Documenti di Didattica
Documenti di Professioni
Documenti di Cultura
T E S I S
QUE PARA OBTENER EL GRADO DE
PRESENTA:
DIRECTOR DE TESIS:
En la Ciudad de México D.F. el día 07 del mes de Diciembre de 2011 el que suscribe Gabriela
Garduño García con el número de registro B092007, adscrito a la Maestría en Ciencias con
Especialidad en Ingeniería Industrial, manifiesta que es autora intelectual del presente trabajo de
Tesis bajo la dirección del Dr. Eduardo Gutiérrez González cede los derechos del trabajo titulado
“METODOLOGÍA PARA CALCULAR EL PRONÓSTICO DE VENTAS Y UNA MEDICIÓN DE SU
PRECISIÓN EN UNA EMPRESA FARMACÉUTICA: CASO DE ESTUDIO”, al Instituto Politécnico
Nacional para su difusión con fines académicos y de investigación.
Los usuarios de la información no deben reproducir el contenido textual, gráficas o datos del
trabajo sin el permiso expreso del autor y/o director del trabajo. Este puede ser obtenido escribiendo
a la siguiente dirección gardunogabriela@gmail.com. Si el permiso se otorga el usuario deberá dar el
agradecimiento correspondiente y citar fuente del mismo.
Índice general IV
Índice de figuras IX
Resumen XII
Abstract XIII
Introducción 1
IV
Índice
V
Índice
VI
Índice de Tablas
Capítulo 1.
16
Tabla 1.5 Investigación clínica en México durante el 2009 ………………..……………..
Capítulo 2.
Capítulo 3.
Capítulo 4.
Tabla 4.3 Tabla resumen distribuciones aplicables a cada uno de los productos …….. 89
VII
Índice
Tabla 4.4 Cálculo del valor inicial S7 mediante el Método Winters ……………………… 91
Tabla 4.6 Cálculo de los Índices por período, Método Winters …………………………. 94
Tabla 4.7 Cálculo de los Índices por período con constantes optimizadas, Método
Winters ……………………………………………………………………………... 95
Tabla 4.8 MAD Pronóstico de Empresa de estudio vs MAD Pronóstico Método Winters 99
Tabla 4.9 Comparación del MAD de la Empresa Vs el MAD del Pronóstico Winters sin
Tabla 4.10 Aplicación del Método Winter a la 1ª parte de los periodos del Producto
Tabla 4.11 Aplicación del Método Winter a la 2ª parte de los periodos del Producto
Tabla 4.13 Promedios móviles y centrados de los datos históricos del Producto
Tabla 4.19 Valores de venta iguales o menores por cada producto ……………………... 113
VIII
Índice de Figuras
Capítulo 1.
Figura 1.2 Distribución del Mercado Farmacéutico en el Sector Privado y Público 2008 14
Estudio ……………………………………………………………………………..
Figura 1.6 Relación del Pronóstico de Ventas con diferentes áreas funcionales ……… 22
Capítulo 2.
Figura 2.2 Gráfica de la fdp, de una variable aleatoria continua X, con distribución
Parámetro β ………………………………………………………………………. 34
Figura 2.4 Función de densidad y distribución acumulada gamma con parámetros beta
IX
Índice
Figura 2.5 Función de densidad y distribución acumulada gamma con parámetros alfa
36
igual a tres y beta con valores 0.5, 1, 2 y 3 ……………………………………
Capítulo 3.
Figura 3.1 Metodología para el cálculo del Pronóstico de Ventas y una Medición de
Capítulo 4.
Figura 4.2 Diagrama de la Metodología propuesta para el cálculo del Pronóstico ……. 79
X
Índice
Figura 4.8 Comportamiento Ventas reales Vs Proyecciones de Venta Método Winter ... 96
Figura 4.9 Comportamiento de las Ventas históricas y Pronóstico Winter Producto
XI
Resumen
En el presente trabajo se propone una metodología para el cálculo del Pronóstico de Ventas de una empresa de
Sector Farmacéutico que contribuya a disminuir el abastecimiento excesivo que generalmente existe en la
compañía y con esto minimizar los costos, como el de almacenamiento de productos terminados y materiales.
Para lo cual, se evaluaron y compararon diferentes métodos cuantitativos de pronósticos, resultando ser el
Método Winters el que mejor precisión ofrece para el cálculo del pronóstico de ventas de la empresa de estudio.
Además, el modelo propuesto permite calcular el riesgo que existe en situaciones extremas de ventas con
la finalidad de fortalecer el análisis y evaluación de los pronósticos obtenidos a través de la metodología
propuesta como apoyo para la toma de decisiones de la organización.
XII
Abstract
This thesis proposes a methodology for calculating the sales forecast of a company that belongs to the
pharmaceutical industry to help reduce the over-supply that usually exists in the company and thereby
minimizes costs, including storage of finished products and materials. For this purpose, different
quantitative forecasting methods were evaluated and compared. This proved that the Winters’s method
provided better accuracy for the sales forecast calculation of the company's study.
In addition, the proposed model allows calculating the risk that exists in extreme situations of
sales with the aim of strengthening the analysis and evaluation of forecasts obtained through the
proposed methodology as an aid to decision making in the organization.
XIII
Introducción
DESCRIPCIÓN DEL PROBLEMA
El Sector Farmacéutico es uno de los sectores industriales que posee alta importancia a nivel mundial,
debido a que su labor se encuentra orientada a mejorar el desarrollo humano y social mediante el
principal bien asociado con la salud, que es el medicamento, un insumo fundamental para prevenir la
enfermedad, preservar y mejorar la calidad de vida, curar la enfermedad, aliviar el dolor e incrementar la
expectativa de vida de las personas.
Actualmente, la industria farmacéutica a nivel mundial se encuentra en un proceso de cambio
constante, nuevos mercados se han desarrollado en todo el mundo durante los últimos años, grandes
fusiones entre empresas importantes del sector se han concretado y muchas otras se encuentran en
proceso, siendo éstas uno de los medios más socorridos por la industria para lograr su permanencia,
desarrollo y crecimiento dentro del mercado mundial.
Por tal motivo, las empresas que forman parte de este sector se enfrenta a grandes retos
diariamente como lo es la determinación de la oferta y demanda de medicamentos, adicional a otras
situaciones que deben resolver para evitar que afecten su desempeño como lo son: el aumento de los
obstáculos técnicos que plantea la biotecnología, la reglamentación y políticas establecidas por los
organismos gubernamentales, las estrictas medidas de contención de costos impuestas por los
proveedores del cuidado de la salud, los productos de mayor crecimiento, los litigios de paciente
defensores, la creciente competencia medicamentos genéricos, el aumento de la prevalencia de la
falsificación de medicamentos de marca y la disminución de retorno de la inversión de los nuevos
productos son sólo algunos ejemplos de las adversas condiciones de mercado que están haciendo cada
vez más difícil proponer pronósticos de ventas en la industria farmacéutica.
México es considerado como uno de los países más representativos dentro de la industria
farmacéutica en América Latina y ocupa uno de los primeros diez lugares dentro del mercado
farmacéutico a nivel mundial. Esta situación refleja que en nuestro país existen las condiciones y
oportunidades necesarias para el desarrollo y crecimiento de laboratorios farmacéuticos.
Por esta razón, las empresas farmacéuticas mexicanas deben procurar que sus procesos y
prácticas de negocio contribuyan al incremento de su productividad y competitividad para asegurar una
mejor posición dentro del mercado a nivel nacional e internacional. Las empresas deberán contar con
procesos, métodos y tecnologías de vanguardia que les permita cumplir con la normatividad vigente y
los requisitos del cliente, esto mediante el conocimiento y dominio del mercado, el flujo de información
oportuna y personal capacitado.
1
Introducción
OBJETIVOS
Proponer una metodología que ayude a calcular pronósticos de ventas en las empresas
farmacéuticas.
Aplicar la metodología propuesta a la empresa de estudio con la finalidad de la obtención de un
modelo que ayude a disminuir el abastecimiento excesivo que generalmente se tiene,
disminuyendo con esto el costo de almacenamiento.
Construir un modelo de la distribución de ventas de cada producto para calcular el riesgo que
se tendría en situaciones extremas de ventas.
JUSTIFICACIÓN
Para efecto de este trabajo, el proceso a analizar será el de cálculo del Pronóstico de Ventas que lleva
a cabo la Empresa de estudio puesto que es un elemento clave para la determinación y racionalización
de sus recursos internos y lograr el nivel de satisfacción y cumplimiento de los requerimientos y
expectativas de sus clientes internos y externos al determinar cuáles serán las cantidades de productos
que deberán estar disponibles en el mercado de acuerdo a las necesidades de los Clientes.
Actualmente, el Pronóstico de ventas es calculado de forma anual por los Gerentes de Producto
del área de Mercadotecnia que son quienes manejan y analizan la información del mercado y las ventas
de los productos. Es importante mencionar que a pesar de que el cálculo es anual y está fundamentado
en un modelo, el Pronóstico continuamente es modificado debido a que las cantidades de productos
inicialmente proyectadas no corresponden a las exigencias del mercado, lo que origina un error de
Pronóstico y por ende costos adicionales para la empresa.
2
Introducción
El cálculo del Pronóstico de ventas se realiza a través de un modelo generado en una hoja de
cálculo de Excel que fue diseñada de acuerdo a las necesidades de la Empresa. Asimismo, es
necesario resaltar que el modelo de cálculo no ha sido sometido a una revisión general para evaluar si
éste es adecuado para el tipo de productos que maneja la empresa, al comportamiento de las ventas y
del mercado.
ALCANCES Y LIMITACIONES
La investigación está orientada a empresas del ramo farmacéutico en donde el comportamiento de
ventas es relativamente extremoso y la empresa no tiene una base de datos de tamaño considerable
para poder aplicar los pronósticos de procesos aleatorios con series de tiempo en donde sea posible
utilizar los modelos ARIMA.
Asimismo, es preciso mencionar que una de las limitantes identificadas para el desarrollo de
este trabajo es el de no contar con el modelo que actualmente maneja la empresa para conocer su
lógica de predicción y las variables que en éste intervienen para el cálculo del Pronóstico de Ventas, así
como, no contar con el comportamiento histórico de la demanda de los productos a estudiar. Sin
embargo, se espera que con base en la información histórica de las ventas y la aplicación de las
metodologías existentes para el cálculo de Pronósticos, se obtengan predicciones de ventas
significativamente más precisas a las realizadas por la Empresa de estudio mediante su modelo actual.
RESULTADOS ESPERADOS
Tomando en consideración la relevancia que tiene para la empresa el Pronóstico de Ventas, aunado a
la falta de mecanismos para su medición y seguimiento por parte de las áreas involucradas, el presente
trabajo tiene como finalidad desarrollar una metodología para el cálculo y medición del Pronóstico de
ventas acorde al tipo de productos y comportamiento histórico que registren las Ventas de los
Productos.
Para tal efecto, durante el desarrollo de este trabajo se analizarán diferentes métodos
cuantitativos de cálculo de pronósticos, y con base en éstos, se integrará una metodología que ofrezca
una proyección de ventas confiable para apoyar la oportuna toma de decisiones relacionadas con la
compra de materia prima, materiales de empaque y pago de horas extras al personal para solventar las
necesidades de la producción estimada, buscando con esto, la reducción de costos de mantener
inventarios excesivos, desembolsos por pago de horas extras y sobre todo, mantener la satisfacción y
preferencia del cliente al asegurar que los productos se encontrarán disponibles en las cantidades y
tiempo adecuado.
METODOLOGÍA GENERAL
El trabajo describe un modelo para calcular pronósticos en empresa farmacéuticas con bases de datos
inferiores a 50 observaciones por producto. El modelo se construye siguiendo una metodología en seis
fases y es posible ampliarla a una séptima para calcular indicadores que cuantifiquen el riesgo.
3
Introducción
En el Capítulo 4, se describen las fases que integran la Metodología propuesta para la Empresa
de estudio. En esta sección se identifica el comportamiento que siguen los datos históricos de las
ventas reales de acuerdo a las ventas proyectadas correspondientes al año 2008 y parte del 2009 de la
empresa de estudio con la finalidad de analizar su tendencia y estacionalidad para aplicar los Métodos
de Pronósticos que correspondan al comportamiento identificado. Cada una de las fases de la
Metodología para el Cálculo del Pronóstico descrita en el capítulo anterior es aplicada en este capítulo y
se comparan las proyecciones obtenidas por medio del MAD. Posteriormente, se validan los resultados
obtenidos a través del Método de Pronóstico seleccionado de acuerdo a las ventas reales registradas y
se cuantifica el riesgo de determinados niveles de ventas que afectan la exactitud del Pronósticos y el
incremento de costos que pudieran llegar a presentarse en un futuro.
Finalmente se presentan las conclusiones de este trabajo de forma breve y objetiva esperando
que las aportaciones de esta labor contribuyan a la mejora de la Empresa de estudio y demás
organizaciones del mismo sector industrial.
4
Capítulo 1
Situación actual de la Industria Farmacéutica
y descripción general de la Empresa de estudio
En este capítulo se describe de forma general la situación que prevalece en la industria farmacéutica en
México y en el mundo con la finalidad de ubicar el contexto en el que participa y se desarrolla la
empresa que será objeto de estudio en el presente trabajo.
5
Situación actual de la empresa de estudio
El sentido de la frase citada de Hipócrates tiene la finalidad de resaltar que un resultado no se obtiene
únicamente por las acciones propias, sino que en la mayoría de las veces se requiere del apoyo de
otros elementos o condiciones externas. Circunstancias como éstas, son las que ha enfrentado la
Industria Farmacéutica desde sus inicios hasta el día de hoy, pero ha sido lo que le ha permitido su
evolución durante todos estos años.
Fue hasta el siglo XIX cuando se lograron aislar algunas sustancias activas de los remedios
herbolarios que se utilizaban en esa época. De forma “sutil, tímida y casi imperceptible”, indica el
artículo, “empezó una industria que al tiempo sería de gran importancia para el desarrollo de la
humanidad. Empresas netamente químicas, algunas de ellas dedicadas al negocio de las anilinas
empezaron a incursionar en el terreno de lo que posteriormente surgió como una nueva industria: la
Farmacéutica” .
Por otro lado, en la publicación “La Ética Médica y la Ética Farmacéutica un punto de
convergencia” igualmente emitido por la AMIIF (Lifshitz G., 2007) indica que a diferencia de la medicina,
con siglos de tradición e historia, la Industria Farmacéutica es una industria relativamente joven, las
primeras empresas que se dedicaron totalmente a la investigación y desarrollo de nuevos
6
Capítulo 1
medicamentos se fundaron apenas a finales del siglo XIX. Al principio como una evolución de industrias
químicas que con el paso del tiempo se fueron transformando en la actual Industria Farmacéutica, que
de todos los sectores industriales es una de las que más invierte en investigación y desarrollo de
nuevos productos y gracias a ella tenemos la mayor parte de los medicamentos que hacen que nuestra
expectativa y calidad de vida sea cada día mayor.
Hoy en día, la industria Farmacéutica posee alta importancia en nuestro país y en todo el
mundo ya que es un sector que aspira a mejorar el desarrollo humano y social ya que tiene la
responsabilidad de generar el principal bien asociado con la salud, que es el medicamento, un insumo
fundamental para prevenir la enfermedad, preservar y mejorar la calidad de vida, curar la enfermedad,
aliviar el dolor e incrementar la expectativa de vida de las personas. Esta industria es una de las que
más ha influenciado el desarrollo del ser humano, y sus beneficios han logrado la reducción palpable de
la mortalidad para muchas enfermedades.
Durante el año 2009, la industria farmacéutica se sacudió con el inicio de un proceso de mega-
fusiones involucrando a las principales compañías farmacéuticas del mundo.
En la presentación anual de las cincuenta compañías farmacéuticas con las mayores ventas
mundiales de medicamentos con recetas registradas que realiza Pharmaceutical Executive, menciona
que la tendencia más llamativa en la lista del 2009 es el ritmo constante y acelerado de consolidación
del sector, también indica que varias empresas han desaparecido de la lista precisamente como una
consecuencia de las fusiones en el transcurso del año 2009. Empresas más pequeñas como Wyeth,
número 10 del año pasado que es ahora parte de Pfizer, Schering-Plough (número 15 del año pasado)
se ha combinado en una fusión con Merck, Genentech (Núm. 19) fue adquirida por Roche y Solvay
(Núm. 32) por Abbott, mientras que la unidad farmacéutica de Procter&Gamble (Núm. 39) se ha
convertido en parte de Warner-Chilcott, una firma irlandesa que nunca ha aparecido en las 50
7
Situación actual de la empresa de estudio
posiciones anteriores pero saltará a la mitad de la lista el próximo año gracias a los negocios de P&G
Avonex. (Clinton & Mozeson, 2010).
8
Capítulo 1
9
Situación actual de la empresa de estudio
10
Capítulo 1
En los próximos años "los mercados farmacéuticos emergentes" van a generar la mayor
cantidad de dólares en nuevas ventas farmacéuticas como en mercados tradicionales y serán los
grandes contribuidores al crecimiento global en los próximos cinco años. Aunque hay una variación
considerable, las compañías farmacéuticas han estado invirtiendo en los mercados emergentes durante
varios años no sólo en los países "BRIC" (Brasil, Rusia, India, China), y en una lista más amplia que
incluye Arabia Saudita, Vietnam, Chile, Venezuela, Malasia, Tailandia, Turquía y México. (Clinton &
Mozeson, 2010).
El estudio del IMS Health agruparon los países en tres niveles, en orden descendente de valor
de mercado de crecimiento, con China ocupando el primer lugar. El informe estima que China contará
con más de 40 mil millones de dólares en ventas anuales adicionales para 2013, que es comparable
con el incremento previsto de los Estados Unidos durante el mismo período. El próximo año, las ventas
de drogas en China serán superiores a las de Francia y Alemania, convirtiéndose en el tercer mercado
farmacéutico mayor del mundo detrás de los Estados Unidos y Japón, indica el informe.
