES H-W RL ST ARIMA RN

MAD 413.33 427.67 430.67 472.25 529.25 351.17 412.25 310.67
MAE 635.38 485.45 488.33 567.41 583.01 500.64 477.28 533.05
MAPE 1700% 821% 827% 1174% 1027% 68% 819% 50%
CFE $39,349 $40,714 $40,999 $44,958 $50,384 $33,431 $39,246 $29,575

Tabla 5.12 Evaluación de pronósticos para V49-130.

Donde podemos observar que los métodos que generaron los menores errores fueron las redes
neuronales y la descomposición por series de tiempo.

Para el EO-19303-1

TANTEO PROM SES H-W RL ST ARIMA RN

MAD 1685.17 1685.17 1685.17 1581.50 1664.33 1624.67 1675.33 980.50
MAE 1972.08 1988.22 1949.36 1966.90 1918.19 1884.56 1986.68 1387.54
MAPE 36% 36% 35% 34% 35% 32% 29% 22%
CFE $5,610 $5,610 $5,610 $5,265 $5,541 $5,409 $5,577 $3,264

Tabla 5.13 Evaluación de pronósticos para EO-19303-1.

Aquí, podemos observar que el pronóstico generado por redes neuronales tiene un muy buen
desempeño, seguido por el ARIMA y la descomposición por series de tiempo.

Para el 05980M

TANTEO PROM SES H-W RL ST ARIMA RN

MAD 735.00 1750.00 1295.25 1470.00 1433.17 1951.17 1133.25 968.17
MAE 1139.71 2108.89 1703.76 1861.14 1829.24 2291.20 1483.21 1284.42
MAPE 63% 85% 91% 100% 67% 98% 43% 50%
CFE $3,311 $7,882 $5,834 $6,621 $6,455 $8,788 $5,104 $4,361

Tabla 5.14 Evaluación de pronósticos para 05980M.

Aquí, se vuelve a ver que el método que genera los menores errores es el de redes neuronales,
en este caso seguido del ARIMA.
 88
Para el EO-19201-1

TANTEO PROM SES H-W RL ST ARIMA RN

MAD 375.00 434.00 398.83 449.50 416.17 451.17 454.58 1313.67
MAE 500.00 538.67 483.02 572.21 491.38 566.80 569.55 2208.79
MAPE 53% 43% 35% 51% 40% 36% 53% 67%
CFE $3,530 $4,085 $3,754 $4,231 $3,917 $4,246 $4,279 $12,364

Tabla 5.15 Evaluación de pronósticos para EO-19201-1.

En este caso particular, se observa que el pronóstico generado por redes neuronales se
desbordo, y el mejor resultado es el generado a través de descomposición por series de
tiempo.

Para el A3074982

TANTEO PROM SES H-W RL ST ARIMA RN

MAD 250.00 1205.67 83.33 152.17 907.17 1489.00 707.75 743.08
MAE 674.20 1291.94 301.51 334.36 988.79 2566.27 758.61 1259.24
MAPE 100% 29% 100% 100% 2% 100% 19% 94%
CFE $1,184 $5,709 $395 $721 $4,296 $7,051 $3,351 $3,519

Tabla 5.16 Evaluación de pronósticos para A3074982.

En este caso la evaluación del MAPE para la regresión lineal da un resultado muy favorable,
sin embargo para este caso el MAPE no debe ser considerado puesto que la demanda real
presenta 11 ceros. Tomando en cuenta el punto anterior, podemos definir que los métodos
Holt-Winters y suavización exponencial dieron los mejores resultados, al ser los que
presentan los pronósticos más bajos.

Con toda esta información se debe determinar el método explicito para la generación
posterior de pronósticos en la empresa.
 89

6. RESULTADOS DEL MODELO

A partir de los datos estudiados, se procede a hacer el análisis de los resultados, con la
finalidad de identificar el método más óptimo, para este fin se considera el siguiente
parámetro de análisis de valor agregado:

CFE tan teo − CFE i

VAM = (6-1)
CM i

Donde:
VAM se definirá como el valor agregado del método analizado.
CFEtanteo el CFE del método de tanteo, que sirve como referencia.
CFEi el CFE del método en evaluación.
CMi Costo de la aplicación del método en evaluación.

