Documenti di Didattica
Documenti di Professioni
Documenti di Cultura
EL mtodo Holt-Winters es un mtodo de pronstico de triple exponente suavizante y tiene la ventaja de ser
fcil de adaptarse a medida que nueva informacin real est disponible. El mtodo Holt- Winters es una
extensin del mtodo Holt que considera solo dos exponentes suavizantes. Holt-Winters considera nivel,
tendencia y estacional de una determinada serie de tiempos. Este mtodo tiene dos principales modelos,
dependiendo del tipo de estacionalidad; el modelo multiplicativo estacional y el modelo aditivo estacional. El
referente trabajo se concentra en el modelo multiplicativo.
Existen tres fases de trabajo, con tres conjuntos de datos diferentes. Un primer grupo de datos es para inicializar
el modelo, esto es determinar los indicadores de nivel, tendencia y estacionalidad. Un segundo conjunto de
datos es necesario para probar o calibrar los ndices de suavizacin Alfa, Beta y Gamma. Un tercer grupo de
datos para pronosticar y evaluar el funcionamiento del modelo propuesto. Ejecutar todas las fases en un solo
grupo de datos puede conducir a tratar de encajar en exceso el modelo a los datos disponibles.
Para explicar este mtodo de pronstico tomaremos como ejemplo a la empresa Donfrio, ubicndonos
imaginariamente a fines del ao 2016 tratando de pronosticar las ventas para el ao siguiente, es decir el ao
2017.
Al observar la grfico 1 de las ventas histricas podemos notar que los datos muestran un nivel, estacionalidad y
una ligera tendencia positiva, lo que hace ideal el empleo del mtodo Holt-Winters. Cabe resaltar que los datos
disponibles deben estar depurados de cualquier evento que haya originado niveles de ventas anmalas, es decir
EL MTODO DE PRONSTICO HOLT-WINTERS
ventas que no se espera se repitan en el futro, como incremento de ventas por promociones realizadas en el
pasado. En el cuadro 1 tenemos ventas histricas que completan tres estaciones de la empresa DonFrio (2014-
2016), las cuales emplearemos para demostrar el uso de la tcnica Holt-Winters
Para determinar el nivel actual de ventas (promedio), existen diversas tcnicas. Emplearemos el mtodo de
promedio mvil, debido a que este mtodo es uno de los que mejor reflejan la existencia de tendencias al alza o
baja.
El en grafico 1 observamos que cada estacin est compuesta de doce periodos (de enero a diciembre). Es decir
la curva que forman los niveles de ventas tiende a repetirse cada doce meses.
Para iniciar el modelo vamos a trabajar nicamente con los datos correspondientes a los aos 2014 y 2015;
dejamos el ao 2016 para calibrar nuestro modelo. Las cuatro primeras columnas del cuadro 1 son para indicar
el ao, perodo, mes y demanda histrica en unidades, informacin que debe ser proporcionada para nuestro
trabajo de pronstico.
En las columnas 5 y 6 se muestran los clculos del promedio mvil, el cual debe ser centrado en la columna
7. El promedio mvil de la demanda de los doce primeros meses (columna 4; perodos 1, 2, 3 12) es 790.25
unidades; lo ubicamos en junio 2014 y repetimos la misma cifra en julio 2014. Esto debido a que 12 representa
un nmero par sin centro, esto no ocurrira si se tratase de una estacin con un nmero impar de perodos. El
segundo promedio mvil de la demanda de doce meses (perodos 2, 3, 413) es de 791.08 unidades; lo
ubicamos frente a los meses de julio 2014 y agosto 2014. El tercer promedio mvil, (perodos 3, 4, 514) lo
ubicamos frente a los meses de agosto 2014 y septiembre 2014. Repetimos la operacin hasta el promedio
mvil dcimo tercero (perodos 13, 14, 1524) y ubicamos el resultado de 809.75 frente a los meses de junio
2015 y julio 2015).