El segundo nivel comprende a los países de Brasil, Rusia y la India, mientras que el tercer
nivel incluye a 13 países como Venezuela, Polonia, Argentina, Turquía y México. Los países
“pharmerging”, que generaron 123 mil millones dólares, o 16% en las ventas de drogas en todo el
mundo en 2009, se prevé que generen un adicional de 90 mil millones de dólares en ventas en el año
2013.
El IMS Health declaró que los cambios como el acceso ampliado y la financiación de la salud
han contribuido a la reestructuración del mercado continuo. Por el contrario, el crecimiento en los
11
Situación actual de la empresa de estudio
Por otro lado es importante mencionar que el proceso de fusiones en este tipo de empresas trae
consigo una serie de cuestionamientos que ahora, la nueva empresa, deberá enfrentar y resolver. Para
efecto de ejemplificar se mencionan solo algunas de las muchas interrogantes a resolver dentro de
estos procesos: (Carvajal Villanueva, 2005)
La industria farmacéutica es dinámica, por lo tanto exige que los procesos de fusiones o
adquisiciones brinden soluciones rápidas para asegurar la continuidad del negocio, y a pesar de la
incertidumbre que generan estos procesos por naturaleza, la Farmacéutica los han identificado como la
vía más eficiente y segura para acceder a nuevos mercados, aprovechando el conocimiento tecnológico
y el mercado del nuevo socio, al igual que las patentes, licencias, mano de obra calificada, contactos
privados y gubernamentales, su cadena logística y sus procedimientos de trabajo.
12
Capítulo 1
Nuestro país está considerado como uno de los principales mercados de insumos para la salud
en el mundo, es una industria establecida en México sólida y altamente competitiva a nivel regional.
La Industria Farmacéutica se ubica dentro del Sector Secundario ya que es parte del rubro de
empresas manufactureras y laboratorios que se caracterizan por el uso predominante de maquinaria y
de procesos cada vez más automatizados para transformar las materias primas que se obtienen del
sector primario .
Concepto Valor
Participación en el PIB 1.3 %
Participación en el PIB Manufacturero 7.8 %
Mercado Farmacéutico total (millones de pesos) 163,000
Millones de unidades vendidas en el sector privado 1, 372
Millones de unidades vendidas en el sector público 1, 078
Millones de unidades vendidas en total 2, 450
13
Situación actual de la empresa de estudio
El mercado farmacéutico privado consume el 56% de las unidades vendidas en el país, para un
valor del 79% del mercado total, mientras que el sector público consume el 44% de las unidades, con
un valor cercano al 21% del total. Ver figura 1.3
Figura 1.2 Distribución del Mercado Farmacéutico en el Sector Privado y Público 2008.
CANIFARMA, 2008
Por otro lado, el sector externo ha incrementado en los últimos años, con crecimientos
significativos en importaciones y exportaciones de medicamentos, dispositivos médicos y reactivos de
diagnóstico, hasta representar más del 1.2% de las exportaciones totales de México, pero con un
potencial relevante para el crecimiento de las exportaciones, en función del incremento del prestigio de
la autoridad sanitaria (COFEPRIS), y en el marco de los tratados de libre comercio existentes entre
México y los países de alto estándar sanitario (en especial EEUU y la Unión Europea). Ver tabla 1.3
(Cámara Nacional de la Industria Farmacéutica, 2010)
14
Capítulo 1
Para efecto de complementar los indicadores económicos que refleja la Industria Farmacéutica
en México, la Asociación Mexicana de Industrias de Investigación Farmacéutica, A.C. (AMIIF) que
agrupa a 31 empresas farmacéuticas internacionales con presencia en México, presenta la siguiente
información del Mercado Farmacéutico en México al año 2005. Ver tabla 1.4
• 1999-2001 : 180
Número de productos nuevos • 2002-2003 : 115
• 2004- 2005: 120
• 2003: 794
• 2004: 1,135
Número de estudios clínicos
• 2005: 1,180
• 2006 (planeado): 1,200
México es el décimo mercado en importancia a
escala mundial y el principal mercado en América
Latina.
Volumen en ventas • México : 8,865
(en millones de dólares) • Brasil: 7,947
• Argentina: 2,341
• Venezuela: 2,192
• Colombia: 1,357
• Pacientes estudiados en 2005: 51,000
• Pacientes planeados en 2006: 63,000
• Inversión 2005: 850,000,000
• Presupuesto 2006: 1,000,000,000
• Instituciones participantes: 1,250
• Instituciones públicas: 1,050 (84%)
Investigación Clínica en México
• Instituciones privadas: 200 (16%)
• Áreas terapéuticas en investigación: 18
• Número de investigadores: 2,025
• Número de protocolos: 500
Fuente: Encuesta de Investigación Clínica AMIIF
2006, data on file.
Tabla 1.4 Indicadores Mercado Farmacéutico con México (2005)
Asociación Mexicana de Industrias de Investigación Farmacéutica, A.C., 2010
15
Situación actual de la empresa de estudio
En este sentido, con el apoyo de instituciones académicas y de salud, tanto públicas como
privadas, el crecimiento ha sido mayor: en el 2003, se realizaban menos de 100 estudios clínicos al año
en nuestro país, pero para el 2005 se realizaba investigación para 22 áreas terapéuticas, dentro de
2,025 investigaciones agrupadas en 425 protocolos, y la inversión a la fecha ha venido creciendo desde
entonces a tasas de alrededor del 15% anual.
En estos proyectos de investigación participan más de mil instituciones en todo el país, de las
que alrededor del 80% son Instituciones públicas, y el restante 20% (cerca de 230) son de carácter
privado, y más de 2,000 investigadores participan cada año de estos esfuerzos.
Hoy en día la empresa de estudio se ha consolidado como una de las empresas líderes en el
mercado farmacéutico mexicano, distinguiéndose por contar con uno de los portafolios de productos
más completos en su especialidad, el cual pasó de estar compuesto por una sola categoría de producto
integrado por 1 marca en 3 presentaciones diferentes a 5 categorías de producto con 10 marcas y más
de 80 presentaciones diferentes.
Esta empresa, como en la mayoría de las microempresas que inician en México, diseñó y
adaptó sus herramientas de trabajo “caseras” a la medida de sus necesidades. Sin embargo, a través
del tiempo, la empresa ha evolucionado así como sus herramientas y procedimientos de trabajo al
grado de convertirse en uno de los laboratorios mexicanos líderes dentro del mercado farmacéutico con
una plantilla de personal de más de 250 personas incluyendo personal administrativo, operativo y de
ventas.
16
Capítulo 1
Consejo de Administración
Comité de Auditoría
Gcia de
Operaciones
Gcia de Gcia log. y Gcia de
RH distribución Mercadotecnia Gcia de Inv.
Gcia de Aseg. Clínica
de la Calidad
Gcia de Gcia de Comer- Gcia de Inf. al
Legal cialización Negocio Gcia Médica
Gcia de Costos
Gcia de Gcia de
Gcia de Planeación Fin. Capacitación
Producción
17
Situación actual de la empresa de estudio
El funcionamiento de la empresa se rige por una estructura de procesos claves, los cuales se
clasifican en tres niveles: Procesos Ejecutivos o Estratégicos, Procesos de Negocio u Operativos y
Procesos de Soporte. Estos procesos fueron establecidos con la finalidad de orientar las actividades del
personal para el logro de los objetivos planteados por la Dirección.
En figura 1.5 se presenta el Modelo de procesos que fue diseñado por la empresa para
esquematizar la estructura de los tres niveles de procesos.
PROCESOS EJECUTIVOS
Misión y Objetivos de la Estrategias Políticas
Visión empresa corporativas
PROCESOS DE NEGOCIO
Generación de la Abastecimiento Manufactura Comercialización
Demanda
PROCESOS DE SOPORTE
Sistemas Recursos Asuntos Contabilidad Ingeniería y Legal
Validación
Humanos Regulatorios y Finanzas Mantenimiento
1. Misión de la empresa.
2. Visión de la empresa:
3. Objetivos.
4. Estrategias.
5. Políticas corporativas.
18
Capítulo 1
Por otro lado, los Procesos de Negocio u Operativos se integran por un conjunto de
subprocesos que se encuentran relacionados entre sí, cuya finalidad es hacer realidad las estrategias,
los planes y objetivos planteados en los Procesos Estratégicos de la organización.
Los procesos de Negocios reconocidos por la empresa de estudio son cuatro: Generación de la
Demanda, Abastecimiento, Manufactura y Comercialización, mismos que se ilustran en la siguiente
figura:
Generación de la demanda
Abastecimiento
Manufactura
Planeación Aseguramiento
Surtido de Costos
de la Acondicionado de la
Materiales Producción
Producción Calidad
Comercialización
Logística
Admón. Definición Comercialización y Servicio al Cuentas
de Clientes de precios Distribución Cliente por
cobrar
Figura 1.5 Subprocesos de los Procesos de Negocio.
19
Situación actual de la empresa de estudio
Proceso de manufactura: como su nombre lo indica, son los subprocesos que se encuentran
relacionados con la Producción de los productos. Los subprocesos que lo integran son:
Planeación de la producción, Surtido de materiales, Producción, Acondicionamiento,
Aseguramiento de la Calidad y Costos.
La importancia de los Procesos de Negocio radica en que son el conjunto de procesos que
permiten generar la cantidad de bienes o servicios suficientes, en el tiempo oportuno y ubicarlos en los
lugares correctos o solicitados por los Clientes. Por tal motivo, tales procesos, subprocesos y
actividades deben estar claramente definidos, estructurados y soportados para contribuir de forma
eficiente al logro de los objetivos establecidos por la organización, así como, para el cumplimiento y
satisfacción de las necesidades y expectativas de los clientes externos e internos.
Por último, los Procesos de Soporte son actividades que respaldan, y como su nombre lo indica,
brindan soporte y apoyo para que los procesos Estratégicos y de Negocio de la empresa puedan
llevarse a cabo. Este nivel de procesos se encuentran integrados por los siguientes subprocesos:
Sistemas, Recursos Humanos, Asuntos Regulatorios, Contabilidad, Ingeniería y Mantenimiento,
Validaciones y Legal.
20
Capítulo 1
Tal como se describió en la sección 1.2 de este capítulo, la industria farmacéutica ha sido uno de los
sectores que mayores impactos ha tenido en los últimos años: la presencia y tendencia de grandes
fusiones entre grandes empresas del sector, la pérdida de mercado por el vencimiento de patentes y el
surgimiento acelerado de laboratorios de productos genéricos que se apoderan de éstas, cambios en la
legislación y regulación aplicable al sector y la disminución de la inversión dedicada a las actividades de
investigación y desarrollo de nuevos medicamentos.
Situaciones como las anteriores son algunos de los grandes retos a los que se enfrentan las
empresas de este sector día a día. Por lo tanto, si las empresas no cuentan con los medios (procesos,
infraestructura, tecnología, personal capacitado, solvencia económica, etc.) para dar respuesta de forma
oportuna a tales situaciones, su desempeño y eficiencia interna se verá afectada y en consecuencia su
capacidad para responder a los requerimientos específicos y cada vez más exigentes del mercado.
Este escenario obliga a las empresas del giro farmacéutico, sobre todo a las pequeñas y
medianas, a mejorar su desempeño y la eficiencia de sus procesos, así como, buscar de manera
permanente la reducción de sus niveles de costos para lograr ser competitivas y sobrevivir en el
mercado, o bien, para convertirse en una opción rentable y factible de venta o fusión para las grandes
empresas que dominan el sector, que hoy en día resulta ser la estrategia de algunas empresas dadas
las circunstancias actuales.
A pesar de ser considerada una de las empresas líderes en la rama terapéutica que maneja, la
empresa de estudio se enfrenta a la serie de problemas que el resto de las empresas de este sector
que afectan su crecimiento y nivel de ganancias. Por lo tanto, cualquier acción o proyecto que permita
generar ahorros o la disminución de gastos para las empresas de este sector se toman en
consideración para precisamente mantener y mejorar su competitividad.
Tomando en consideración lo anterior, Ballou (2004) indica que “el manejo de la cadena de
suministros enfatiza las interacciones de la logística que tienen lugar entre las funciones de marketing,
logística y producción en una empresa, y las interacciones que se llevan a cabo entre empresas
independientes legalmente dentro del canal de flujo del producto”, por lo tanto, concluye que la
oportunidad que tiene una empresa para mejorar el costo o el servicio a sus clientes se alcanzan
mediante la coordinación y la colaboración entre los miembros de los canales de flujo.
21
Situación actual de la empresa de estudio
Los pronósticos son elementos vitales para cualquier organización y son consultados para la
tomada de decisiones de niveles Gerenciales y Directivos.
Por tal motivo y para efectos de este trabajo el proceso que será analizado es el llamado
Generación de la Demanda, específicamente el subproceso y metodología actualmente utilizada para la
generación de los Pronósticos de venta ya que es un elemento clave para la determinación y
racionalización de los recursos internos de la empresa y lograr el nivel de satisfacción y cumplimiento
con los requerimientos y expectativas de los clientes internos y externos al permitir que los productos se
encuentren disponibles en las cantidades, tiempo y lugares necesarios.
Dirección Corporativa
Retorno de la inversión Política y regulaciones
Costos de oportunidad aplicables al sector salud
Valor esperado Licencias
Política de Precios Patentes
Programas de Mkt
Programas de Promoción
Programas de consumidores Tamaño de la fuerza de ventas
Estructura de la fuerza de ventas
Asignación de la fuerza de ventas
Unidades de negocio (Global,
Nacional, Regional)
22
Capítulo 1
Estas relaciones reflejan los variados usos e influencias que puede llegar a tener un Pronóstico
de ventas dentro de una organización, como en la planificación de los ingresos y la producción , la
asignación de los recursos, la priorización de proyectos, la asociación decisiones, los planes de
compensación, los esfuerzos de cabildeo y entre muchos otros. Al mismo tiempo, estos usos reflejan
uno de los principales desafíos del proceso de Pronóstico de ventas – satisfacer las necesidades
variadas y diversas de todas las partes interesadas.
El proceso del Pronóstico de ventas es un subproceso elemental ya que marca la pauta para la
operación y el ritmo del resto de los procesos de la empresa. De ahí la importancia de que éste sea
certero puesto que el impacto de su ineficiencia se puede ver reflejada en costos para la organización,
que van desde la compra excesiva de materia prima para una producción mal estimada hasta la pérdida
de la lealtad del cliente al no contar con productos en el momento que éste lo solicita.
Actualmente, el Pronóstico de ventas es calculado de forma anual por los Gerentes de Producto
del área de Mercadotecnia que son quienes manejan y analizan la información de la demanda del
mercado. El área de mercadotecnia se localiza dentro del área comercial misma que se encuentra
estructurada de la siguiente forma.
Dirección Comercial
Analista de Vendedores
Gerente de
Productividad
Producto
23
Situación actual de la empresa de estudio
El cálculo del Pronóstico de Ventas se realiza de forma anual, sin embargo, es importante
mencionar que durante el año éste presenta frecuentes modificaciones ya que las cantidades de
productos proyectadas generalmente exceden a los requerimientos que mensualmente presenta el
mercado, lo que origina su constante modificación y por ende el origen de costos adicionales para la
empresa.
El cálculo del pronóstico de ventas se realiza a través de un modelo generado en una hoja de
cálculo de Excel, éste no se encuentra fundamentado en alguna metodología documentada ya que fue
diseñada de acuerdo a las necesidades que surgieron dentro de la organización a través del tiempo.
Asimismo, es necesario resaltar que el modelo de cálculo no ha sido sometido a una revisión general
para evaluar si éste es adecuado para el tipo de productos que maneja la empresa, el comportamiento
de la demanda y del mercado.
La proyección de ventas que se obtiene a través del modelo actual es considerada como poco
confiable por los Gerentes de Producto ya que los resultados obtenidos son continuamente modificados
y ajustados de acuerdo al “feeling” y percepción de los Gerentes de Producto, cuidando que éstos se
encuentren alineados a los objetivos de crecimiento de ventas establecidos por la Dirección General.
De igual forma, desde la implementación del nuevo sistema informático en la empresa (2009), el
período congelado de 3 meses que se pretendía mantener en las cifras estimadas en el Pronóstico de
ventas cargado en sistema no ha logrado ser cumplido debido a que las cantidades de ventas
proyectadas son modificadas continuamente de acuerdo al comportamiento que presenta la demanda
real.
El hecho que la empresa de estudio cuente con un Procedimiento de cálculo del Pronóstico de
ventas débil provoca que la empresa programe sus actividades sobre bases poco confiables e incurra
en costos innecesarios como los siguientes:
24
Capítulo 1
Para tal efecto, durante el desarrollo de este trabajo se analizarán diferentes métodos de
cálculo de pronósticos, y con base en éstos, se integrará una metodología que ofrezca una proyección
de ventas confiable, así como, un cuadro de indicadores que midan el desempeño del pronóstico para
apoyar la oportuna toma de decisiones relacionadas con la compra materia prima, materiales de
empaque y pago de horas extras al personal para solventar las necesidades de la producción,
buscando con esto, la reducción de costos de mantener inventarios excesivos, desembolsos por pago
de horas extras y sobre todo, mantener la satisfacción y preferencia del cliente al asegurar que los
productos se encontrarán disponibles en las cantidades, tiempo y lugar correctos.
25
Capítulo 2
Marco Teórico
En este capítulo se presenta el marco teórico relacionado con el tema de Pronósticos, el cual fue
utilizado para fundamentar la Metodología que se propone para el caso de estudio misma que se
desarrolla en los siguientes dos capítulos de este trabajo.
La primera parte de este capítulo abarca desde los conceptos generales de Pronósticos
manejado por diferentes autores, su importancia dentro de las empresas, sus características, así como
los diferentes horizontes de tiempo en los que pueden ser manejados identificando sus ventajas y/o
desventajas.
Como segunda parte, se presenta la clasificación de los métodos cualitativos y cuantitativos que
existen para el cálculo de los Pronósticos, profundizando un poco más en los métodos de series de
tiempo que son en los que se fundamentará la Propuesta para el caso de estudio.
Por último, se describen los métodos que existen para medir la precisión de los pronósticos, los
que pueden ser aplicados para determinar su nivel de error y evaluar su desempeño de acuerdo a las
necesidades reales del mercado.