Para el valor de CMi se tendrá que evaluar en unidades de moneda, todos los puntos
relacionados con el costo para la empresa del desarrollo del método en evaluación, tanto el
pago de licencias para software especializado junto con los requerimientos de hardware, así
como del nivel de conocimiento técnico que requiere el personal que lo estaría manejando en
combinación con el tiempo necesario para la generación del pronóstico.

Se considera como base de comparación el método simple de “tanteo” debido a que

este no requiere mayor inversión en equipo o conocimiento previo, por lo tanto el valor del
costo de la aplicación del método en evaluación debe mejorar contra este valor.

En este análisis, solo se considerará el tiempo de generación del pronóstico evaluado a

una tasa de salario de la empresa promedio para planeadores de $125.00 la hora. Generando
los siguientes costos:

Tiempo CM
PROM 0.08 $10
SES 0.25 $31
H-W 0.37 $46
RL 0.30 $38
ST 0.42 $52
ARIMA 0.63 $79
RN 2.58 $323

Tabla 6.1 tiempo y costo de proceso promedio medido.

 90
A partir de esta tabla, se generan los indicadores para los productos estudiados con los
métodos generados de manera directa:

PROM SES H-W RL ST ARIMA RN

V49-130 - 131 - 53 - 122 - 294 114 1 30
EO-19303-1 - - 8 2 4 0 7
05980M - 439 - 81 - 72 - 84 - 105 - 23 - 3
EO-19201-1 - 53 - 7 - 15 - 10 - 14 - 9 - 27
A3074982 - 434 25 10 - 83 - 113 - 27 - 7
Prom - 212 - 23 - 38 - 94 - 23 - 12 - 0

Tabla 6.2 evaluación de VAM.

Y los mismos métodos estudiados, con el ajuste de los métodos cualitativos, nos da como
resultado:

PROM SES H-W RL ST ARIMA RN

V49-130 216 125 35 - 27 172 68 52
EO-19303-1 - - 5 1 3 0 7
05980M - 146 - 48 - 50 - 54 - 13 - 14 - 1
EO-19201-1 - 18 - 4 - 11 - 7 5 - 10 - 5
A3074982 - 145 15 7 - 53 - 63 - 22 - 4
Prom - 19 17 - 3 - 28 21 5 10

Tabla 6.3 evaluación de VAM para métodos ajustados.

Por este análisis, se puede observar que aunque el método de redes neuronales
ajustado genera los mínimos errores el valor agregado es en promedio un poco menor que el
de descomposición por series de tiempo ajustado.

Por estos puntos se considerará la utilización del método de descomposición de series

de tiempo ajustándolo siempre por medio de los métodos cualitativos, pues el que genera los
mejores resultados.

De este modo, se procede a hacer la generación total del pronóstico detallado, esto es
para la gama completa de productos; incluyendo definiciones, alcances y explicaciones.
 91

7. CONCLUSIONES

7.1 ANÁLISIS DE DATOS.

En el desarrollo de este estudio, se pudo encontrar que es de suma importancia el

manejo de los datos disponibles, en casos la información podría estar manipulada. El uso de
sistemas de información como ERPs es muy útil y conserva en gran medida registros de datos
para estos estudios.

Sin embargo, se debe tomar en cuenta que no siempre la información es la que se va a

utilizar y que estará libre de elementos extraordinarios, por lo que se sugiere de antemano dar
siempre un tratamiento a los datos que se tienen, para ubicar algún elemento extraordinario.

7.2 MODELO DE REGRESIÓN MÚLTIPLE.

El resultado del estudio del modelo de regresión múltiple no debe ser tomado como
una referencia general, sino un caso particular especifico del tipo de negocio y demanda de
este caso de estudio. Inicialmente se tomo como base lo referido por Shahabuddin (2009)
[70], sin embargo su estudio esta referido a la producción de autos y no a la de autopartes de
refacciones, que aunque se pudiera creer que están relacionados, para el caso de estudio no se
pudo evidenciar una relación significativa entre los datos económicos estudiados y los
pronósticos referidos.