El siguiente paso es obtener los promedios mviles por mes (columna 7), empezamos por el mes de julio del
2014 con 790.67 [(791.08 + 790.25)/2], luego sigue agosto del 2014 con 791.71 [(792.33 + 791.08)/2] y as
sucesivamente hasta junio del 2015 con 809.13 [(809.75 + 808.50)/2]. Los meses de enero a junio del 2014 son
completados promediando los dos primeros meses disponibles, en este caso con los datos de julio y agosto con
791.19 [(790.67 + 791.71)/2]. Para los meses de julio a diciembre del 2015 son completados promediando los
dos ltimos meses disponibles, en este caso con los datos de mayo y junio con 808.61 [(808.08 + 809.13)/2]
(Nahmias Steven, 2009).
La columna 8 del cuadro 1 se refiere a los factores de estacionalidad inicial por perodo, para lo cual dividimos
las ventas reales de cada mes entre el promedio mvil centrado obtenido en el paso anterior. As para el mes de
enero de 2014 tenemos un factor de estacionalidad de 1.26392 (1,000/791.19). Para el mes de febrero del 2014
tenemos un factor de estacionalidad de 1.27024 (1,005/791.19) y as sucesivamente para cada mes de los aos
2014 y 2015.
Como disponemos de factores de estacionalidad para dos aos (2014 y 2015), procedemos a promediar los
factores de igual perodo, es decir el promediamos el factor de estacionalidad inicial del mes de enero del 2014
con el factor de estacionalidad inicial del mes de enero del 2015, lo cual nos da un factor promedio de 1.26249
[(1.26392 + 1.26105) / 2] ; luego promediamos el factor de estacionalidad inicial del mes de febrero del 2014
con el factor de estacionalidad inicial del mes de febrero del 2015, lo cual nos da un factor promedio de 1.27149
[(1.27024 + 1.27274) / 2] y as sucesivamente todos los perodos del ao 2014 y 2015, como se aprecia en el
cuadro 2.
La sumatoria de los factores iniciales debe sumar P (Nmero de perodos de la estacionalidad) en este caso 12,
de no ser as procedemos a normalizarlo o ajustarlo para que sumen exactamente 12, multiplicando cada
promedio de factor mensual por 12/12.00447. Al resultado obtenido lo llamamos factores de estacionalidad
normalizados.
Los factores de estacionalidad normalizado representan la estacionalidad esperada de las ventas futuras de la
empresa. Las cifras superiores a uno, representan periodos cuyas ventas esperadas son superiores al promedio
anual. Las cifras inferiores a uno, representan periodos cuyas ventas esperadas son inferiores al promedio anual.
En el cuadro #3 mostramos como se determina los niveles de demanda desestacionalizada que nos permitirn
determinar la tendencia empleando la tcnica de los mnimos cuadrados. La demanda desestacionalizada para
cada periodo se obtiene dividiendo la demanda de cada periodo por el factor de estacionalidad normalizado
correspondiente. As para el perodo 1 el nivel de demanda desestacionalizada es de 792.39 unidades
(1,000/1.26201), para el segundo perodo es de 790.70 unidades (1,005/1.27102) y as sucesivamente.
Una vez obtenido las demandas desestacionalizadas para los periodos del 1 al 24, podemos proyectar los
perodos siguientes y luego re-estacionalizarla empleando los factores de estacionalidad normalizado
correspondientes.
La demanda desestacionalizada representa el promedio mensual de las ventas anualizadas en cada perodo.
A continuacin empleamos la tcnica de mnimos cuadrados para proyectar la demanda desestacionalizada para
el ao 2016; donde Y representa la demanda desestacionalizada obtenida del cuadro 3 y X representa el periodo
de anlisis (2014-2015).
2 . . .
=
. 2 ( )2
. . .
=
. 2 ( )2
Resolviendo obtenemos un nivel (a) de 783.03 unidades y una tendencia (b) de 1.3643 unidades. Estos
parmetros se emplearan para pronosticar nuestra demanda 2016 en el siguiente cuadro.
En el cuadro 5, realizamos el pronstico de la demanda para el perodo 2016, perodo ya ejecutado. Es decir,
empleamos los parmetros obtenidos, con datos trabajados de los aos 2014 y 2015, para comprobar que se
ajustan razonablemente al ao 2016 y de ser necesario se ajustarn con los factores de ajuste alfa, gama y beta
para el nivel, tendencia y estacionalidad respectivamente.