26
Capítulo 2
2.1 Pronósticos
Un pronóstico de ventas es una estimación o nivel esperado de ventas de una empresa, línea de
productos o marca de producto, que abarca un periodo de tiempo determinado y un mercado específico.
(Kotler, 2002)
Por otro lado Adam y Ebert, indican que “el Pronóstico es un proceso de estimación de un
acontecimiento futuro, proyectando hacia el futuro datos del pasado. Los datos del pasado se combinan
sistemáticamente en forma predeterminada para hacer una estimación del futuro” (Adam & Ebert, 1991)
Por otro lado Ballou indica que los pronósticos de la demanda son importantes para la
organización, ya que éstos proporcionan datos de entrada para la planeación y control de todas las
áreas funcionales, incluyendo logística, marketing, producción y finanzas. Así mismo, indica, que la
27
Marco Teórico
Tanto Ballou como Chase & Aquilano, coinciden en que un Pronóstico conforma la base para la
planeación y control de áreas funcionales como: Finanzas, para la planeación de presupuestos y control
de costos; Marketing, para pronosticar las ventas, planear productos nuevos y determinar las
compensaciones del personal de ventas; Producción y Operaciones, para la selección de procesos,
planeación de capacidades y distribución de instalaciones, planeación de la producción, programación y
control de inventarios.
Por otro lado, Nahmias resalta la importancia del Pronóstico al indicar que éstos juegan un papel
central en la función de operaciones de una compañía ya que toda la planeación de negocios se basa
en pronósticos: las ventas de productos nuevos o existentes, los requerimientos y necesidades de
materias primas, las habilidades cambiantes de los trabajadores, las necesidades de capacidad, etc.
(Nahmias, 2007)
Nahmias menciona que los pronósticos presentan cinco diferentes características (Nahmias, 2007):
2. Un buen pronóstico es más que un simple número. Debido a que los pronósticos presentan
equivocaciones, un buen pronóstico incluye cierta medida de error. Esto puede ser mediante un
rango, o una medición de error como sería la variación de la distribución del error de pronóstico.
3. Los pronósticos agregados son más exactos. De acuerdo a las estadísticas, la variación del
promedio de una colección de variables aleatorias independientes distribuidas de manera
idéntica es menor que la variación de cada una de las variables aleatorias, independientes
distribuidas de manera idéntica es menor que la variación de cada una de las variables
aleatorias, esto es, la variación de la muestra media es menor que la variación de población.
Este mismo fenómeno se presentan en los pronósticos. En una base porcentual, el error
cometido en las ventas pronosticadas para una línea completa de productos generalmente es
menor que el error cometido en el pronóstico de ventas para un artículo individual.
28
Capítulo 2
5. Los pronósticos no deben usarse para excluir información conocida. Una técnica
particular puede resultar en pronósticos razonablemente precisos en la mayoría de las
ocasiones. Sin embargo, puede haber información disponible concerniente a la demanda futura
que no se mostró en la historia pasada de la serie. Por ejemplo, la compañía puede estar
planeando una venta promocional especial para un artículo en particular, por lo que la demanda
probablemente será mayor que la normal. Esta información debe incluirse manualmente en el
pronóstico.
El horizonte de tiempo de los pronósticos es una de las clasificaciones básicas de los Pronósticos. De
acuerdo a Nahmias, éstos se pueden clasificar en 3 grandes dimensiones cronológicas las cuales se
presentan en la Figura 2.1 (Nahmias, 2007)
Largo Plazo
•Necesidades de
Mediano Plazo capacidad
•Venta Familia de •Patrones de venta a
Productos. largo plazo
Corto Plazo •Requerimientos de •Tendencias de
mano de obra crecimiento.
•Ventas a corto pazo •Requerimiento de
•Programas de turnos recursos
•Requerimientos de
recursos
29
Marco Teórico
Los Pronósticos a corto plazo son importantes para la planeación del día a día y regularmente
son medidos en días o semanas. Este tipo de pronósticos son prácticos para ventas, administración de
inventarios, planes de producción que puedan generarse a partir de un sistema de planeación de
requerimientos de materiales y para la planeación de requerimientos de recursos. Del mismo modo,
sirven de apoyo para la programación de turnos considerando las preferencias y disponibilidades de
trabajadores. (Nahmias, 2007)
La producción a largo plazo y las decisiones de fabricación forman parte de la estrategia global
de fabricación de la compañía. Un ejemplo es planear a largo plazo las necesidades de capacidad.
Cuando se espera que las demandas se incrementen, la compañía debe planificar la construcción o
adecuaciones de nuevas instalaciones considerando en su caso nuevas tecnologías. Las decisiones de
planeación pueden requerir del despido de personal en algunas circunstancias. (Nahmias, 2007)
Por otro lado, Makridakis, indica que los pronósticos a largo plazo son necesarios
principalmente para hacer planes de expansión de capital, seleccionar proyectos de I&D, lanzamiento
de nuevos productos y formular la estrategia y objetivos a largo plazo. El elemento esencial en el
Pronóstico a largo plazo son las tendencias preponderantes. El problema es determinar cuánto y cómo
pueden cambiar dichas tendencias y en qué forma serán distintas en el futuro las actitudes sociales y
consumistas. Lo más probable es que en las tendencias a largo plazo haya cambios producidos por
nuevos productos, nuevos servicios, nuevas estructuras competitivas, nuevas formas de organización y
otras novedades, lo que hace difícil, pero también esencial la tarea de predecir.(Makridakis, 1990)
Para un mejor análisis, Makridakis prefiere dividir el largo plazo en tres tipos: inmediato, distante
y lejano. En el largo plazo inmediato (de dos a cinco años) ya han empezado la mayor parte de los
cambios que hay que tener encuentra. Por consiguiente, es cuestión de calcular sus efectos sobre una
organización determinada y lo que hay que hacer para adaptarse a estos cambios. Un error común, que
se repite en todo el largo plazo inmediato, es ignorar el cambio tecnológico y de otra índole hasta que
se llega a un punto crítico, en cuyo caso las organizaciones reaccionan en exceso. Otro error muy
generalizado es dejarse deslumbrar por la maravilla tecnológica de los nuevos inventos y apresurarse a
querer introducirlos. Adicional, a que regularmente las nuevas tecnologías resultan caras inicialmente
haciendo que sea antieconómico y poco prudente precipitarse a adoptarlas.
Cuando se va hacia el distante y lejano largo plazo, la exactitud de los pronósticos concretos
disminuye drásticamente, ya que pueden pasar muchas cosas que hagan variar las pautas y relaciones
establecidas. En estos casos, el fin del pronóstico es dar orientaciones generales sobre el camino al
que se dirige la economía mundial o la de una rama concreta de la industria y determinar oportunidades
30
Capítulo 2
importantes y los peligros en cierne. Las nuevas tecnologías pueden cambiar sobre la marcha la
demanda establecida, las actitudes sociales, los costos, los canales de distribución y la estructura
competitiva de una industria. El propósito principal de estos pronósticos a largo plazo es facilitar a la
organización un consenso sobre el futuro y empezar a considerar la forma de adaptar las nuevas
tecnologías una vez que sean económicamente beneficiosas. Los pronósticos distantes a largo plazo no
pueden ser concretos y siempre serán muy dudosos, así que su valor no está en mejorar la toma de
decisiones, sino en facilitar un consenso en la organización.
Una empresa puede hacer mucho cuando su demanda es independiente y puede adoptar 2
papeles:
- Adoptar un papel pasivo y simplemente responder a la demanda. Existen varias razones por las
que una empresa no intenta cambiar la demanda y la acepta tal como llega. Si una compañía
actúa a toda su capacidad, tal vez no quiera hacer nada en cuanto a la demanda, Otras
razones puede ser que la compañía no tenga todo el poder de cambiar la demanda debido al
gasto de publicidad, es probable que el mercado sea fijo y estático o que la demanda esté fuera
de su control como el caso de un proveedor único. Otras razones tienen que ver con cuestiones
morales, ambientales, legales por la que la demanda del mercado se acepta pasiva.
Las demandas se originan tanto interna como externamente, en forma de ventas de productos
nuevos por parte de marketing, piezas de reparación para productos vendidos con anterioridad,
reabastecimientos de almacenes de fábrica y suministros de artículos para manufactura. (Chase,
Jacobs, & Aquilano, 2009)
31
Marco Teórico
Los factores críticos son difíciles de determinar porque el tiempo se desconoce o no se toma en
cuenta la causa de ciclo. La influencia cíclica sobre la demanda puede provenir de eventos tales como
elecciones políticas, guerras, condiciones económicas o presiones sociales.
Las variaciones aleatorias son provocadas por eventos fortuitos. Estadísticamente, al restar
todas las causas conocidas de la demanda (promedio, tendencia, estacionales, cíclicas y de
autocorrelación) de la demanda total, lo que queda es la parte que no se puede explicar de la demanda.
Cuando no se puede explicar la causa se determina que es aleatoria.
Cuando la demanda es aleatoria, es probable que varíe en gran medida de una semana a otra.
Donde existe una correlación alta, no se espera que la demanda cambie mucho e una semana a otra.
Las líneas de tendencia casi siempre son el punto de inicio al desarrollar un pronóstico, éstas se
ajustan de acuerdo con los efectos estacionales, los elementos cíclicos y cualquier otro evento
esperado que puede influir en el pronóstico final.
Chase explica que un método de pronósticos de uso muy común gráfica los datos y luego busca la
distribución estándar (como lineal, cursa S, asintótica o exponencial) que se adapta mejor a éstos.
32
Capítulo 2
Definición: Sea X una variable aleatoria continua. Se dice que X tiene una distribución normal o
de Gauss, con parámetros y (positivo) en todos los reales cuando su función de densidad de
probabilidad es:
( )
( ) ( )
√
En cuestión de notación, tenemos que las variables aleatorias con distribución normal y
parámetros y se suelen denotar por N ( ).
El modelo normal tiene gran aplicación en diferentes áreas y es una de las distribuciones con
mayor auge en el estudio de las probabilidades y la estadística, la dimensión de su importancia radica
en el Teorema titulado “Teorema del Límite Central”
33
Marco Teórico
Definición: Sea X una variable aleatoria continua del experimento realizado, diremos que tiene
una distribución exponencial con parámetro positivo en el intervalo [ ), cuando su función de
densidad de probabilidad es:
( ) {
c) ( ) {
A continuación se presentan las gráficas de la distribución exponencial con parámetro beta mayor y
menor a uno.
34
Capítulo 2
Definición: una variable aleatoria continua X tiene una distribución de probabilidad tipo gamma,
si su función de densidad con parámetros de forma y escala y , respectivamente está definida por:
( ) { ( )
( ) ∫
Figura 2.4 Funciones de densidad y distribución acumulada gamma, con parámetros beta igual a uno y alfa con
valores 1,2,3 y 4. Gutiérrez, 2007
35
Marco Teórico
Teorema: Sea X variable aleatoria continua con distribución gamma y parámetros y entonces:
a) ( )
b) ( )
c) ( ) {
( )
∫
Una variable aleatoria continua X tiene una distribución de probabilidad tipo Weibull con parámetros y
, si su función de densidad tiene la siguiente forma (Gutiérrez González, 2007):
( )( )
( ) {
Al igual que en los parámetros tipo gamma los parámetros y representan forma y escala de
la distribución, ver figuras 2.6 y 2.7.
Figura 2.6 Funciones densidad y distribución acumulada Weibull, con =1 y =0.75, 1, 2, 3, 4. Gutiérrez, 2007.
36
Capítulo 2
Figura 2.7 Funciones de densidad y distribución acumulada Weibull, con =0.5, 1, 2, 3 y =3.
Gutiérrez, 2007.
a) ( ) ( )
b) ( ) ( ) * ( ) ( )+
c) ( ) {
Definición: la función densidad de una variable aleatoria continua con distribución lognormal y
parámetro y está definida por:
( ( ) )
( ) { ( )
√
Al igual que en la distribución normal los parámetros y son el valor esperado y la desviación
estándar, respectivamente, de la variable Y = In (X). En la figura 2.8 se muestran algunas formas de los
modelos lognormal.
37
Marco Teórico
Figura
( ) ( )
( ) ( ) [ ( ) ( )] [ ] [ ]
Chase explica que las técnicas cualitativas son subjetivas y se basan en estimados y opiniones.
Por otro lado, los análisis de series de tiempo se fundamentan en la idea de que es posible utilizar
información relacionada con las ventas pasadas para la predicción. Esta información puede estar
compuesta por otros elementos como influencias de tendencias, estaciones o cíclicas. El Pronóstico
causal se analiza utilizando la técnica de regresión lineal y supone que la demanda se relaciona con
algún factor subyacente en el ambiente. Por otra parte, la simulación permite a los pronosticadores
manejar diferentes supuestos de la condición del pronóstico.
38
Capítulo 2
información que es utilizada para la integración del Pronóstico por lo regular no es cuantitativa, es
intangible y subjetiva. La información histórica no resulta ser muy relevante o útil para el pronóstico. La
naturaleza de los métodos, los hacen difíciles de estandarizar y validar su precisión por no estar
fundamentados en el método científico. Son métodos utilizados en su mayoría para mediano y largo
plazo. (Ballou, 2004)
Horizonte
Método Descripción Usos
de tiempo
39
Marco Teórico
Horizonte
Método Descripción Usos
de tiempo
Un panel de expertos es interrogado
mediante una secuencia de cuestionarios en
los que las respuestas a un cuestionario se Pronósticos de ventas a
utilizan para producir el segundo largo plazo para planeación
cuestionario. Cualquier información de capacidad o
Método disponible para unos expertos y no para instalaciones. Pronósticos Medio
Delphi otros es trasmitida a estos últimos lo que tecnológicos para evaluar Largo
permite a todos los expertos tenga acceso a cuándo pueden presentarse
toda la información de los pronósticos. Esta los cambios tecnológicos.
técnica elimina el efecto de tendencia (Schroeder, 1996)
moderna de la opinión mayoritaria. (Ballou,
2004)
Pronósticos de ventas a
Es un análisis comparativo de la introducción
largo plazo para planeación
Analogía y crecimiento de nuevos productos similares Medio
de capacidades o
Histórica que basan el pronóstico en patrones de Largo
instalaciones. (Schroeder,
similitud (Ballou, 2004)
1996)
40
Capítulo 2
Al igual que con los métodos Cualitativos, a continuación se presenta una breve descripción de
algunos métodos Cuantitativos que existen para el cálculo de Pronósticos (Ver Tabla 2.2):
Horizonte
Método Descripción (Ballou, 2004) Usos (Schroeder, 1996)
de tiempo
Cada punto de un promedio móvil de un
Planeación de corto a
serie de tiempo es el promedio aritmético
mediano plazo, para
o ponderado de un número de puntos
inventarios niveles de
Promedio consecutivos de la serie, donde el
producción y programación. Corto
Móvil número de puntos de información se
Es un método útil cuando
selecciona de manera que los efectos de
existen demasiados
estacionalidad o irregularidad se
productos.
eliminen.
Esta técnica es similar al promedio móvil,
excepto que los puntos que son más
recientes reciben mayor ponderación. El
nuevo pronóstico será igual al anterior
Suavización más cierta parte del error de pronósticos Aplica a los mismos casos
Corto
exponencial pasados. La nivelación exponencial que el promedio móvil
Series de Tiempo
41
Marco Teórico
Horizonte
Método Descripción Usos
de tiempo
Es adecuado para identificar
Series de Tiempo
42
Capítulo 2
Horizonte
Método Descripción Usos
de tiempo
Este método utiliza la computadora para
simular en el tiempo el efecto de las
ventas de producto final sobre los
Pronósticos de ventas de
Simulación
El Modelo de Series de tiempo es uno de los tipos de predicción cuantitativa más comunes y
cuentan con dos elementos importantes: la serie de datos que se va a pronosticar y el período de
tiempo a utilizarse. Un modelo de este tipo supone siempre que un patrón o combinación de patrones
es recurrente a través del tiempo. De esta manera identificando y extrapolando dicho patrón, se pueden
desarrollar pronósticos para periodos subsecuentes.
Una ventaja de los modelos de series de tiempo es que las reglas básicas de contabilidad se
orientan hacia periodos de tiempo secuenciales. Esto significa que en la mayoría de las empresas los
datos se encuentran disponibles con base en estos periodos de tiempo y pueden utilizarse en la
aplicación de un método de predicción de series de tiempo. (Makridakis & Wheelwrigth, 1998).
En el análisis de series de tiempo se intenta aislar los patrones que surgen con mayor
frecuencia. Éstos incluyen los siguientes: (Nahmias, 2007):
43
Marco Teórico
Estacionalidad: Un patrón estacional es aquel que se repite en intervalos fijos. En las series de
tiempo, generalmente pensamos en el patrón que se repite cada año, aunque también son
comunes los patrones estacionales mensuales, semanales y diarios. La moda, los helados y el
combustible muestran un patrón estacional anual. El consumo de electricidad muestra un fuerte
patrón estacional diario.
Aleatoriedad. Una serie aleatoria pura es aquella en la que no existe un patrón reconocible
para los datos. Los datos pueden generarse de una forma que, aun siendo puramente aleatoria,
muchas veces aparentan tener una estructura. Un ejemplo podría ser la metodología de
tabuladores del mercado de valores que impone formas de patrones aleatorios en los datos de
precios de mercado. Por otro lado, los datos que parecen ser aleatorios pueden tener una
estructura definitiva. Los datos verdaderamente aleatorios fluctúan en torno a una media fija
forman lo que se le conoce como patrón horizontal. En la figura 2.9 se presenta una serie de
tiempo en la que muestran estos patrones.
44
Capítulo 2
Una opción útil de suavizamiento lo desarrolló Winters a principios de la década de 1960. Este método
genera resultados semejantes a los del suavizamiento exponencial lineal, pero tiene la ventaja extra de
ser capaz de manejar datos estacionales junto con datos que tengan una tendencia. El suavizamiento
exponencial lineal y estacional de Winters se basa en tres ecuaciones, cada una de las cuales suaviza
un factor asociado con uno de los tres componentes del patrón: aleatoriedad, tendencia y
estacionalidad. El método incluye un parámetro adicional para manejar la estacionalidad. Hay tres
ecuaciones de suavizamiento básicas implicadas en el método y son las siguientes (Makridakis &
Wheelwrigth, 1998):
( )( )
( )( )
( )
En donde:
S = valor suavizado de la serie desestacionalizada.