Adicionalmente se sugiere tomar estos indicadores económicos como referencias para

ajuste, una vez que ya se ha desarrollado el modelo estadístico, mas al no lograr una relación
directa se deberá estimar de acuerdo a la experiencia de los usuarios.

7.3 GENERACIÓN DE PRONÓSTICOS.

Actualmente están disponibles una buena cantidad de métodos para la generación de

pronósticos, aprovechando los avances en el campo de la informática y utilizando los últimos
equipos computacionales se ha venido acercando de manera más sencilla los métodos más
complicados a los diferentes usuarios. Sin embargo, el proceso de pronósticos se desarrolla de
una manera de caja negra en estos softwares, de tal manera que los usuarios pueden llegar a
aplicar metodologías complejas sin mayor problema; sin embargo, como podemos observar
en los diferentes resultados iniciales, el aplicar las metodologías sin un conocimiento no dará
un resultado más optimo que el del aplicar un pronóstico por tanteo simple.

Los resultados encontrados en la presente investigación nos llevan a considerar de una

manera profunda el proceso de generación de pronósticos, como tal, como un proceso al que
 92
se deben identificar sus diferentes componentes para lograr un mejor resultado; si bien en los
procesos de manufactura se obtienen productos de mejor calidad al mejorar el proceso y se
busca que esto sea de la manera más optima, de igual manera al mejorar el proceso de
generación, se obtendrán mejores pronósticos, considerando el punto de mayor eficiencia.

Con esta homología, podríamos definir que en un proceso de manufactura especifico

se debe considerar las máquinas necesarias para la producción de las piezas en cuestión, y no
las mas grandes o con la mayor precisión, si bien es cierto, que esta maquinaria obtendrá las
piezas con una mayor facilidad, no se podría justificar la inversión y normalmente los
encargados de tomar la decisión se inclinarán a una maquina que cubra sus necesidades con el
valor mínimo de inversión. De esa misma manera, podemos referirnos al proceso de
pronóstico, es importante estudiar por los diferentes métodos los posibles pronósticos a
obtenerse, e identificar los costos implícitos en estos procesos.

Así como para el cliente o usuario final es importante el producto y no su proceso de

fabricación, el proceso de generación de pronósticos es en su mayoría no es del interés de los
equipos gerenciales [69] el pronóstico en si mismo, es importante para la toma de decisiones,
más no el proceso de cómo se generó. De esta manera, se recomienda la evaluación de valor
agregado de los métodos de pronósticos, aplicándolos a las series de tiempo especificas de
cada negocio, pues cada elemento a pronosticar contiene peculiaridades en su demanda. Y la
utilización de la ecuación 6-1 puede apoyar este proceso de decidir el método de pronósticos
correcto.

El desarrollo del índice de valor agregado, puede incluir otros puntos de valoración,
como puede ser la inversión de licenciamiento del software necesario incluyendo los
requerimientos de hardware del mismo, además, se debe considerar que la habilidad de los
diferentes analistas puede variar y el tiempo para desarrollar los pronósticos por los diferentes
métodos puede variar. Todo esto es de acuerdo a la homología propuesta, ya que en un
proceso de manufactura, son factores importantes tanto la maquinaria como la mano de obra
calificada para lograr las metas de la empresa; de igual manera se debe considerar una
estrategia en el desarrollo de pronósticos con la finalidad de definir si la mayor inversión se
enfocará en el desarrollo de la mano de obra calificada, en el software y hardware necesario o
bien en el desarrollo de métodos más específicos a la demanda.
 93

8. BIBLIOGRAFIA Y REFERENCIAS

Ronald H. Ballou, “Business logistics / supply management: planning, organizing, and

controlling the supply chain” 5th ed. (Phoenix, 2004)

Chopra, S y Meindl P. “Supply Chain Management” Prentice Hall 3 ed. 2008.

Spyros Makridakis, Steven C. Wheelwrigth, “Forecast Methods for Management” (1989).

Francis Diebold, “Elements of Forecasting” South Western College Publishing, (1998).

J. Holton Wilson, Barry Keating, “Business Forecasting with Accompanying Excel-Based

ForecastXTM Software” (2007).