Uno de los aspectos ms discutidos de este mtodo es cmo inicializar el modelo, es decir cul ser el primer
dato del nivel y tendencia (perodo 25). En este ejemplo emplearemos los datos obtenidos de nuestra proyeccin
con mnimos cuadros.
Dnde:
b = Tendencia;
F = Factor de estacionalidad;
t = Perodo actual;
Para este ejemplo tomaremos los siguientes valores: alfa: 0.5100; beta: 0.053; gamma: 0.10.
Ubicndonos en diciembre del 2015 procedemos a pronosticar la demanda para el ao 2016. Como valores
iniciales de nivel (a0) empleamos 815.77 (783.03 + 24 x 1.3643) unidades y para la tendencia (b0) 1.3643
unidades. Como factores de estacionalidad inicial emplearemos los factores de estacionalidad normalizados-
2015 calculados anteriormente. Empleando la formula modelo de pronstico para el mes de enero del 2014 la
demanda para el mes de enero del 2016 se estima en 1031 unidades [(815.77 + 1.3643) x 1.26201].
Una vez inicializado el pronstico, para el resto de meses debemos primero actualizar el nivel, la tendencia y los
factores de estacionalidad conforme se conocen los datos reales.
(1 - Beta) x (Tendencia-1)
Note que en cada una de las formulas presentadas la primera parte incide en los datos ms recientes, mientras
que la segunda parte incide en la parte histrica. Los factores de suavizacin alfa (), beta () y gamma ()
varan entre 0 y 1. Asignar el valor de cero significa que la nueva informacin (ltimo dato real) es meramente
accidental y el patrn de comportamiento de las ventas debe mantener los niveles, tendencias o factores de
estacionalidad histricos-dependiendo a cul factor suavizante se asigne el valor de cero. Por otro lado,
asignarle un valor de uno a estos factores, significa asegurar que el ltimo nivel de ventas alcanzado en el
perodo es relevante, establecindose as un nuevo nivel, tendencia o estacionalidad en las ventas.
Para el mes de enero del 2016 el nuevo nivel queda ajustado en 824.72 unidades [0.51 x (1,050 / 1.26201) + (1-
0.51) x (815.77 + 1.3643)], la tendencia queda ajustada a 1.7662 unidades [0.053 x (824.72 815.77) + (1 -
0.053) x 1.3643] y el factor de estacionalidad en 1.26312 [0.10 x (1,050 / 824.72) + (1 0.10) x 1.26201]
Una vez actualizados los parmetros para el mes de enero podemos pronosticar febrero considerando la ltima
informacin disponible. Ubicndonos en enero del 2016 aplicando la formula general del pronstico tenemos
para el mes de febrero de 1,050 unidades [(824.72 + 1.7662) x 1.27102].
Para el mes de febrero del 2016 el nuevo nivel queda ajustado en 822.28 unidades [0.51 x (1,040 / 1.27102) +
(1-0.51) x (824.72 + 1.7662)], la tendencia queda ajustada a 1.5433 unidades [0.053 x (822.28 824.72) + (1 -
0.053) x 1.7662] y el factor de estacionalidad en 1.27040 [0.10 x (1,040 / 822.28) + (1 0.10) x 1.27102]. Con
estos datos pronosticamos marzo con 1,070 unidades [(814.86 + 2.8384) x 1.29920]. Repetimos la operacin
para cada uno de los meses restantes del ao 2016.
Al final del cuadro podemos observar que el total de ventas anuales reales suma 9,933 unidades y nuestro
pronstico llega a 9,952 unidades, con una diferencia de -19 unidades que representa un porcentaje bastante
aceptable de error 0.19% de no ser el caso debe modificarse los factores de ajuste alfa, beta y gama hasta
obtener una variacin menor al 4% 5% como regla emprica. Una vez logrado este ajuste podemos concluir
que nuestros parmetros se encuentran debidamente calibrados y podemos prepararnos para el verdadero
pronstico del ao 2017.