T = valor suavizado de la tendencia.
I = valor suavizado del factor estacional.
L= duración de la estacionalidad.
La ecuación es comparable a un índice estacional. Dicho índice se calcula como la razón del
valor actual de la serie dividido entre el valor suavizado actual de la serie . Si es mayor que ,
la razón será mayor que 1. Si es menor que , la razón será menor que 1. Para entender este método
y la función del índice estacional, , es importante darse cuenta que es un valor (promedio)
suavizado de la serie que incluye tendencia pero no estacionalidad. Los valores de los datos , por
otro lado, contienen estacionalidad. Así pues, que la razón ⁄ dice algo acerca del nivel de
estacionalidad de los datos. Recuérdese que es el valor actual de los datos que contienen
estacionalidad, en tanto que está suavizado y no la contiene. No obstante la estacionalidad en cada
periodo no es perfecta. Contiene aleatoriedad, por lo cual debe ser suavizada o promediada para
eliminar tal estocasticidad.
( )
Uno de los valores que acompañan el uso del método de Winters consiste en determinar los
valores ( ) que minimizarán el error cuadrado medio (MSE) o la desviación media absoluta
(MAD). El enfoque para realizar esto es el ensayo y error. La búsqueda de los valores óptimos se hace
mediante un enfoque de rejilla en donde los resultados que emplean valores diferentes para
compararan para encontrar la combinación que minimiza el MSE o la MAD. Con las computadoras
actuales, encontrar los valores óptimos de ya no es el problema que solía ser.
Los métodos de descomposición identifican tres componentes distintos del patrón básico subyacente
que caracterizan a las series económicas y empresariales. Estos son los factores tendencial, cíclico y
estacional. El factor tendencial, que representa el comportamiento de largo plazo de los datos, puede
aumentar, disminuir o permanecer sin cambio. La tendencia puede ser aproximada por una línea recta,
pero en ciertas situaciones puede existir una curva exponencial o en forma de S, u otro patrón de largo
plazo. El factor cíclico representa las altas y bajas causadas por las condiciones económicas o
específicas de la industria (Makridakis & Wheelwrigth, 1998).
46
Capítulo 2
Además de los componentes del patrón, también se supone que está presente un elemento de
error o estocástico. Este error es la diferencia entre el efecto combinado de los tres subpatrones de la
serie y los datos reales.
Los pasos para llevar a cabo el método de descomposición de predicción se pueden dividir en
cinco. Los primeros tres pasos implican identificar los factores estacionales, tendenciales y cíclicos Los
pasos cuarto y quinto, estos tres factores se aplican a los pronósticos:
2. Determinar los factores de tendencia. Esto requiere ajustar una recta de tendencia a los
datos. Si se supone que una tendencia lineal, se puede usar ya sea un enfoque gráfico o
regresión simple para obtener a y b de la línea recta .
3. Determinar los factores cíclicos. Puesto que los promedios móviles eliminan el patrón
estacional y la aleatoriedad, lo que queda son la tendencia y el ciclo. Así se pueden determinar
los factores cíclicos al dividir el valor del promedio móvil entre el valor tendencial de cada
observación.
4. Obtener más estimaciones de los valores ciclo de tendencia. Se empieza con los datos
desestacionalizados y se calcula un promedio móvil de 3 x 3 para reducir el número de ciclos de
tendencia perdidos al principio y final de los datos. Luego se obtienen estimaciones para los
valores faltantes del ciclo tendencial al final de los datos.
47
Marco Teórico
Al emplear esos pasos, se puede preparar un pronóstico y monitorear la serie con una base
continua. Se debe mencionar nuevamente que el factor cíclico es el aspecto más difícil de este
método de predicción.
Una vez elegido un modelo la función no termina aquí, ya que los pronósticos que surjan de
éste deben monitorearse con regularidad para verificar que el modelo es adecuado e identificar
oportunamente cambios imprevistos en la serie. (Nahmias, 2007)
1. Uso de los puntos de referencia: Un director puede comparar los pronósticos que le dan con
sencillas referencias. Cuando usamos referencias sencillas, a menudo no encontramos
diferencia, o no la suficiente para justificar el costo de formular o comprar los pronósticos. Los
datos empíricos han demostrado que en un gran número de casos, modos sencillos y “naifs” de
hacer pronósticos dan mejor resultado que otros métodos completos y sofisticados y que los
pronosticadores profesionales.
48
Capítulo 2
caso la analogía debe estar clara, o haciendo deducciones subjetivas sobre cómo podrían
cambiar las pautas y relaciones. Sin embargo, establecer analogías o hacer deducciones
subjetivas requiere varios supuestos que deben explicarse, ya que la exactitud de los
pronósticos está directamente relacionada con la validez de estos supuestos. Un director puede
entonces juzgar sobre la idoneidad de los propios pronósticos, evaluando la validez de la
analogía o la corrección de los supuestos.
4. Los “noes” del pronóstico. No crea en ningún pronóstico que se base en fórmulas secretas o
complejos modelos de calculadora que no pueden explicarse porque están más allá de la
comprensión de un director. No se ha probado que ninguna fórmula o modelo semejante sea
válido en el campo económico y de los negocios. No crea a nadie que aparente tener poderes
proféticos. Hay pruebas abrumadoras de que los modelos de pronósticos complejos o
sofisticados no funcionan mejor que los sencillos y de que las personas no predicen más
exactamente que los métodos estadísticos simples. De modo que si la precisión de un
pronóstico es baja, no intente mejorarla introduciendo métodos más complejos o sofisticados.
No es probable que ellos contribuya a aumentar su exactitud del pronóstico.
El acierto de los pronósticos vendrá determinado en gran medida por todas las normas y relaciones que
varían y por cuanta gente (incluida la propia organización y sus competidores) puede influir en los
hechos futuros. (Makridakis, 1990)
Las normas o relaciones pueden cambiar con el tiempo: Una de las condiciones para el
acierto en el pronóstico es que las pautas o relaciones, una vez identificadas y medidas,
permanezcan constantes.
Las personas pueden influir sobre los hechos futuros. En el medio económico y de
negocio, las predicciones pueden convertirse en profecías que se realizan o se frustran por sí
mismas, anulando los pronósticos. El hecho de que los propios pronósticos puedan influir en los
sucesos futuros cambiando así su curso, complica la tarea de predecir. Ya no basta predecir
sólo lo que va ocurrir: los directores tienen que predecir también lo que la competencia hará a
raíz de esta predicción. La tarea de predecir se hace más difícil pues las personas pueden
cambiar el curso de los acontecimientos futuros.
Plazo de tiempo del pronóstico: cuanto más lejano sea el plazo de tiempo de los pronósticos
mayor es la probabilidad de que las pautas y relaciones establecidas varíen, anulándola.
Cuanto más tiempo tengan los competidores para reaccionar ante los hechos que se predicen o
ante sus propias predicciones, más capaces serán e influir en los hechos futuros en su propio
beneficio. De modo de, la exactitud del pronóstico disminuye a medida de que el plazo de
tiempo comprendido aumenta.
49
Marco Teórico
Cambios tecnológicos. Cuanto más rápido sea el ritmo del cambio tecnológico, mayor es la
probabilidad de que cambian las pautas y relaciones establecidas y mayor la probabilidad de
que los competidores puedan influir en la industria mediante innovaciones tecnológicas. Unos
ejemplos excelentes son las industrias de alta tecnología en donde la predicción es casi
imposible. Al implantar nuevas tecnología desean esperan modelar el futuro en la dirección
deseada, para conseguir ventajas competitivas. Así la exactitud del pronóstico disminuye con el
aumento de ritmo del cambio tecnológico.
Barreras aduaneras. Cuanto menos son las barreras aduaneras, menos acertado es el
Pronóstico, puesto que los nuevos competidores (tanto del país como extranjeros) pueden
hacer cambiar drásticamente las pautas y relaciones en su afán por obtener ventajas
competitivas.
Difusión de la información. Cuanto más rápida sea la difusión de información, menos útil será
el pronóstico, puesto que todos tendrán la misma información y pueden llegar a predicciones
semejantes. En este caso resultará imposible obtener ventajas de un pronóstico acertado.
Elasticidad de la demanda. Cuanta más elástica sea la demanda, menos acertados serán los
pronósticos. Así la demanda de artículos de primera necesidad (como productos alimenticios)
pueden predecirse con mayor exactitud que la de los que no lo son, por lo que la gente dará
prioridad sobre otras comprar en caso de reducción de ingresos a adquirir este tipo de artículos.
50
Capítulo 2
51
Marco Teórico
Hoy en día la Industria Farmacéutica se enfrenta a grandes retos que complican las
condiciones para el análisis de la oferta y la demanda de medicamentos: el aumento de los obstáculos
técnicos que plantea la biotecnología, la reglamentación y políticas establecidas por los organismos
gubernamentales, las estrictas medidas de contención de costos impuestas por los proveedores de
cuidado de la salud, los productos de mayor crecimiento, los litigios de paciente defensores, la creciente
competencia medicamentos genéricos, el aumento de la prevalencia de la falsificación de
medicamentos de marca, y la disminución de retorno de la inversión de los nuevos productos son sólo
algunos ejemplos de las adversas condiciones de mercado que están haciendo más y más difícil prever
en el industria farmacéutica, se encuentra el reto y el riesgo que representa el error de sus Pronósticos,
aunado a que el comportamiento de la demanda no puede ser analizada por un punto de vista
determinístico, dependiendo en su mayoría de técnicas estocásticas tales como el Análisis de Monte
Carlo que mide la incertidumbre mediante la probabilidad y los rangos.
En un esfuerzo por mantener el valor de las acciones y entender los caprichos del mercado,
algunas compañías farmacéuticas se han distraído y desvían su atención y recursos de la empresa
lejos de negocio fundamentales, como la mejora de la demanda de planificación. El artículo de Kiely
sostiene qué factores técnicos, normativos y estructurales son exclusivos de la industria farmacéutica
para determinar la oferta y la demanda, la incertidumbre, aumentar el comportamiento disfuncional entre
la oferta farmacéutica y socios de la cadena lo que producen ineficiencias económicas. (Kiely, 2004)
Hoy las prácticas actuales de la industria tendrán que cambiar. La buena noticia es que las grandes
empresas farmacéuticas no tienen que mirar muy lejos para traer a sus cadenas de suministro hasta un
estándar de eficiencia moderna. El mejor ejemplo es el de las iniciativas de la cadena de suministro
llevadas a cabo por los fabricantes de venta libre a las compañías farmacéuticas. Para seguir siendo
competitivos, los grandes minoristas forzan a las divisiones de salud de los consumidores de las
grandes empresas farmacéuticas.
52
Capítulo 2
El uso del modelo LTD (Latente Modelo Terapéutico) es el resultado de una mejor comprensión de
las necesidades terapéuticas de la comunidad mundial de hemofilia y ayudó a Bayer a reparar las
decisiones. Se cree que este enfoque es ampliamente aplicable a la previsión de la demanda potencial
de la oferta limitada, así como nuevos medicamentos de marca, y por lo tanto puede ser muy útil para
ayudar tanto a los fabricantes de drogas y agencias de atención médica en todo el mundo a garantizar
un abastecimiento adecuado de medicamentos críticos.
En lugar de una predicción basada en datos históricos de ventas, el Modelo LTD se apoya en la
variabilidad de la población con enfermedades epidemiológicas (datos sobre la ocurrencia de la
enfermedad y su distribución dentro de una población), junto con la variabilidad en el tratamiento
modalidades para estimar la distribución de probabilidad de LTD. Este enfoque incorpora
explícitamente la incertidumbre utilizando los principios y herramientas de análisis de decisiones,
incluye diagramas de influencia, los métodos de codificación de probabilidad discretas aproximaciones,
árboles de probabilidad, además utiliza datos de juicio de probabilidad y datos de la literatura médica.
El modelo LTD fue desarrollado para ayudar a establecer el Bayer la dirección estratégica de su
fármaco de FVIII, y logró finalmente hacerlo. En este caso era muy difícil recolectar datos sobre todos
los países y desarrollar modelos. El enfoque básico y la estructura utilizada para el modelo LTD se
puede aplicar a modelar la demanda potencial de otras ofertas limitadas a drogas, así como de nuevos
medicamentos de marca.
Al igual que en otras industrias, la gran mayoría de las previsiones de la demanda en la industria
farmacéutica hacen uso de datos históricos sobre los volúmenes de ventas para pronosticar el tamaño
del mercado futuro y cuota de mercado. Los métodos estándar de predicción deben asumir que el
comportamiento pasado es predictivo del comportamiento futuro (Diebold 2001). Sin embargo, un
pronóstico basado en datos históricos a menudo es conveniente, pero ofrece poca orientación para la
previsión de la demanda en los mercados que aún no existen o que han sido la oferta limitada (Linton,
2004).
53
Marco Teórico
perdida de una patente, entre otros, pueden ocasionar pérdidas o ganancias de millones para una
empresa de este giro. Estos escenarios se complican aún más cuando se desconoce la fecha exacta
en que ocurrirán (PharmAnalytics, 2009)
La metodología empleada por Decision Craft Analytics incluye el estudio de todos los SKU’s y su
segmentación sobre bases diferentes, ya que algunos pueden requerir un modelo de pronósticos
simplista (regresión, ARIMA, etc.), cuando otros requieren algoritmos complejos o sofisticados como
Box-Jenkins, ANN). Por lo tanto la metodología propuesta por esta firma se compone por los siguientes
pasos:
Por otro lado, los beneficios al contar con un modelo de pronostico preciso se reflejan en la
disminución de las existencias de seguridad, con un pronóstico más exacto disminuye el error y a su
vez disminuye la seguridad y en consecuencia los costos de inventario y mejora el tiempo de respuesta,
cortos ciclos de efectivo.
54
Capítulo 2
Por otro lado Armstrong en su artículo publicado en la revisa Pharma-Exec, menciona que el
desafío de la predicción es particularmente agudo cuando se enfrentan a una situación con un alto
grado de incertidumbre del mercado, tales como tratar de predecir un nuevo producto o tratando de
modelar el impacto de nuevos competidores o nuevas indicaciones. (Armstrong, 2007)
El primer paso para la predicción es regularmente el análisis detallado de los datos históricos del
mercado. En ocasiones la persona encargada querrá revisar los datos mensuales de los últimos 10
años para poder comprender el comportamiento del mercado. Sin embargo, el hablar con alguna
persona de la empresa que tenga una idea detallada de la dinámica del mercado puede resultar igual
de útil que examinar los 10 años de datos históricos.
Por otro lado, resulta importante hablar de personas específicas de la empresa para que además de
conocer las fluctuaciones del mercado, se tengan también identificados los eventos que se esperan en
un futuro, fuera y dentro de la empresa, para así poder modelar cada caso individualmente. Lo anterior
formara parte de las suposiciones que debe considerar un pronóstico. La lista de áreas viables que
posiblemente tendrán que participar para la integración del pronostico son Mercadotecnia, Ventas,
Investigación de Mercados, Asuntos regulatorios, Medicina y Finanzas.
Algunos supuestos que el pronosticador debe considerar serán los eventos futuros que se
presentaran en el mercado y sus posibles consecuencias, entre algunos de estos acontecimientos
pueden presentarse:
Los Pronósticos dentro de una empresa farmacéutica son considerados como la base para la
planificación del futuro de la misma. Con base en esta previsión, la alta gerencia debe determinar cómo
repartirá los presupuestos de marketing y ventas. Por lo tanto, al estar por encima o por debajo del
presupuesto representa una asignación inadecuada de recursos que podrían provocar la pérdida de
oportunidades de ventas.
55
Marco Teórico
Los nuevos avances en la Predicción de negocio. La previsión estratégica a largo plazo. (Lapide,
2002)
Existen tres tipos de pronósticos corporativos que son utilizados por las empresas para apoyar las
diferentes actividades de la planificación:
Pronósticos operativos: estos se plantean en términos de días, semanas, hora por hora o día a día,
estos apoyan la programación de operaciones en áreas como servicio a clientes, producción, gestión de
inventario, almacenamiento y transporte.
Pronósticos tácticos: son las previsiones generadas para los siguientes meses, trimestres o hasta
un para un año y apoyan actividades de áreas de ventas, marketing, producción, distribución y
planificación del trabajo.
Pronósticos estratégicos: estos se realizan para periodos de un año o más, apoyan la planificación
estratégica a largo plazo, la inversión de capital y la toma de decisiones.
Sin bien existen diferentes tipos de técnicas y medios de predicción, existen cuatro que ayudan a la
predicción de las ventas:
- Series de tiempo: son métodos que utilizan los datos históricos para proyectar la demanda
futura.
- Ciclos de vida: técnicas que utilizan las curvas de demanda de perfiles de pronósticos en el
futuro.
- Juicio: integrado por enfoques de clientes, personas influyentes en el mercado, etc., para
evaluar el futuro.
La previsión a largo plazo requiere más que patrones que se repiten en datos históricos. Se
requiere de una buena comprensión de los que impulsa los patrones y la demanda. Por otro la lado los
métodos causales son más útiles para la predicción a largo plazo con o sin la disponibilidad de los datos
de demanda histórica. En el corto plazo, no es tan importante determinar las cosas que normalmente no
van a cambiar, por lo que los métodos de series de tiempo son más útiles. Sin embargo, en el largo
56
Capítulo 2
plazo, para determinar si las tendencias son sostenibles se requiere comprender los patrones y los
factores que generaron los patrones, los cuales son muy sensibles al cambio.
El métodos Causar, el Ciclo de vida y el de Juicio son los más útiles para este tipo de predicción,
independientemente de la historia de la demanda.
- Causal: este tipo de métodos incluyen métodos econométricos que son utiles para la predicción
estratégica. Por lo general requieren algunos datos históricos con el fin de construir un modelo
que explica lo que sucedió históricamente y replicar lo que sucedería con la demanda. En el
caso de un producto de consumo, un modelo puede ser construido sobre una base de la
porción de la demanda representada por los compradores de primera vez frente los
compradores de repetición.