Hanke, J. H. y Wichern D.W. “Business Forecasting” 8th Ed Pearson. 2006.

Wallace, T.F. y Stahl, R.A. “Sales Forecasting: A New Approach” T.F Wallace & Company
2002.

[1] Warren Blanding, 11 Hiden Costs of customer services management (Washington, DC:
Marketing Publications, 1974), pag. 3.

[2] James E. Doctker, “Basics of Fullfillment”, Proceedings of the Council of Logistics

Management (Nueva Orleans, LA: Council of Logistics Management, 24-27 de Septiembre de
2000), pag. 356.

[3] Steven G. Baritz y Lorin Zissman, “Researching Customer Service: The Right Way”,
Proceedings of the National Council of Physical Distribution Management, Vol. II (Nueva
Orleans, LA, 25 de Octubre de 1983), pags. 608-619.

[4] Jay U. Sterling y Douglas M. Lambert, “Customer Service Research: Past, Present and
Future”, International Journal of Physical Dsitribution & Materials Management, Vol. 19,
Núm. 2 (1989) págs. 14-17.

[5] John M. Krenn y Harvey N. Shycon, “Modeling Sales Response to Costumer Service for
More Effective Distribution”, Proceedings of the National Council of Physical Distribution
Management, Vol. I (Nueva Orleans, LA: 2-5 Octubre 1983), pág. 593.

[6] Baritz y Zissman, “Researching Customer Service: The Right Way” pags. 610-612.

[7] Warren Blandig, “Customer Service Logistics”, Proceedings of the Council of Logistics
Management Vol. I, (Anaheim, CA: 5-8 de Octubre de 1986) pág. 367.

[8] Shingal y Hendricks, “El Estudio vincula las fallas imprevistas de la cadena de suministro
con la caída de los precios de las acciones”, OR / MS Today Vol 28, Núm 1 (Febrero 2001),
pág 21.
 94
[9] Corsten, D. y Gruen, T. “Stock-outs cause walkouts”, Harvard Business Review, Mayo
2004. pags. 26-28.

[10] Maynard Refuse, “Reducing the Need to forecast”, The international Journal of Logistics
Management, Vol 6, No. 2, 1995, pags.103 – 108.

[11] Larry Lapide, “Evoltion of the Forecasting Function”, The Journal of Business
Forecasting, Primavera 2006. Pags. 22 – 28.

[12] Thomas F. Wallace, Robert A. Stahl. “Sales Forecasting: A New Approach” T.F.
Wallace & Company, 2002. pág 8.

[13] Fischhoff, B. and Beard, C. “What Forecasts (seem to) Mean”, International Journal of
Forecasting, (1994), Vol 10, pags. 387-404.

[14] Bunge, M. Scientific Research 1: The Search for system, Springer-Velarg (New York,
NY 1967)

[15] Wacker, J. G. “A definition of theory: Implications for Different Theory – Building

Research methods in operations management”, Journal of Operations Management (1998)
Vol 16, págs. 361-385.

[16] Makridakis, S. “Forecastings: Its Role And Value in Planning and Strategy”,
International Journal of Forecasting (1996) Vol 12, págs. 513-537

[17] Ritzman, L. P. and King, B. E., “The relative significance of Forecast errors in
Multistage manufacturing”, Journal of operations Management (1993) Vol 11, págs 51-65.

[18] James D. Farley, “El Economista: Caen Ventas de Ford y GM” (4 de Septiembre
2008).pág. 4

[19] EFE, “El Occidental Guadalajara: En su nivel más bajo de 37 años compras de vehículos
en Japón” (Tokio, 3 de septiembre 2008). Pág. F02

[20] EFE, “El Occidental Guadalajara: Se desplomó 41.3% mercado automotriz español”
(Madrid, 3 de septiembre 2008), pág. F02.

[21] Jefrey McKracken y John Stoll “Reforma: La crisis crediticia y automotriz ahogan la
recuperación de Delphi” (29 de agosto 2008), pág. Negocios AN06.

[22] David Aguilar Juarez, “El Universal: Aumenta la exportación de autos hacia EU” (28 de
Agosto 2008), pág Finanzas B05.