Ahora procedemos a normalizar los factores de estacionalidad ajustado para que el total sea igual a P (Nmero
de perodos de la estacionalidad), en este caso 12. Cada factor de estacionalidad ajustado es multiplicado por
(12 / 11.99869) La tercera columna del cuadro 6 muestra los resultados de la normalizacin.
Para pronosticar el ao 2017, iniciamos con el nivel y tendencia obtenida al pronosticar la demanda
desestacionalizada esta vez incluyendo a los aos 2014 al 2016. As mismo emplearemos los factores de
estacionalidad normalizados del ao 2016. Siguiendo el enfoque de mnimos cuadrados para los datos de los
aos 2014 al 2016 obtenemos a = 782.52 y b = 1.498
Para los periodos subsiguientes emplearemos la tcnica de mnimos cuadrado proyectando el nivel y luego de
agregar la tendencia y re-estacionalizarlo por perodo.
El nivel inicial (perodo 36) es a = [782.52 + 1.498 x 36)], la tendencia (b) se mantiene estable en 1.498
unidades por perodo y la estacionalidad como ya lo mencionamos sern los ndices normalizados del ao 2016.
As, el nivel para enero del 2017 es de 837.95 (782.52 + 1.498 x 37), para el mes de febrero del 2017 es de
839.44 (782.52 + 1.3643 x 38) y as sucesivamente hasta el perodo 48 correspondiente a diciembre del 2017.
Una vez concluido con los clculos de nivel procedemos pronosticar la demanda. Para enero del 2017 es de
1,059 unidades [(836.45 + 1.498) x 1.26326). Para el mes de febrero el pronstico es de 1,067 unidades
[(837.95 + 1.498) x 1.27054]. Para el mes de marzo la demanda se estima en 1,092 unidades [(839.44 + 1.498)
x 1.29872]. Para el mes de abril tenemos un pronstico de 837 unidades [(840.94 + 1.498) x 0.99365]. Esta
operacin se repite para cada perodo del ao 2015.
Una de las ventajas del mtodo Holt-Winters es poder ajustar el pronstico a medida que los datos reales estn
disponibles.
Inicializamos enero del 2017 con un pronstico de 1,059 unidades [(836.45+1.4980) x1.26326]. Una vez
transcurrido el mes de enero del 2017 y conocidas sus ventas reales (1,102 unidades en el ejemplo) se estima el
nuevo nivel, tendencia y estacionalidad para enero 2017. Con el nuevo nivel y tendencia de enero podemos
pronosticar las ventas de febrero empleando el ltimo factor de estacionalidad normalizado disponible del 2016
[(855.49+2.4278) x 1.27054]. Debe observarse que el factor de estacionalidad a emplearse es el ltimo
normalizado disponible, es decir el correspondiente al ao anterior 2016. El pronstico del mes de marzo se
efecta luego de conocidas las ventas reales de febrero y estimar su nuevo nivel, tendencia y estacionalidad. As
el nuevo pronstico para marzo del 2017 que da establecido en 1150 unidades [(881.99+3.7036) x 1.29872]. La
operacin se repite para todos los periodos restantes del ao 2017.
El archivo en Excel desarrollado en este escrito puede ser encontrado en el siguiente link:
https://drive.google.com/file/d/0B-UO-e1h0W-acnFwNEM3cTZJZGc/view?usp=sharing
Omar Maguia Rivero
EL MTODO DE PRONSTICO HOLT-WINTERS
BIBLIOGRAFA
Caplice Chris (2014) Course: CTL.SC1x -Supply Chain & Logistics Fundamentals. USA: MIT-Center for
Transportation & Logistics.
Nahmias Steven (2009). Production and Operation Analysis 6th e. USA: McGraw Hill.
Prajakta S. Kalekar (2004). Time series Forecasting using Holt-Winters Exponential Smoothing (04329008).
Bombay: Kanwal Rekhi School of Information Technology.
Schroeder Roger (2008) Operations Management; Contemporary Concepts and Cases. 4th e. USA: McGraw
Hill.