- Ciclo de vida: este tipo de métodos suelen utilizar la curva de demanda acumulada, ó curva S
como modelo para predecir el futuro. Son extremadamente útiles cuando hay pocos o ningún
dato de la demanda para el pronóstico a largo plazo de nuevos productos y tecnologías. Las
curvas se derivan del análisis de la Demanda histórica de productos similares y reflejan cómo la
demanda de un producto se comporta con el tiempo.
- Crítico: estos incluyen los métodos de investigación primaria para solicitar información
cualitativa y cuantitativa útil para evaluar el tamaño del mercado y la velocidad de adopción de
nuevos productos, conceptos y tecnologías.
Los Métodos de juicio, por otro lado, son útiles para el pronóstico de la demanda a largo plazo de
productos que no tienen antecedentes de demanda y no se puede comparar a los productos que se han
vendido antes de él. De las nuevas tecnologías, expertos o gurús en una industria se le pide su opinión
sobre la demanda potencial de productos, lo que los compradores se les compra y cuándo.
57
Marco Teórico
Un método utilizado con frecuencia es el enfoque Delphi. Se lleva a cabo con un grupo de expertos
que se les solicitó su opinión iterativa mientras se les mantiene al tanto de los resultados, lo que ayuda
a conducir al grupo a un consenso final.
En realidad se requiere de una combinación de cada uno de estos métodos de previsión estratégica
para realizar pronósticos a largo plazo y se necesita de la comprensión de la demanda durante la vida
del producto. Los Métodos causales ayudan a evaluar lo que ha pasado e impulsar la demanda de un
producto maduro, un nuevo producto o uno similar. Como la mayoría de los productos no duran para
siempre, la previsión del Ciclo de vida también es necesaria para estimar la demanda en las distintas
fases de un producto - desde la introducción hasta su vencimiento, la obsolescencia y el reemplazo. Por
último, el pronóstico crítico proporciona ideas de los clientes y otras partes interesadas para ayudar a
los pronosticadores a identificar las tendencias a largo y corto plazo y comprender los factores
inherentes a la demanda.
Aunque esto puede parecer mucho más complicado que una previsión de funcionamiento táctico, la
buena noticia es que la previsión estratégica no se hace generalmente en el mismo nivel de detalle. La
previsión estratégica se realiza con mayor frecuencia con intervalos de tiempo anual y a nivel del tipo de
producto. Esto significa que los grandes sistemas complejos no son necesarios y a menudo pueden
desarrollar modelos de predicción estratégica con herramientas de software basado en hojas de cálculo.
58
Capítulo 3
Metodología para el Pronóstico de Ventas
En este capítulo se propone una metodología para el cálculo del Pronóstico de Ventas y una medición
de su precisión para empresas que pertenecen al ramo Farmacéutico.
Durante el desarrollo del Capítulo se describen las fases que integran la Metodología haciendo
referencia a los criterios y métodos que por sus características pueden ser aplicados al tipo de
productos y al comportamiento de la demanda que regularmente se presentan en empresas de este giro
industrial.
Como parte de la metodología que se propone y con la distribución encontrada en cada demanda
de los productos será posible calcular los riesgos de desabasto de cada producto.
59
Metodología para el pronóstico de ventas
Dentro de la Industria Farmacéutica el Pronóstico de Ventas puede ser visto desde diferentes
perspectivas, por ejemplo, si el negocio se encuentra basado en la Investigación y Desarrollo, entonces
el Pronóstico de ventas será considerado como un elemento indispensable de la Planificación
Estratégica. Por otro lado, si se observa desde un punto de vista táctico del área de Mercadotecnia,
entonces el pronóstico puede ser considerado como un medio para medir los resultados financieros
obtenidos de acuerdo a las metas determinadas de la empresa.
Las operaciones de la industria Farmacéutica se han venido diversificando en los últimos años.
Los mercados orientados al Sector Gobierno, Similares y Genéricos hoy conforman una parte
significativa del total de las ventas obtenidas por empresas de este ramo. Sin embargo, es importante
mencionar que las características del mercado, los canales de distribución, los volúmenes de venta y
políticas de comercialización para este tipo de productos son muy variadas y tienen comportamientos
aleatorios.
El comportamiento aleatorio en las ventas de los productos farmacéuticos ocasiona una gran
cantidad de problemas a la empresa, porque en forma directa esto influye en diferentes áreas de la
planeación de la misma como pueden ser:
Los ejemplos anteriores son sólo dos ejemplos que pueden afectar a la empresa por un mal
pronóstico en las ventas.
Por otro lado, se sabe que los fenómenos aleatorios representan grandes dificultades para su
modelación, debido a que en casos reales rara vez son comportamientos conocidos. Por estas razones
es conveniente pensar en la aplicación no sólo de un modelo, sino de una metodología que permita
obtener predicciones precisas en la venta de productos farmacéuticos.
Por las razones anteriores resulta razonable pensar en proponer una metodología con la que sea
posible establecer un pronóstico de ventas en empresas farmacéuticas.
60
Capítulo 3
Inspirada en la esencia de los pasos que integran a esta estrategia de mejora continua, se
formuló una Metodología integrada por siete etapas, las cuales, buscan que el proceso de cálculo de
Pronósticos de Ventas y su medición dentro de la industria farmacéutica se realice sistemáticamente
desde su formulación hasta su ejecución y que además sea un proceso de mejora continua.
Cada fase de la Metodología propuesta tiene una razón de ser y cumple con una función
específica para fortalecer y mejorar el Proceso de cálculo y medición de Pronósticos de Ventas en el
Sector Farmacéutico:
1. Identificación del proceso o procesos involucrados en la mejora.
2. Recopilación de los datos para profundizar en el conocimiento de los procesos involucrados.
3. Análisis e interpretación de los datos
4. Selección de cursos de acción de acuerdo a los objetivos inicialmente planteados.
5. Verificación de los cursos de acción implementados para asegurar su alineación con los
objetivos planteados.
6. Determinar el riesgo de las acciones tomadas y sus efectos para tomar acciones al respecto.
Recolección de la
Fase I información
Fase Fase V
Selección del Modelo de Validación del Modelo de
IV Pronóstico Pronóstico seleccionado
Figura 3.1 Metodología para el cálculo del Pronóstico de Ventas y una Medición de su precisión para empresas del
Sector Farmacéutico.
61
Metodología para el pronóstico de ventas
En cualquier problema con comportamiento estocástico un primer paso que debe hacerse se refiere a la
recolección de información, ya que sin ésta no será posible obtener un buen pronóstico.
La información que se maneja en empresas del sector Farmacéutico para la integración de sus
Pronósticos de Ventas es muy vasta, ya que este tipo de organizaciones por lo regular participan en
diferentes tipos de mercados a nivel regional, nacional o mundial y la cantidad y tipo de productos que
llegan a manejar (medicamentos, OTC u otros productos de consumo) considerando sus diferentes
presentaciones oscilan entre 100 y 400 productos aproximadamente (tomando como parámetros a las
grandes empresas a nivel internacional), de los cuales se maneja información específica del mercado
en el que participan, metas de ventas, lotes y tiempos de producción, así como información de su
logística y distribución.
De igual forma, es importante mencionar que el tipo de información que se utilizará para la
integración de un pronóstico dentro de la industria farmacéutica depende de los siguientes elementos:
Objetivo del Pronóstico: entre los que podrían destacar la planificación de los ingresos de la
empresa, la planificación de la producción, la asignación de recursos, la priorización de
proyectos, la toma de decisiones o para la integración de los planes de incentivos o
compensación, etcétera.
Usuarios del Pronóstico: se debe tener muy bien identificadas las áreas que utilizarán el
pronóstico de ventas con la finalidad de que éste cubra sus necesidades y requisitos.
Horizonte de tiempo del Pronóstico: este elemento depende mucho del objetivo y usuarios
del Pronóstico.
62
Capítulo 3
En la figura 3.2 se presentan los cuestionamientos que deberán responderse antes de hacer la
recolección de datos para el cálculo del Pronóstico de Ventas en empresas del Sector Farmacéutico.
Figura 3.2 Elementos a considerar para la recolección de información para un Pronóstico de Ventas en
empresas del Sector Farmacéutico.
En el sector Farmacéutico la cantidad de líneas de negocio en las que puede incursionar una empresa
es amplia por lo que la cantidad de productos e información de éstos que la empresa puede llegar
administrar también es muy vasta.
63
Metodología para el pronóstico de ventas
Análisis ABC
La industria farmacéutica frecuentemente se enfrenta a la situación de cómo controlar los
grandes grupos de artículos que maneja. El Análisis ABC es una de las prácticas más comunes para el
control y clasificación de los productos en las empresas del sector farmacéutico.
El Análisis ABC es una herramienta que permite establecer un sistema de control sencillo y
confiable de los productos que maneja una empresa. Este método consiste en clasificar los productos
en categorías, grupos o clases: Productos tipo A, que son la minoría de productos que aportan las
mayores ventas o los que más impactan los criterios de decisión de la empresa, y productos tipo B o C
que son la mayoría de productos que impactan muy poco las ventas o los criterios de decisión de la
empresa. Este método se encuentra basado en el principio de Pareto.
Existen diferentes criterios que pueden ser considerados para llevar a cabo una clasificación
ABC. En la industria farmacéutica algunos de los criterios mayormente utilizados para un análisis ABC
son los siguientes:
Costo Anual de los Productos
Volumen anual de Ventas
Márgenes de utilidad
Cuota de mercado
Competitividad, etcétera.
Después de haber recolectado toda la información y en caso de ser necesario clasificarla para tener
sólo la información con la que se trabajará en los pronósticos, un paso importante dentro de la
metodología del cálculo de Pronósticos para empresas Farmacéuticas consiste en realizar un análisis
previo del comportamiento de la demanda, puesto que el conocimiento de ésta es fundamental para
poder calcular riesgos, indicadores, tasas de retorno, etcétera.
El desarrollo estadístico de esta fase en apariencia es simple, sin embargo requiere del dominio
de diferentes áreas de la estadística, que se enumeran a continuación.
1. Gráfica de histogramas. Con la base de datos que se tiene por producto debe graficarse su
histograma para tener conocimiento empírico de la distribución que éste tiene y de esta
forma poder proponer alguna de las distribuciones conocidas, las cuales fueron
mencionadas en el capítulo anterior.
Actualmente, la industria Farmacéutica tiene a su disposición diferentes modelos para realizar el cálculo
de sus Pronósticos de Ventas. Sin embargo, es importante mencionar que antes de seleccionar un
método, la empresa responda algunos cuestionamientos que tienen que ver con la finalidad y usos que
tendrá el Pronóstico de Ventas, así como, haber identificado el comportamiento que presenta la
información que se utilizará para el cálculo y de esta manera poder sustentar la elección del Modelo que
se utilizará para el cálculo del Pronóstico.
Algunos de estos cuestionamientos que una empresa Farmacéutica debe responder antes de
seleccionar un Modelo de Pronósticos son los siguientes:
¿El Pronóstico es para un nuevo producto que se encuentra en la última fase de desarrollo o
para productos comercializados en la actualidad?
¿El Pronóstico será utilizado para la toma de decisiones relacionadas con desarrollo o creación
de negocios?
¿El Pronóstico será utilizado en un país o en varios países?
¿Qué tipo de productos abarcará: Medicamentos, Medicamentos controlados, OTC´s, de
consumo?
¿El Pronóstico será utilizados para la Planificación Financiera, Producción, Distribución.
¿En qué parte de la cadena de suministro será utilizado el pronóstico?.
Etcétera.
Como es posible imaginar, las preguntas que pueden surgir antes de seleccionar un Modelo de
Pronósticos en una empresa farmacéutica pueden ser muchas y dependen de las necesidades que
65
Metodología para el pronóstico de ventas
cada empresa desee satisfacer. Sin embargo, es necesario dar respuesta a éstas ya que contribuirán a
la decisión del Modelo de Pronósticos a utilizar.
Como se vio en el capítulo anterior, los métodos de pronósticos se dividen en dos grandes
grupos, los cualitativos y cuantitativos, en la industria Farmacéutica es común identificar que ambos son
utilizados para el cálculo de las proyecciones de ventas. Los primeros son regularmente utilizados
cuando no se cuenta con el historial de los elementos que desean pronosticarse, por ejemplo, el
lanzamiento de nuevos productos al mercado de los que no se tiene ninguna referencia o información
histórica. Los segundos hacen uso de la información histórica para extraer datos relacionados con su
tendencia o conducta para realizar con base en éstos las proyecciones del futuro. (Uriel y Múñiz 1993)
Del capítulo previo tenemos que los métodos cuantitativos se pueden considerar bajo dos
enfoques: análisis univariante de series de tiempo y análisis causal. Las series temporales pretenden
conocer el comportamiento de una variable a través del tiempo para que a través del supuesto que no
ocurrirán cambios estructurales, se realicen las proyecciones de ésta. Entre los métodos univariantes se
encuentran los modelos autoregresivos, modelos de tendencia lineal o exponencial, método Box-
Jenkins (ARIMA) y métodos de descomposición tipo Holt o Winters.
En el caso de los métodos causales vimos que su premisa básica consiste en el nivel de la
variable pronosticada sea derivable del nivel de otras variables relacionadas. En la medida en que
puedan describirse relaciones adecuadas de causa-efecto, los modelos causales pueden ser bastante
buenos para anticipar cambios mayores en las series de tiempo y para pronosticar de forma más
precisa sobre un periodo de mediano a largo plazo. Los modelos causales se presentan en diferentes
formas: estadísticas, en el caso de modelos de regresión y econométricos; y descriptivos, como el caso
de los modelos de entrada-salida, ciclo de vida y simulación por computadora.
En el análisis de series de tiempo se consideran como una de las soluciones ideales para
manejar series de datos que se encuentran correlacionados y el uso de estos métodos es común en
empresas de diferentes sectores ya que su validez predictiva a corto plazo contribuye de forma
significativa en la toma decisiones.
66
Capítulo 3
a) Tendencia
b) Factor cíclico
c) Estacionalidad
d) Componente irregular
En las series temporales que siguen una tendencia aproximadamente lineal, y además están
sometidas a la incidencia del factor estacional, el método de predicción más adecuado podría ser el
Modelo Winters.
Es una forma de suavizamiento exponencial, utiliza tres ecuaciones para cada uno de los
componentes del patrón de los datos históricos: tendencia, estacionalidad y aleatoriedad. Las
ecuaciones son las siguientes:
( )
En forma práctica se puede establecer la siguiente serie de pasos a seguir para poder aplicar el
Método Winters:
Paso Descripción
El valor de St puede ser calculado como un promedio de los L primeros datos, igualarlo al
dato del primer valor (y1), o cualquier valor intermedio entre estas dos opciones. Algo similar
1 puede considerarse para cada valor inicial de Tt e It, se podría tomar la tendencia global de
los datos históricos o bien la tendencia de los últimos doce meses.
67
Metodología para el pronóstico de ventas
2. Determinar el promedio móvil centrado: En caso que el índice estacional sea un número
par, por ejemplo para un índice estacional semestral (L=6), el promedio de los meses 1-6,
corresponde al mes 3.5, mientras que el promedio del periodo 2-7 corresponde al mes
4.5, así que si promediamos ambos, 3.5+4.5 = 8/2 = 4, se obtiene el promedio centrado
del mes 4. En cambio, para índices estacionales nones no ocurre los mismo, ya que el
promedio corresponde al promedio móvil centrado. Por ejemplo, si el índice estacional
corresponde a un trimestre (L=3), el promedio móvil corresponde al mes 2.
3. Calcular el índice estacional de cada mes t: en este caso se obtiene dividiendo el valor
real (yt) del periodo t, entre el promedio móvil centrado. Cuando el índice es mayor que 1,
significa que el valor de ese periodo se encuentra por encima del promedio de los datos
históricos, si el índice es menor de uno, el valor de ese periodo es menor que el promedio
de los datos históricos.
4. Promediar los índices de los periodos correspondientes para obtener los índices para
cada uno de los periodos del índice estacional, I1, I2, ... IL.
68
Capítulo 3
4
Minimización del error
En el punto anterior, el valor de los coeficientes de ponderación , y fueron asignados
discrecionalmente para realizar el cálculo. En este paso se buscan los valores óptimos de
estas constantes. El valor óptimo es el que minimiza el error, para realizar este cálculo
tendríamos que resolver un modelo de programación no lineal que minimice el error. Otra
forma consiste en programar una búsqueda Monte-Carlo de los valores que optimicen este
valor.
69
Metodología para el pronóstico de ventas
( )
En donde:
yt = es el valor de la serie de tiempo (datos reales)
St, = es el componente estacional en el periodo t
Ct, = es el componente cíclico en el periodo t
Rt = es el componente aleatorio en el periodo t
Regularmente, la función entre los componentes del patrón puede ser aditiva o multiplicativa y
esta última es la más utilizada, por lo tanto, el modelo quedaría de la siguiente forma:
̂ ( )( )( )( )
Para llevar a cabo el Método de descomposición se siguen los siguientes pasos:
Paso Descripción
Cálculo de la Estacionalidad
2 Al dividir los datos históricos entre el promedio
( )( )( )( )
( )( )
( )( )
móvil, se obtiene:
70
Capítulo 3
Índice estacional del periodo: se obtiene dividiendo el valor histórico del periodo (yt) entre
el valor del promedio móvil. Si el valor del índice es mayor de 1, indica que el valor real es
mayor que el promedio, mientras que si el índice es menor que 1, el valor real es menor que
el promedio.
Partiendo de los índices estacionales se obtiene la
sumatoria de esto, la cual deberá ser igual a L. ∑
Cálculo de la Tendencia
La tendencia también es global de todos los datos históricos o bien del periodo inmediato
3 anterior. En función de la distribución de los datos históricos, la tendencia puede ser lineal,
cuadrática o exponencial, por lo que se debe decidir cuál de ellas se ajustan mejor al patrón
de los datos disponibles.
71
Metodología para el pronóstico de ventas
Los cambios en el ciclo económico, son impredecibles y dependen de muchos factores. Para
realizar el pronóstico, es necesario asignarle un valor al índice del ciclo.