[23] Michael B. Clement, Senyo Y. Tse, “Do Investors Respond to Analysts’ Forecast
Revisions as if Forecast Accuracy Is All That Matters?” The Accounting Review Vol 78 No.1
January 2003. Pags 227-249.

[24] APICS Dictionary, 12th Edition. 2008.

 95
[25] Moon, Y.B. “Enterprise resource planning (ERP): a review of the literature”,
International Journal of Management & Enterprise Development” Vol. 4 No. 3. 2007 págs.
235-264.

[26] Fischhoff, B. “What forecasts (seem to) mean”, International Journal of Forecasting, Vol
10 Otoño 2007, Págs. 387-404.

[27] Flores, B.E. Stading, G.L. y Klassen, R.D. “The business forecasting process: a
comparison of differences between small and large Canadian manufacturing and service
firms”, International Journal of Management & Enterprise Development, Vol. 4. No. 4, 2007
págs. 387-402.

[28] Smith, A.D. “Forecasting case studies: leveraging strategic management and project
integration” International Journal of Management & Enterprise Development, Vol. 5, No. 1,
2008. págs 63-76

[29] Catt, P.M. Barbour, R.H. y Robb, D.J. “Assesing forecast model performance in an ERP
envitoment” Industrial Management & Data Systems, Vol. 108, No. 5, 2008. págs. 677-697.

[30] Zellner, A., “Statistics, Science and Public Policy”, Journal of the American Statistical
Association, 87 (1992) págs. 1-6.

[31] Makridakis, S. y wheelwright, S. “The Handbook of Forecasting: A Manager’s Guide”

2a. Ed (Nueva York, 1987).

[32] Ronald H. Ballou, Logística, administración de la cadena de suministro (2004) págs.

291-296.

[33] Robin M. Hogarth y Spyros Makridakis, “Forecasting and Planning: An Evaluation”,

Management Science, Vol. 27, Núm 2 (febrero 1981), págs 115-138.

[34] Robin T. Peterson, “Sales Force Composite Forecasting-An Exploratory Analysis”,

Journal of Business Forecasting 8, núm 1, (primavera 1989) págs. 23-27.

[35] Robin T. Peterson. “Improving Sales Force Composite: Forecasting by Using Scripts”
Journal of Business Forecasting, (otoño 1993) págs. 10-14.

[36] http://www.src.isr.umich.edu/

[37] Bernard S. Husbands, “Electronic Mail System Enhances Delphi Method” Journal of
Business Forecasting 1, núm 4, (verano 1982) págs. 24-27.

[38] J. Holton Wilson y Deborah Allison-Koerber, “Combining Subjective and Objective

Forecasts Improve Results” Journal of Business Forecasting 11, núm 3, (otoño de 1992) pág.
15.

[39] Charles W. Chase, Jr. “Forecasting Consumer Products” Journal of Business Forecasting
10, núm. 1, (primavera de 1991), pág. 4.
 96
[40] Anscombe, F. J., “Graphs Statistical Analysis”, American Statistics, 27 (1973) págs. 17-
21.

[41] Bruce L. Bowerman, Richard T. O’Connell, “Time Series Forecasting”, (Boston,

Duxbury Press, 1987) Sec. 5.6.

[42] Hanke, J. E. Wichern, D.W. “Business Forecasting” 8ta Ed. Pearson 2006, págs 327-397.

[43] http://www.dmg.org/

[44] Han, J. y Kamber, M. “Data Mining: Concepts and Techniques” Morgan-Kaufmann

publishers 2da ed. 2006

[45] Witten, I.H. y Frank, E. “Data Mining”, Morgan-Kaufmann publishers 2da ed., 2001.

[46] Quinlan, J.R. “Improved Use of Contiuous Attributes in C4.5” Jorunal of Artificial
Intelligence, Vol 4 1996 págs. 77-90.

[47] Hill, T. O’Connor, M. y Remus, W. “Neural Network Models for Time Series Forecasts”
Management Science Vol. 42 No. 7, Julio 1996. págs. 1082-1092.

[48] Rojas, R. “Neural Networks: A systematic Introduction” Springer-Verlag publishers.

1996, págs. 151-184.

[49] Ranga Katti, “Some Observations on the Measurement of Forecast Error and Accurracy”,
The Journal of Business Forecasting, (Verano 2008), págs. 33-35.

[50] Catt, P.M. “Assessing the cost of Forecast Error: A Practical Example” Foresight: The
international Journal of Applied Forecasting, Verano 2007, págs. 5-10.

[51] Lapide, L. “Don’t just measure forecast errors” The Journal of Business Forecasting,
Verano 2007, págs. 16-18.

[52] Timme, S. y Williams-Timme, C., “The Real cost of holding inventory”, Supply Chain
Management Review, Vol. 7, No. 4, 2004 págs. 30-37.

[53] Smith, B. T. “Focus Forecasting” CBI Publishing 1er ed., 1978.

[54] John Neter, William Wasserman, G. A. Gilmore, “Applied Statistics” (Boston: Allyn
Bacon, 1988) págs. 262-263.

[55] Robert G. Brown, “Materials Mangement Systems” (Nueva York: John Wiley & Sons,
1977), pág. 146.

[56] Chaman L. Jain y Mark Covas, “Think About Tomorrow, Seven tips for making
forecasting more effective” The Journal of Business Forecasting / Wall Street Journal Reports
(Verano 2008).
 97
[57] Kahneman, D., P. Slovic y A Tversky, “Judgment under Uncertainty: Heuristics and
Biases” Cambridge University Press (Cambridge, Inglaterra, 1982).

[58] Slovic, P., B. Fischhoff y S. Lichtenstein, “Behavior Decision Theory”, Annual Review
of Psychology, 28 (1977) págs. 1-39.

[59] Armostrong, J.S. “Relative Accuracy of Judgment and Extrapolative Methods in

Forecasting Annual Earning” Journal of Forecasting, 2, no.4.

[60] Tversky, A. y D. Kahneman, “Availability: A Heuristic for Judging Frequency and

Probability”, Cognitive Psychology, 5, No.2 (1973) págs. 207-232.

[61] Congreo Internacional de la Industria Automotriz en México CIIAM 2009, con

información de INEGI disponible en http://www.ciiam.com/graficas/cifras2009.pdf

[62] CSM Worldwide, disponible en http://automotiveforecasting.com/gpo/global-summary.pdf

[63] Industria Nacional de Autopartes, con información de la oficina de la industria

aeroespacial y automotriz de US. http://www.ina.org.mx y http://www.comerce.gov

[64] Fondo Monetario Internacional, “Perspectivas de la economía mundial: Sustentar la

recuperación” octubre 2009.

[65] Banco de México, “Indice de confianza de consumidor” 2009, disponible en:

http://www.banxico.org.mx/SieInternet/consultarDirectorioInternetAction.do?accion=consultarCuadro&idCuadr
o=CR89&locale=es

[66] J. Holton Wilson, Barry Keating, “Business Forecasting with Accompanying Excel-
Based ForecastXTM Software” (2007)

[67] Granados Rojo L.A. “Modelos de Redes Neuronales para la predicción de series de
tiempo aplicados al análisis de desempeño en sistemas operativos HP-UX y Windows NT”
apéndice C, 2000.

[68] www.banxico.org.mx

[69] Clement, M. B. y Tse, S. Y “Do investors Respond to Analysts’ Forecast Revisions as if

Forecast Accuracy Is All That Matters?” The Accounting Review, Vol 78, No.1 Enero 2003
págs 227-249

[70] Shahabuddin S. “Forecasting automobile sales” Management Research News Vol. 32

No. 7, 2009, págs 670-682

[71] Wacker, J.G. y Lummus R. R. “Sales Forecasting for Strategic resource planning”,
International Journal of operations & Production Management, 2002 Vol. 22 No. 9 págs.
1014-1031.

[72] Chopra, S y Meindl P. “Supply Chain Management” Prentice Hall 3 ed. 2008.
 98
[73] Lawless M. “Current State of the Forecasting Discipline – Some Observations of a
Roving Forecaster” The journal of Business Forecasting, Verano 2008. págs. 30-32

[74] Csorba Illie “The Forecas-Centric Enterprise” The Journal of Business Forecasting,
Verano 2007. págs. 23-30.