( )
( )
( )
( )
El D1 indica que nos encontramos en el 1er. trimestre y por lo tanto el índice de los otros
trimestres es cero, D2 en el segundo, etc. El modelo puro del indicador es:
̂ ∑
El modelo es una regresión, donde se permite que cada estación tenga una ordenada distinta.
Las i son las distintas ordenadas que resumen el patrón estacional durante el periodo.
72
Capítulo 3
En el método propuesto Diebold sugiere que se realicen regresiones para cada una de las
variables estacionales, pero en este caso se utilizará el método de suavizamiento exponencial para
calcular cada uno de los valores pronosticados para los índices estacionales.
Para llevar a cabo este método se deben seguir los siguientes pasos:
Paso Descripción
Al generar los índices estacionales básicamente se están aislando los datos históricos de
cada uno de los periodos repetitivos o estaciones. La predicción para el periodo t+1 se puede
hacer por cualquier método descrito en el capítulo II, en nuestro caso lo haremos por
suavizado exponencial.
En donde:
El valor inicial de ̂ , puede ser el valor promedio de los datos disponibles o igualarse
al valor observado en el periodo, con lo que tendríamos un pronóstico perfecto, obviamente
el error de este periodo será de cero, por lo que no se tomará en cuenta para calcular el
MAD.
73
Metodología para el pronóstico de ventas
Minimización de error
En este paso se calcula el valor de que minimice el error medio absoluto. Para obtener
este valor se puede aplicar herramienta Solver de Microsoft Excel siguiendo el siguiente
procedimiento:
( )
En donde:
p = es el número de parametros autorregresivos
74
Capítulo 3
d= es el número de diferenciaciones para que la serie sea estacionaria
q= número de parámetros de medias móviles.
Una vez aplicados los métodos de Pronósticos seleccionados en la fase anterior, se procederá a elegir
aquel método que ofrezca mejor precisión en la proyección de las ventas de la empresa de estudio.
Concluido lo anterior, inicia la fase de validación del método la cual puede realizarse de
diferentes maneras, pero para efectos de este estudio se considerarán las siguientes:
Por otro lado, la segunda opción consiste en realizar la validación durante el transcurso del
tiempo. En este caso, es importante resaltar que el acceso que deberá tener la persona responsable de
la validación del método de Pronóstico para consultar la información real de la empresa no debe
presentar limitantes, puesto que será necesario conocer el comportamiento de las ventas reales al día,
semana o mes, según corresponda.
La fase de Validación permitirá verificar la precisión del método elegido al momento en que se
realiza la comparación del pronóstico con el modelo o método propuestos contra la información real que
presenta la organización. De igual forma, se podrán identificar si existen comportamientos diferentes
tanto en los resultados del nuevo método como en los datos reales y poder considerar la re-evaluación
del método o definitivamente descartarlo como el más adecuado para el caso de estudio.
75
Metodología para el pronóstico de ventas
Durante el análisis de la información histórica, es normal observar ciertos eventos que se encuentran
fuera del comportamiento que presentan los datos en general. Estos valores se les conocen como
puntos críticos y requieren ser estudiados de forma separada para determinar la probabilidad de que
éstos vuelvan a presentarse en el futuro y afecten la precisión del Pronóstico.
Para llevar a cabo la cuantificación del riesgo es necesario seguir los siguientes pasos:
2. Una vez identificados estos períodos con sus respectivos montos de ventas históricas, se
calcula la probabilidad de que éstos se vuelvan a presentar en el futuro, para esto, es
necesario utilizar los parámetros estimados de las distribuciones de las ventas, que de
igual forma se calcularon en la fase III de la metodología. En este paso, es necesario
evaluar cuidadosamente las probabilidades resultantes ya que si éstas son mínimas es
posible suponer que el riesgo de que estos niveles de ventas se vuelvan a presentar en
un futuro es mínimo.
3. Por último, los pronósticos son recalculados sin considerar los períodos que muestran el
comportamiento diferente para estimar la nueva Desviación Media Absoluta y compararla
con el MAD que presentan los datos reales históricos. Es importante observar el efecto
que tuvo el nuevo Pronóstico al no considerar estos datos de acuerdo al comportamiento
de los datos reales.
76
Capítulo 4
Caso de estudio
En general la empresa de estudio no reporta problemas considerables por faltante de material, pero no
así por los problemas de fabricación y espacio de almacenamiento, tanto de materia prima como de los
productos fabricados en la empresa. De tal forma que el trabajo estará destinado a la proyección del
pronóstico de ventas por parte de la empresa.
En este capítulo se identificará el comportamiento que siguen los datos históricos de las ventas
reales de acuerdo a las ventas proyectadas correspondientes al año 2008 y parte del 2009 de la
empresa de estudio con la finalidad de analizar su tendencia y estacionalidad para aplicar los Métodos
de Pronósticos que correspondan al comportamiento identificado.
Así mismo, se aplicará cada una de las fases de la Metodología para el Cálculo del Pronóstico
descrita en el capítulo anterior y se compararán las proyecciones obtenidas de cada Método de
Pronóstico utilizado para seleccionar aquel que mayor precisión ofrezca al caso de estudio.
77
Capítulo 4
En la figura 4.1 se muestra la metodología que actualmente utiliza la empresa para el cálculo
del Pronóstico de Ventas.
Inicio
Determina el Pronós-
tico de Ventas para el
No
¿Aprueban la Realiza los ajustes
siguiente año con base propuesta del correspondientes al
en el análisis de datos Pronóstico? Pronóstico de Ventas
Gerente de Producto propuesto
Sí
Revisa la propuesta del Gte de Producto
Ingresa el Pronóstico
Pronóstico de Ventas
con Gcia. de Categoría de Ventas aprobado
y Mercadotecnia al sistema
Gerente de Producto Gte de Mercadotecnia
Fija el período
congelado del
¿Aprueban la Pronóstico de Ventas en
propuesta del el sistema
Pronóstico? Planeador de la
Producción
Sí
Realiza los ajustes
Fin
correspondientes al
Pronóstico de Ventas
propuesto
No
Gerente de Producto
Figura 4.1 Proceso de cálculo y autorización del Pronóstico de Ventas de la Empresa de estudio.
78
Caso de estudio
Inicio
79
Capítulo 4
Por lo tanto, se determinó que los datos que serán utilizados para el análisis del comportamiento
de la venta de los productos y para la aplicación de los Métodos de Pronóstico seleccionado que se
consideran dentro de la Metodología propuesta serán datos históricos correspondientes a las ventas
pronosticadas y reales del año 2008 y parte del 2009, quedando disponible información histórica de 6
meses entre 2009 y 2010, para la fase de la Metodología relacionada con la validación del Método de
Pronóstico seleccionado.
Una vez definido el objetivo del Pronóstico de Ventas para la empresa de estudio, los usuarios y
el Horizonte de tiempo, se procederá a llevar a cabo el análisis de la información disponible en la base
de datos proporcionada en la fase 1. En donde a partir de los 109 productos se pretende reducir esta
cantidad.
Por lo tanto, para llevar a cabo el Análisis ABC se adoptó como criterio de clasificación el Nivel de
Ventas de cada Producto con la finalidad de identificar de los 109 Productos que hoy en día maneja la
empresa de estudio aquellos de mayor importancia y que mayores ingresos le generan e impactan en el
logro de su objetivo estratégico de crecimiento. Ver tabla 4.1
80
Caso de estudio
PT 00132 $ 7,257,044.40 $ 27,404,030.07 27.21% 2.75% PT00304 $ 332,209.66 $ 90,815,338.84 90.16% 55.96%
PT00115 $ 327,272.80 $ 91,142,611.64 90.49% 56.88%
PT 00252 $ 6,471,542.43 $ 33,875,572.50 33.63% 3.67%
PT00191 $ 325,188.11 $ 91,467,799.75 90.81% 57.80%
PT 00255 $ 5,339,419.43 $ 39,214,991.93 38.93% 4.59%
PT00193 $ 319,167.92 $ 91,786,967.67 91.13% 58.72%
PT 00344 $ 2,856,090.71 $ 42,071,082.64 41.77% 5.50%
PT00279 $ 318,516.48 $ 92,105,484.15 91.44% 59.63%
PT 00286 $ 2,737,763.05 $ 44,808,845.69 44.49% 6.42%
PT00401 $ 317,062.56 $ 92,422,546.71 91.76% 60.55%
PT 00054 $ 2,406,003.78 $ 47,214,849.47 46.87% 7.34%
PT00119 $ 316,629.04 $ 92,739,175.75 92.07% 61.47%
PT 00168 $ 2,314,826.87 $ 49,529,676.34 49.17% 8.26%
PT00196 $ 314,524.26 $ 93,053,700.01 92.38% 62.39%
PT 00130 $ 2,265,350.85 $ 51,795,027.19 51.42% 9.17%
PT00611 $ 314,371.74 $ 93,368,071.75 92.70% 63.30%
PT 00328 $ 1,904,427.29 $ 53,699,454.48 53.31% 10.09%
PT00363 $ 305,680.18 $ 93,673,751.93 93.00% 64.22%
PT 00165 $ 1,749,389.29 $ 55,448,843.77 55.05% 11.01%
A
PT00050 $ 304,624.33 $ 93,978,376.26 93.30% 65.14%
PT 00347 $ 1,601,857.42 $ 57,050,701.19 56.64% 11.93% PT00634 $ 304,338.67 $ 94,282,714.93 93.60% 66.06%
PT 00010 $ 1,484,198.95 $ 58,534,900.14 58.11% 12.84% PT00029 $ 303,103.20 $ 94,585,818.13 93.90% 66.97%
PT 00349 $ 1,482,966.01 $ 60,017,866.15 59.59% 13.76% PT00096 $ 302,166.03 $ 94,887,984.16 94.20% 67.89%
PT 00077 $ 1,398,633.58 $ 61,416,499.73 60.97% 14.68% PT00086 $ 292,042.44 $ 95,180,026.60 94.49% 68.81%
PT 00340 $ 1,287,649.48 $ 62,704,149.21 62.25% 15.60% PT00298 $ 290,546.30 $ 95,470,572.91 94.78% 69.72%
PT 00110 $ 1,227,663.60 $ 63,931,812.81 63.47% 16.51% PT00403 $ 279,034.25 $ 95,749,607.16 95.06% 70.64%
PT 00108 $ 1,177,854.61 $ 65,109,667.42 64.64% 17.43% PT00395 $ 272,923.90 $ 96,022,531.06 95.33% 71.56%
PT 00323 $ 1,088,972.89 $ 66,198,640.32 65.72% 18.35% PT00067 $ 268,325.54 $ 96,290,856.60 95.60% 72.48%
PT 00289 $ 1,025,551.76 $ 67,224,192.08 66.74% 19.27% PT00215 $ 267,645.51 $ 96,558,502.11 95.86% 73.39%
PT 00341 $ 1,018,825.99 $ 68,243,018.06 67.75% 20.18% PT00257 $ 266,408.44 $ 96,824,910.55 96.13% 74.31%
PTCódigos
00367 $ordenados
1,004,104.83
por $ 69,247,122.89 68.75% 21.10% PT00160 $ 226,956.87 $ 97,051,867.42 96.35% 75.23%
%
C
Ingresos
PT 00433 de
$ Ventas Anuales $Ventas
979,362.92 anuales
70,226,485.81 69.72% % Acumulado
22.02% PT00273 $ 224,560.65 $ 97,276,428.07 96.58% 76.15%
Acumulado Clasif.
(De mayor a menor)
PT 00023 $ 924,938.57 $acumuladas ($)
71,151,424.38 70.64%
de Ventas
de Productos
22.94% PT00306 $ 222,947.35 $ 97,499,375.42 96.80% 77.06%
Códigos
PT 00027 $ Ventas920,660.47
Anuales $ 72,072,084.85 71.55% 23.85% PT00274 $ 222,335.94 $ 97,721,711.36 97.02% 77.98%
PT 00146 $ 830,427.70 $ 72,902,512.54 72.38% 24.77% PT00223 $ 216,478.95 $ 97,938,190.31 97.23% 78.90%
PT 00315 $ 814,836.21 $ 73,717,348.76 73.19% 25.69% PT00545 $ 210,964.60 $ 98,149,154.91 97.44% 79.82%
PT 00334 $ 801,003.89 $ 74,518,352.64 73.98% 26.61% PT00089 $ 202,702.09 $ 98,351,857.00 97.64% 80.73%
PT 00020 $ 742,298.69 $ 75,260,651.33 74.72% 27.52% PT00481 $ 195,882.09 $ 98,547,739.09 97.84% 81.65%
PT 00028 $ 665,049.95 $ 75,925,701.28 75.38% 28.44%
PT00126 $ 171,671.00 $ 98,719,410.09 98.01% 82.57%
PT 00201 $ 659,127.19 $ 76,584,828.47 76.03% 29.36%
PT00PT8 $ 170,781.07 $ 98,890,191.16 98.18% 83.49%
PT 00030 $ 655,225.23 $ 77,240,053.70 76.68% 30.28%
PT00430 $ 165,604.89 $ 99,055,796.05 98.34% 84.40%
PT 00178 $ 642,711.45 $ 77,882,765.15 77.32% 31.19%
PT00281 $ 158,687.95 $ 99,214,484.00 98.50% 85.32%
PT 00128 $ 640,742.77 $ 78,523,507.92 77.96% 32.11%
PT00483 $ 143,416.22 $ 99,357,900.22 98.64% 86.24%
PT 00093 $ 618,010.47 $ 79,141,518.38 78.57% 33.03%
PT00200 $ 130,242.80 $ 99,488,143.02 98.77% 87.16%
PT 00048 $ 608,979.90 $ 79,750,498.28 79.18% 33.94%
PT00270 $ 127,795.36 $ 99,615,938.38 98.90% 88.07%
PT 00292 $ 596,493.25 $ 80,346,991.53 79.77% 34.86%
PT 00486 $ 560,481.18 $ 80,907,472.71 80.32% 35.78%
PT00223 $ 118,258.69 $ 99,734,197.07 99.02% 88.99%
PT 00143 $ 559,634.85 $ 81,467,107.56 80.88% 36.70% PT00404 $ 117,227.24 $ 99,851,424.30 99.13% 89.91%
PT 00338 $ 540,981.83 $ 82,008,089.39 81.42% 37.61% PT00175 $ 110,170.12 $ 99,961,594.42 99.24% 90.83%
B
PT 00305 $ 536,890.51 $ 82,544,979.90 81.95% 38.53% PT00228 $ 98,190.71 $ 100,059,785.13 99.34% 91.74%
PT 00368 $ 529,282.24 $ 83,074,262.14 82.48% 39.45% PT00236 $ 95,719.56 $ 100,155,504.69 99.43% 92.66%
PT 00406 $ 519,262.84 $ 83,593,524.98 82.99% 40.37% PT00136 $ 93,303.93 $ 100,248,808.62 99.53% 93.58%
PT 00012 $ 518,290.71 $ 84,111,815.69 83.51% 41.28% PT00205 $ 92,300.24 $ 100,341,108.86 99.62% 94.50%
PT 00443 $ 484,490.71 $ 84,596,306.40 83.99% 42.20% PT00435 $ 90,140.54 $ 100,431,249.40 99.71% 95.41%
PT 00113 $ 473,013.03 $ 85,069,319.43 84.46% 43.12% PT00060 $ 89,865.12 $ 100,521,114.52 99.80% 96.33%
PT 00470 $ 468,425.30 $ 85,537,744.73 84.92% 44.04% PT00018 $ 89,077.76 $ 100,610,192.27 99.89% 97.25%
PT 00633 $ 465,029.67 $ 86,002,774.41 85.38% 44.95% PT00211 $ 55,306.10 $ 100,665,498.38 99.94% 98.17%
PT 00031 $ 444,771.42 $ 86,447,545.83 85.82% 45.87% PT00272 $ 31,292.86 $ 100,696,791.24 99.97% 99.08%
PT 00076 $ 442,639.43 $ 86,890,185.26 86.26% 46.79% PT00040 $ 28,578.82 $ 100,725,370.06 100.00% 100.00%
PT 00383 $ 437,204.37 $ 87,327,389.63 86.70% 47.71% $ 100,725,370.06
PT 00150 $ 419,619.10 $ 87,747,008.73 87.12% 48.62%
PT 00173 $ 418,043.54 $ 88,165,052.27 87.53% 49.54%
PT 00602 $ 410,512.11 $ 88,575,564.38 87.94% 50.46%
PT 00063 $ 402,579.41 $ 88,978,143.78 88.34% 51.38%
PT 00016 $ 400,950.13 $ 89,379,093.92 88.74% 52.29%
PT 00259 $ 388,635.19 $ 89,767,729.11 89.12% 53.21%
81
Capítulo 4
Como resultado de la aplicación del Análisis ABC, se identificó que 26 de los 109 productos son
de tipo A ya que generan el 71.55% de las Ventas Anuales, 32 Productos generan el 17. 57% y 51
Productos generan sólo el 10.88 % de las Ventas anuales para la empresa. (Ver Tabla 4.1)
Tal como se mencionó al inicio del presente capítulo, el alcance que tendrá la aplicación de la
Metodología propuesta abarcará únicamente los 26 Productos tipo A ya que representan al grupo de
Productos que generan el mayor porcentaje de ingresos para la empresa por concepto de ventas y por
lo tanto tienen una participación más significativa en el logro de los objetivos de la misma.
82
Caso de estudio
Para buscar la distribución que mejor ajuste a los datos de las ventas reales del artículo PT00288
observamos el histograma correspondiente en la figura 4.3. En este caso notamos que tiene un
comportamiento como alguna de las clases de distribuciones tipo Weibull, gamma o log-normal. Por lo
tanto, el siguiente paso consiste en determinar con el criterio de decisión de la mayor verosimilitud qué
clase es la que mejor ajusta a las ventas de cada producto.
1 x
x
Distribución Weibull: f ( x; , ) exp , resultó el parámetro de forma
3.788061 y de escala 5.934044 con un valor log-verosimilitud de 48.973749 .
x 1
x
Distribución Gamma: f ( x; , ) exp , resultó el parámetro de forma
( )
15.264431 y de escala 0.347989 con un valor log-verosimilitud de 46.330323 .
(ln( x) ) 2
1
Distribución Log-normal: f ( x; , ) exp , resultó el parámetro de
x 2 2 2
localidad 1.649785 y de escala 0.252579 con un valor log-verosimilitud de
45.702314 .
Como se puede apreciar de los resultados anteriores el mejor ajuste se obtiene con la
distribución log-normal. Esto se ilustra en la figura 4.4.
Figura 4.4 Histograma y Distribuciones ajustadas de las ventas del Producto PT00288
83
Capítulo 4
Artículo PT00109
Trazo del histograma: Ventas reales, ventas pronosticadas actualmente y la diferencia de las
ventas reales menos las pronosticadas.
Estimación de los parámetros por máxima verosimilitud para las ventas reales del Producto
PT0109
Para este caso, se observa que el comportamiento de los datos puede ajustarse a los tipos de
distribución Weibull, gamma, log-normal o normal.
1 x
x
Distribución Weibull: f ( x; , ) exp , resultó el parámetro de forma
y de escala con un valor log-verosimilitud de -55.335226
x 1
x
Distribución Gamma: f ( x; , ) exp , resultó el parámetro de forma
( )
y de escala con un valor log-verosimilitud de
- 54.6144611
(ln( x) ) 2
1
Distribución Log-normal: f ( x; , ) exp , resultó el parámetro de
x 2 2 2
localidad y de escala con un valor log-verosimilitud de
- 55.7144394.
84
Caso de estudio
( )
Distribución Normal: ( ) , resultó el parámetro
√
y escala con un valor de log-verosimilitud de -14.573971
Considerando los resultados anteriores el mejor ajuste se obtiene con la distribución normal y
esto se puede constatar en la siguiente figura:
Figura 4.6 Histograma y ajuste de las Distribuciones de ventas del Producto PT00109.
Ventas del artículo PT00132 Ventas del artículo PT00252 Ventas del artículo PT00255 Ventas del artículo PT00344
85
Capítulo 4
Ventas del artículo PT00286 Ventas del artículo PT00054 Ventas del artículo PT00168 Ventas del artículo PT00130
Ventas del artículo PT00328 Ventas del artículo PT00165 Ventas del artículo PT00347 Ventas del artículo PT00010
Ventas del artículo PT00349 Ventas del artículo PT00077 Ventas del artículo PT00340 Ventas del artículo PT00110
Ventas del artículo PT00108 Ventas del artículo PT00323 Ventas del artículo PT00289 Ventas del artículo PT00341
86
Caso de estudio
Ventas del artículo PT00367 Ventas del artículo PT00433 Ventas del artículo PT00023 Ventas del artículo PT00027
Como es posible observar, la forma que presentan las gráficas anteriores proporcionan
suficiente información para poder determinar que el comportamiento de las ventas de los 24 artículos
podrían pertenecer a clases de distribuciones tipo Weibull, Gamma, Log-normal, Normal o Exponencial.
Sin embargo, es necesario definir con mayor precisión y no solo a simple vista el tipo de distribución
que aplica a cada caso.
Para tal efecto, se elaboró el programa en el Proyecto R que se presenta en el Anexo D para
determinar el valor de cada uno de los parámetros, así como el de la log-verosimilitud, el cual, es
considerado como el criterio de decisión que se utiliza para determinar la clase de distribución que
mejor se ajusta al comportamiento de las ventas de cada producto.
En la Tabla 4.2 se presentan los valores de cada parámetro y verosimilitud que se obtuvo en
cada uno de los 24 productos. Se sugiere considerar la siguiente nomenclatura para un mejor
entendimiento de la tabla y los datos que ésta contiene:
87
Capítulo 4
88
Caso de estudio
89
Capítulo 4
Con estas distribuciones será posible calcular el riesgo para cada uno de los productos
involucrados en la clase A.
Método Winters, que es una forma de suavizamiento que toma en cuenta la tendencia, ciclo y
estacionalidad.
Método de descomposición, para aislar la estacionalidad, tendencia y ciclo.
Modelo de regresión con indicadores estacionales
A continuación se presenta el detalle del procedimiento que se siguió para la aplicación del
Método Winters y para efecto de ejemplificar se presentarán los resultados obtenidos para el Producto
PT00288. Los resultados relacionados con los 25 Productos restantes se presentan en la Tabla 4.12
90
Caso de estudio
En este primer paso es necesario estimar los valores iniciales de cada uno de los índices St, Tt, It,
para esto se consideró el valor de L (duración de estacionalidad) 6 meses.
Valor suavizado de la serie desestacionalizada (St): En la tabla 4.4 se observan las ventas
reales mensuales que se obtuvieron del producto PT00288 durante el año 2007, así como el promedio
de los mismos. Es importante recordar que el promedio por definición no tiene estacionalidad.
Para el caso del Producto PT00288, el valor de S7 (promedio de los primeros 6 meses) es igual a
S7=5,003.333.
Tendencia global de los datos históricos (Tt): Para calcular este valor se utiliza la tendencia
global de los datos disponibles y considerando el tipo de distribución de la información histórica, la
tendencia que mejor se ajustan al patrón de los datos históricos es lineal o cuadrática.
Mediante la aplicación del método de Regresión lineal se obtiene la tendencia global (parámetro del
término lineal) que tomará el valor de T7, el cual resultó para el Producto PT00288 de 5.2302.
Factores estacionales (It): El valor de este factor indica qué tanto se encuentra por arriba o por
abajo en promedio, cada uno de los valores mensuales en función de las ventas anuales registradas.
a) Promedio móvil de cada L observación: Este dato se obtiene al promediar las ventas reales
históricas del periodo t1, en este caso, del mes de Enero de 2007, al periodo t L que corresponde
al mes de Junio del mismo año, y así determinar el Promedio móvil del período 4 que es de
5,003 y así sucesivamente para los siguientes periodos. Por ejemplo, el promedio móvil del
91
Capítulo 4
período 5 corresponde al promedio de las ventas históricas del periodo t 2 (Feb 2007) al periodo
tL (Jul 2007) dando como resultado 5,130. El resto de los promedios móviles para los siguientes
periodos se pueden visualizar en la columna 5 de la Tabla 4.5
b) Promedio móvil centrado: Como el índice estacional es un número par (6 meses), el promedio
de los periodos 1 al 6 corresponde al mes 3.5, mientras que el promedio de los periodos 2 al 7
corresponde al periodo 4.5, por lo tanto se promedian ambos (3.5 + 4.5)= 8 / 2 = 4, lo que
significa que se obtiene el promedio centrado del mes 4. Ver Tabla 4.5 columna 6.
Período Año Mes Ventas reales Promedio Móvil Promedio centrado Índice
1 2007 1 4,721
2 2 3,691
3 3 7,141
4 4 4,277 5,003 5,066 0.844
5 5 5,117 5,130 5,203 0.983
6 6 5,073 5,277 4,979 1.019
7 7 5,478 4,681 4,896 1.119
8 8 4,578 5,112 5,149 0.889
9 9 3,562 5,186 5,136 0.693
10 10 6,861 5,087 5,005 1.371
11 11 5,565 4,923 5,028 1.107
12 12 4,476 5,132 5,157 0.868
13 2008 1 4,498 5,182 5,017 0.897
14 2 5,828 4,852 4,999 1.166
15 3 3,863 5,146 5,102 0.757
16 4 4,883 5,058 5,238 0.932
17 5 7,329 5,418 5,368 1.365
18 6 3,947 5,319 5,571 0.709
19 7 6,658 5,823 6,010 1.108
20 8 5,232 6,197 6,079 0.861
21 9 6,890 5,960 5,954 1.157
22 10 7,127 5,948 5,781 1.233
23 11 5,908 5,615 5,833 1.013
24 12 3,870 6,050 5,801 0.667
25 2009 1 4,661 5,552 5,266 0.885
26 2 7,846 4,980 4,841 1.621
27 3 3,900 4,702 4,745 0.822
28 4 3,692 4,788 4,841 0.763
29 5 4,245 4,895 4,715 0.900
30 6 4,384 4,535 4,637 0.945
31 7 5,300 4,739 4,787 1.107
32 8 5,686 4,835 5,280 1.077
33 9 5,129 5,725 5,801 0.884
34 10 4,266 5,877
35 11 9,583
36 12 5,298
92
Caso de estudio
c) Índice estacional de cada mes t: Este se obtiene dividiendo el valor de las ventas reales entre
el promedio móvil centrado de cada periodo. Por ejemplo, para el periodo 4 el índice estacional
se obtiene al dividir 4,277 entre 5,003 que da como resultado 0.844, lo que significa, que el
valor de este periodo se encuentra por debajo del promedio de los datos históricos. Ver Tabla
4.5 columna 7
d) Promediar los índices: En este paso se promedian los índices de cada mes para obtener los
índices I1 al I6 que serán utilizados para el cálculo.
Para calcular los valores de S, T e I para cada uno de los periodos t, se determinaron como valores de
cada una de las constantes de ponderación los siguientes: = 0.5, =0.5 y =0.5. Para efecto de
ejemplificar, a continuación se detallan los cálculos de los valores S, T e I correspondientes al período
8. El resto de los resultados obtenidos se pueden observar en la Tabla 4.6
( )( )
( ) ( )( )
( ) ( )( )
Tendencia suavizada T:
( ) ( )
( ) ( )
( ) ( )( )
( )
( ) ( )
( ) ( )( )
93
Capítulo 4
En donde el valor de m es 1 en todos los periodos que se tienen datos históricos, quedando de
la siguiente forma para el período 8:
̂ ( )
̂ ( ( )
∑ | ̂ |
La desviación absoluta media .
94
Caso de estudio
Los cálculos obtenidos con los nuevos valores de , se pueden observar en la Tabla 4.7
MAD 887.602
Tabla 4.7 Cálculo de los Índices por período con constantes optimizadas, Método Winters
95
Capítulo 4
Considerando los resultados de la tabla 4.7, es posible observar que el valor de la Desviación
Absoluta Media (MAD) para el artículo PT00288 se optimiza en comparación con los resultados
obtenidos en la tabla 4.6 ( MAD = 1,310.70)
MAD = 887.60
En la Figura 4.8 se muestran las gráficas del comportamiento de las Ventas reales con respecto
a las nuevas proyecciones realizadas a través del método Winter, correspondientes a los 26 Productos
de estudio.
PT00288 PT00109
PT00132 PT00252
PT00255 PT00344
PT00286 PT00054
96
Caso de estudio
PT00168 PT00130
PT00328 PT00165
PT00347 PT00252
PT00349 PT00077
PT00340 PT00110
97
Capítulo 4
PT00108 PT00323
PT00289 PT00341
PT00367 PT00433
PT00023 PT0027
Con la finalidad de medir el nivel de precisión de los pronósticos obtenidos a través del método
Winters, se compararon los resultados de la Desviación Media Absoluta obtenidos con este método
contra los que presentan los pronósticos reales establecidos por la empresa de estudio. En la tabla 4.8
se pueden visualizar ambos resultados. Considerando el MAD del pronóstico con Winters como base,
en la última columna se muestra el porcentaje que mejora (color negro) o empeora (color rojo) el
pronóstico obtenido con Winters con relación al MAD del pronóstico de la empresa.
98
Caso de estudio
Tabla 4.8 MAD Pronóstico de Empresa de estudio vs MAD Pronóstico Método Winters
Se puede observar en la tabla 4.8 que con el método de Winters hubo mejora en 14 productos, lo
que representa el 54% de artículos. Además se puede hacer la siguiente clasificación:
Tomando como criterio que existe una mejora (color negro) significativa cuándo ésta es mayor
al 5%, tenemos 11 casos de mejora que representa el 42%.
Similarmente una no mejora (color rojo) significativa cuando ésta es mayor al 5%, tenemos 10
casos de no mejora que representa el 38%.
99
Capítulo 4
Los demás casos que tengan una no mejora o mejora menor al 5% se considerará que no hubo
diferencias con el pronóstico de la empresa representa el 20%.
Considerando los resultados obtenidos a través del Método Winters y el Pronóstico originalmente
planteado por la empresa de estudio, es posible observar que existen diferencias significativas y no
significativas entre el MAD de la Empresa de estudio y el MAD obtenido con el Método Winter, las
cuales probablemente, surgen a raíz de la existencia de puntos aberrantes que presentan las ventas
reales de alguno Productos. De esta forma eligiendo los productos que tuvieron puntos aberrantes y
trabando sin éstos para realizar el pronóstico, tenemos los resultados de la tabla 4.9.
Tabla 4.9 Comparación del MAD de la Empresa Vs el MAD del Pronóstico Winters sin
puntos aberrantes.
Analizando los 4 artículos que representan una no mejora significativa tenemos que se puede
mejorar el ajuste del pronóstico para el artículo PT00165.
100
Caso de estudio
datos tal y como se observa en la figura 4.9, en donde el comportamiento de las ventas reales históricas
se presentan en color negro y el Pronosticas Winter en azul.
Figura 4.9 Comportamiento de las Ventas históricas y Pronóstico Winter Producto PT00165
Tomando en consideración este comportamiento, se optó por analizar el producto en dos partes
separadas, es decir, se aplicó el mismo método a los primeros 19 periodos (figura 4.10) y
posteriormente a los 20 periodos restantes (figura 4.11), con la finalidad de minimizar el MAD.
Para llevar a cabo este procedimiento, se recalcularon los valores suavizados de la serie
desestacionalizada (St), la tendencia global histórica (Tt) y los factores estacionales (It) considerando un
tamaño de L de 3 meses, tal como se indica en el Paso 1 del Método Winter descrito en este capítulo.
En la tabla 4.10 se presentan los resultados obtenidos.
Figura 4.10 Comportamiento de las ventas históricas y Pronóstico Winter 1ª parte PT00165
Figura 4.11 Comportamiento de las ventas históricas y Pronóstico Winter 2ª parte PT00165
101
Capítulo 4
Tabla 4.10 Aplicación del Método Winter a la 1ª parte de los periodos del Producto PT00165
MAD 2,962
Tabla 4.11 Aplicación del Método Winter a la 2ª parte de los periodos del Producto PT00165
102
Caso de estudio
Tal como se puede observar se obtuvieron dos MAD, uno de cada parte analizada, por lo que
se prosiguió a calcular la media ponderada considerando estos dos datos para obtener el nuevo MAD
del Producto PT00165 mediante este procedimiento.
̅ ̅
̅
En donde:
̅ = MAD del Producto PT00165
= Número de períodos analizados en la 1ª parte del método
= Número de períodos analizados en la 2ª parte del método
̅ = MAD de la 1ª parte Producto PT00165
̅ = MAD de la 2ª parte Producto PT00165
= Total de periodos analizados del producto PT00165 ( )
( )( ) ( )( )
El resultado final de los ajustes con el método de Winters y sus modificaciones realizadas se
presentan en la tabla 4.12.
Se puede observar en la tabla 4.12 que con el método de Winters y sus variantes improvisadas
en esta investigación sobre los ajustes de los pronósticos hubo mejora en 19 productos, lo que
representa el 73% de artículos. Además se puede hacer la siguiente clasificación:
Tomando como criterio que existe una mejora (color negro) significativa cuándo ésta es mayor
al 5%, tenemos 15 casos de mejora que representa el 58%.
Similarmente una no mejora (color rojo) significativa cuando ésta es mayor al 5%, tenemos 4
casos de no mejora que representa sólo el 19%.
Los demás casos que tengan una no mejora o mejora menor al 5% se considerará que no hubo
diferencias con el pronóstico de la empresa representa el 27%.
Es decir en el 85% de los casos hubo diferencias significativas de mejora o no hubo diferencias
con respecto al pronóstico de la empresa, tomando como base el pronóstico Winters.
103
Capítulo 4
Tabla 4.12 MAD Pronóstico de Empresa de estudio vs MAD Pronóstico Método Winters (final)
104
Caso de estudio
La finalidad de este método consiste en descomponer el patrón de una serie de tiempo en sus
elementos de estacionalidad, tendencia y ciclo para predecir el comportamiento futuro y entender mejor
el patrón de la serie de tiempo.
La aplicación de este método se detalla en los siguientes pasos. Para efecto de ejemplificar, se
mostrarán los resultados obtenidos para el producto PT00109 del caso de estudio.
Por otra parte, el promedio centrado del período 4 se calcula sumando y promediando los
promedios centrados de los períodos 4 y 5, ya que el promedio de los meses 1 al 6 corresponde al mes
3.5 mientras que el promedio del mes 2 al 7 es el mes 4.5 y al promediar ambos 3.5 + 4.5 = 8 / 2 = 4, es
decir, se obtiene el promedio centrado para el periodo 7.
En la Tabla 4.9 se muestran los promedios móviles y centrados de los datos históricos del
Producto PT00109.
Tabla 4.13 Promedios móviles y centrados de los datos históricos del Producto PT00109
105
Capítulo 4
En la gráfica 4.12 se presentan los promedios móviles centralizados obtenidos para el Producto
PT00109.
12,000
10,000
8,000
6,000
4,000
2,000
0
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 31 32 33 34
Para calcular los índices estacionales, se divide el valor histórico de cada uno de los períodos entre los
valores de los promedios móviles (Ver Tabla 4.13). En seguida se calculan los índices estacionales
promedio para cada periodo, tal como se muestra a continuación para el primer mes (considerando
períodos de 6 meses):
Períodos Índice
7 0.9778
13 1.1550
19 1.6815
25 0.8207
Promedio: 1.1587
Al sumar los valores promedios de cada uno de los índices estacionales del mes 1 al 6 se
obtiene 5.9997 que resulta ser un poco menor que 6. Por lo tanto, para eliminar esta variación se
ajustan los índices con un prorrateo simple, dividiendo 6 entre el valor obtenido de 5.9997 y el factor
resultante de esta operación se multiplica por los índices promedios de cada mes para obtener los
índices estacionales ajustados de la serie de tiempo. Los resultados se presentan en la Tabla 4.14.
106
Caso de estudio
107
Capítulo 4
Los índices estacionales ajustados que se obtuvieron representan qué tan abajo o por arriba se
encuentran las ventas del promedio. Por ejemplo, al analizar el factor obtenido del periodo 1, significa
que las ventas en este mes son 15.88% más altas que el promedio, mientras que las ventas del período
6 se encuentran 15.96% por debajo del promedio.
Los patrones de tendencia se pueden clasificar en tres: tendencia lineal, cuadrática o exponencial. En el
caso de estudio, la tendencia que presentan los datos históricos es plana ya que no presentan
incrementos o descensos sostenidos durante los periodos. Por lo tanto, la tendencia solo puede ser
lineal o cuadrática.
Ajustando por mínimos cuadrados, la tendencia lineal y cuadrática quedaría expresada por las
siguientes ecuaciones:
Para ejemplificar el ciclo correspondiente al periodo 24, éste quedaría de la siguiente forma:
Al igual que el índice de estacionalidad, si el ciclo es mayor a 1 significa que en ese periodo la
actividad económica fue mayor que el promedio.
En la tabla 4.16 se presentan los resultados de la tendencia y los ciclos por cada uno de los
períodos de Producto PT00109
108
Caso de estudio
Ventas Promedio
Período Año Tendencia Ciclo
reales centrado
1 2007 5,054 5,325.30
2 4,507 5,325.29
3 5,960 5,325.28
4 4,274 5,254 5,325.27 0.987
5 5,041 5,457 5,325.26 1.025
6 6,542 5,489 5,325.25 1.031
7 5,345 5,466 5,325.24 1.027
8 6,653 5,693 5,325.24 1.069
9 4,194 5,555 5,325.23 1.043
10 5,773 5,372 5,325.22 1.009
11 6,262 5,344 5,325.21 1.004
12 3,668 5,261 5,325.20 0.988
13 2008 6,016 5,209 5,325.19 0.978
14 5,651 5,132 5,325.18 0.964
15 4,274 5,195 5,325.17 0.976
16 4,991 5,609 5,325.16 1.053
17 6,124 5,795 5,325.15 1.088
18 4,561 5,758 5,325.14 1.081
19 10,087 5,999 5,325.13 1.127
20 3,815 5,981 5,325.12 1.123
21 5,670 5,862 5,325.11 1.101
22 6,482 5,351 5,325.10 1.005
23 4,417 4,887 5,325.09 0.918
24 4,841 4,783 5,325.09 0.898
25 2009 3,673 4,476 5,325.08 0.840
26 4,659 4,549 5,325.07 0.854
27 3,579 4,726 5,325.06 0.888
28 4,888 4,735 5,325.05 0.889
29 6,885 4,821 5,325.04 0.905
30 4,508 5,237 5,325.03 0.983
31 4,111 5,674 5,325.02 1.066
32 5,255 5,603 5,325.01 1.052
33 7,970 5,325.00
Tabla 4.16 Cálculo de la Tendencia y Ciclos
109
Capítulo 4
1.200
1.100
1.000
0.900
0.800
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29
Los cambios en el ciclo económico son impredecibles y dependen de diferentes factores. Por lo
tanto, para efecto del caso de estudio se utilizarán los valores del ciclo del periodo anterior, es decir:
Hasta que se actualice la evaluación del ciclo del pronóstico y se observe que el ciclo cambio
de tendencia.
Paso 5. Cálculo del Pronóstico
( )( )( )( )
Por ejemplo, para el período 34 tenemos:
( )( )( )
( )( )( )
En la tabla 4.17 se muestran los valores pronosticados para los períodos del 34 al 39, los valores reales
de las ventas y el error.
110
Caso de estudio
Como es posible darse cuenta, el Método de descomposición ofrece un Pronóstico con un MAD
mayor al que presenta el Pronóstico que propone la empresa de estudio. Por lo tanto, el Método de
Descomposición no se considera una alternativa adecuada para mejorar la precisión del pronóstico de
ventas de la Empresa de estudio.
Realizando un análisis similar en los otros métodos se concluye que el mejor de ellos para
pronósticos de ventas con esta información es el método de Winters.
Para llevar a cabo la cuantificación del riesgo, se tomarán como base los últimos 2 años de cada
Artículo ya que en estos periodos se puede observar claramente el comportamiento histórico reciente
que han presentado las ventas de cada uno de ellos.
El riesgo para la empresa de estudio representa la producción excesiva por arriba de las ventas
que realmente el mercado requiere durante cada periodo ya que los costos de almacenamiento y el
pago de horas extras, así como las pérdidas por la corta caducidad de los productos que no pudieron
colocarse en el mercado en los periodos precisos se incrementarían afectando los costos del producto y
la posición económica de la empresa.
Por tal motivo, es necesario calcular las probabilidades de riesgo para cada producto, es decir,
definir la probabilidad que determinadas cantidades de ventas representan un riesgo para la empresa
por el impacto que estas provocarían en el incremento de los costos, pudieran llegar a presentarse en
un futuro, considerando por supuesto el comportamiento histórico que las ventas han registrado en los
últimos dos años.
De acuerdo al análisis realizado de las ventas históricas, en la tabla 4.18 se muestran los
valores de venta utilizados como criterio de riesgo para cada producto, así como la probabilidad de que
éstos llegaran a presentarse en futuro. El cálculo de las probabilidades de riesgo se llevó a cabo a
través del proyecto R, para esto se utilizaron los modelos aleatorios de los productos encontrados en la
fase 3 de la metodología.
Las probabilidades representan el porcentaje de casos que pudieran llegar a presentar ventas
por igual o por debajo del valor mínimo, ya que el criterio de decisión para el riesgo se refiere a
producción alta con ventas bajas. Por lo tanto, para el caso del Producto PT00109, existe un 2.9 % de
probabilidad de que en un futuro se presenten ventas iguales o por debajo de 1,200 piezas, lo que
podría representar una probabilidad muy baja de que esto llegará a ocurrir en el futuro. Por el contrario,
en el caso del Producto PT00289 existe una probabilidad del 21.2% de que pudieran llegar a
presentarse ventas iguales o por debajo de 160 piezas.
111
Capítulo 4
De igual forma, aprovechando la información que ofrece el apartado del análisis de las ventas
históricas de los productos, se puede obtener la cantidad de piezas en donde el 95% de los casos las
ventas podrán ser iguales o menores a dicha cantidad. En la siguiente tabla se muestran dichos valores
de venta para cada artículo:
112
Caso de estudio
113
Capítulo 4
Por lo tanto, si la empresa basa únicamente sus planes de compra de insumos, contratación de
personal y planes de producción en el Pronóstico obtenido sin antes haber realizado este análisis,
pudiera quedar mayormente expuesta al riesgo de incurrir en costos innecesarios de producción y
mantenimiento de los productos, ya que podría estar produciendo por arriba de los requerimientos del
mercado.
Así como se realizó este análisis para el producto PT289, deben realizarse los correspondientes
para el resto de los productos, considerando además otras particularidades o planes de cada uno, por
ejemplo: durante los siguientes periodos se tienen planeados lanzamientos de campañas de promoción
para incrementar las ventas?, o si el producto tendrá cambios en su presentación o componentes que
pudieran afectar la aceptación de los clientes?, o si se trata de un producto de lanzamiento o nuevo
relativamente?, entre otras cuestiones. Todo esto con la finalidad de fortalecer el análisis de las
cantidades propuestas por el Modelo de Pronóstico mediante la nueva Metodología y ofrecer una mayor
certeza y confianza al momento de tomar decisiones fundamentadas en el Pronóstico de Ventas.
114
Conclusiones
Con base en los resultados de la investigación realizada y al diseño y aplicación de la Metodología
propuesta para el cálculo de Pronóstico de ventas de los Productos clase “A”, se logró generar un
Modelo cuantitativo que ofrece una precisión significativa para el cálculo de Pronósticos de empresas
del sector farmacéutico que cuenten con menos de 50 observaciones históricas para su integración.
Las aportaciones de este trabajo representan la mejora de una de las prácticas de negocio
relevantes de las empresas en este ramo industrial que contribuyen al incremento de la productividad y
competitividad de las empresas al satisfacer las expectativas del mercado, y por lo tanto, asegurar una
mejor posición y crecimiento dentro del mismo.
Por lo tanto, los objetivos planteados al inicio de esta investigación fueron cumplidos
exitosamente:
Se propuso una metodología que ayudó a calcular el Pronóstico de ventas en las empresas
farmacéuticas y en el caso particular de la empresa de estudio con la metodología se determinó
que el Modelo matemático que mejor se ajusta al caso de la empresa de estudio es el Método
Winters al arrojar en el 85% de los productos estudiados los menores valores del MAD, utilizado
como criterio de comparación entre pronósticos.
La metodología integrada en este trabajo ofrece una mejor precisión que le metodología que
actualmente maneja la empresa de estudio, lo que contribuye al control y disminución del
abastecimiento excesivo de productos que generalmente presenta la empresa y por lo tanto, en
los costos relacionados con su almacenamiento.
El modelo de la distribución de ventas generado para cada producto ayudó a calcular el riesgo
que se tendría en situaciones extremas de ventas con la finalidad de apoyar el análisis. Este
elemento ayuda al análisis y evaluación del pronóstico de ventas obtenido a través de la nueva
metodología y representa un elemento importante para apoyar la toma de decisiones que surjan
durante su aplicación.
115
Conclusiones
En análisis del comportamiento de las distribuciones de las ventas ayuda a determinar criterios
de riesgo para la empresa y con esta información los responsables de la generación del
pronóstico demás posiciones relacionadas con éste podrán realizar una evaluación general de
las cantidades que propone el Modelo cuantitativo y determinar si éstas no exponen a la
empresa a un riesgo significativo de pérdidas.
Del mismo modo, los flujos de efectivo podrán mejorar al disminuir la cantidad de inversión que
se tiene resguardada en productos en el almacén, aprovechando la oportunidad de invertir en nuevos
proyectos que fomenten la mejora continua de los procesos de la empresa.
Esta labor sólo es una parte de las mejoras que se pueden hacer posibles en una empresa,
puesto que dentro de una entidad tan compleja con lo es una Organización en donde intervienen
diferentes agentes internos y externos bajo un clima constante de cambio y un mercado exigente,
existen prácticas, incluso relacionadas con el Pronóstico de Ventas propuesto en este trabajo, que son
aún susceptibles de mejora.
116
Bibliografía
Adam, & Ebert. (1991). Administración de la producción y operaciones. Conceptos, modelos y funcionamiento.
México: Pearson Prentice Hall.
Asociación Mexicana de la Industria Farmacéutica A.C. (n.d.). Las Aportaciones de la Industria Farmacéutica a la
humanidad.
Ballou, R. H. (2004). Logistica. Administración de la Cadena de Suministro. México: Pearson Prentice Hall.
Carvajal Villanueva, O. R. (2005). El futuro de las fusiones en la industria farmacéutica mundial. Negotium , 1.
Chase, R. B., Jacobs, R., & Aquilano, N. J. (2009). Administración de Operaciones, Producción y Cadena de
Suministros. Distrito Federal, México: Mc Graw Hill.
Gutiérrez González, E. (2007). Fundamentos de la Teoría de las Probabilidades. México: Nauka Educación .
Kiely, D. (2004). The State of Pharmaceutical Industry Supply Planning and Demand Forecasting. Journal of
Business Forecasting Methods & Systems , p. 4.
Latta, M. (2007). How to Forecast the Demand of a New Drug in the Pharmaceutical Industry. The Journal of
Business Forecasting , 5.
Lifshitz G., A. (2007). La Ética Médica y la Ética Farmacéutica un punto de convergencia. Asociación Mexicana
de Industrias de Investigación Farmacéutica A.C.
Makridakis, S. G. (1990). Pronósticos Estrategia y Planificación para el Siglo XXI. Madrid, España: Díaz de
Santos.
Makridakis, S., & Wheelwrigth, S. C. (1998). Métodos de Pronósticos. México D.F.: Noriega Limusa.
Ortega Sánchez, J. (2008). Introducción a la Teoría de Valores Extremos - Métodos Estadísticos. Octavo
Congreso Lationamericano de Sociedades de Estadística, 67, pp. 25-38. Montevideo.
Stonebraker, J. S., & Keefer, D. L. (2009). Modeling Potential Demand for Supply-Constrained Drugs: A New
Hemophilia Drug at Bayer Biological Products. 57 (1), 19-31.
117
Bibliografía
Triantis, J. E., & Song, H. (2007). Pharmaceutical Forecasting Model Simulations Guidelines. Business
Forecasting , pp. 31-37.
Páginas de internet
Busmester, J. C. (n.d.). Bitácora Farmacéutica. Retrieved Diciembre 10, 2010, from
http://bitacorafarmaceutica.wordpress.com/2010/04/14/mercados-farmaceuticos-emergentes-representan-el-48-
de-crecimiento-del-mercado-en-2013/
Cámara Nacional de la Industria Farmacéutica. (2010). CANIFARMA. Retrieved Noviembre 2010, from
http://www.canifarma.org.mx/01_datosEco.html
Clinton, P., & Mozeson, M. (2010, Mayo). http://pharmexec.findpharma.com/. Retrieved Noviembre 2010, from
http://pharmexec.findpharma.com/pharmexec/data/articlestandard//pharmexec/222010/671415/article.pdf.
Instituto Nacional de Estadística y Geografía. (2009). INEGI. Retrieved Noviembre 2010, from
http://www.inegi.org.mx/est/contenidos/espanol/proyectos/censos/ce2009/pdf/RD09-resumen.pdf
Instituto Nacional de Estadística y Geografía. (2009). www.inegi.org.mx. Retrieved Noviembre 10, 2010, from
http://www.inegi.org.mx/
Secretaría de Economía. (2009). Secretaría de economía. Retrieved Dic 10, 2010, from
http://www.seconomia.gob.mx
118
Anexos
ANEXO A.
La información inicial de los Productos que maneja la empresa que se recolectó para el presente
proyecto fue entregada en una base de datos de Microsoft Excel tal como se muestra a continuación:
CATEGORIA CÓDIGO VENTAS Y PRONOSTICOS CU PRECIO ENE FEB MAR ABR MAY JUN JUL AGO SEP OCT NOV DIC TOTAL
ACNÉ PT00010 CLINDAPACK GEL 30 SOBRES DUALES
$ 58.44VTA$ 431.29
VENTAS REALES 2007 2,155 1,972 2,680 3,336 2,040 2,439 4,068 3,636 2,088 1,793 2,378 1,283 29,868
VENTAS REALES 2008 2,279 2,459 1,418 2,133 2,248 2,155 1,848 2,341 2,496 2,667 1,769 953 24,766
VENTAS REALES 2009 1,838 1,648 1,272 1,179 1,858 2,084 1,656 2,334 1,777 1,618 2,814 1,475 21,553
VENTAS REALES 2010 502 2,039 1,881 4,422
PRONÓSTICO 2008 2,340 2,122 2,182 2,214 2,020 2,049 2,167 2,020 2,364 2,167 2,315 1,970 25,930
PRONÓSTICO 2009 2,400 2,500 2,500 2,247 2,050 2,279 2,000 2,000 1,800 2,000 1,930 2,055 25,761
PRONÓSTICO 2010 2,000 2,000 2,000 2,200 2,100 2,200 2,200 2,050 2,080 2,200 2,050 2,400 25,480
ACNÉ PT00076 CLINDAPACK GEL 60 SOBRES DUALES
$ 116.22
VTA$ 759.61 -
VENTAS REALES 2007 310 254 687 554 549 294 678 465 553 279 311 204 5,138
VENTAS REALES 2008 473 243 138 256 354 323 289 254 361 360 146 144 3,341
VENTAS REALES 2009 113 388 112 243 177 229 324 345 312 127 266 311 2,947
VENTAS REALES 2010 43 23 104 170
PRONÓSTICO 2008 238 218 218 233 223 233 223 223 267 262 267 194 2,799
PRONÓSTICO 2009 240 350 360 240 230 237 240 200 230 200 200 350 3,077
PRONÓSTICO 2010 256 234 210 280 230 250 240 230 240 230 230 275 2,905
ANTIMICÓTICOS PT00404 XILATRIL 14 TABLETAS VTA $ 35.32 $ 625.24 -
VENTAS REALES 2007 439 324 353 515 512 340 645 362 645 465 221 204 5,025
VENTAS REALES 2008 235 163 230 360 477 218 460 25 438 370 146 289 3,411
VENTAS REALES 2009 105 114 207 97 156 169 219 84 171 24 92 84 1,522
VENTAS REALES 2010 3 33 141 177
PRONÓSTICO 2008 2,035 969 1,629 1,850 1,515 1,063 1,843 1,687 1,411 1,176 928 736 16,842
PRONÓSTICO 2009 470 400 400 400 350 300 150 150 100 100 120 120 3,060
PRONÓSTICO 2010 100 100 100 100 100 130 130 100 100 100 100 100 1,260
ANTIMICÓTICOS PT00406 XILATRIL 28 TABLETAS VTA $ 67.70 $ 909.44 -
VENTAS REALES 2007 536 1,543 1,273 1,095 949 705 1,148 1,238 769 793 551 532 11,132
VENTAS REALES 2008 854 815 745 748 760 831 961 40 1,558 508 304 400 8,524
VENTAS REALES 2009 414 211 232 248 465 473 316 268 193 153 189 192 3,354
VENTAS REALES 2010 234 538 131 903
PRONÓSTICO 2008 - - - - - - - - - - - - -
PRONÓSTICO 2008 1,849 1,033 1,138 976 1,307 1,327 2,127 1,663 900 1,199 1,589 1,105 16,213
PRONÓSTICO 2009 2,000 1,750 3,300 1,300 1,350 1,100 850 850 820 750 800 750 15,620
PRONÓSTICO 2010 750 750 750 750 750 750 750 750 750 750 750 750 9,000
DERMATITIS PT00016 ALISYD CREMA 40G VTA $ 20.04 $ 299.11 -
VENTAS REALES 2007 1,321 796 1,801 1,784 1,522 1,696 1,742 2,079 955 1,310 1,600 1,081 17,687
VENTAS REALES 2008 1,787 1,492 1,330 2,222 2,434 1,676 1,456 2,251 2,243 2,359 2,144 1,169 22,563
VENTAS REALES 2009 2,398 1,982 1,327 1,457 2,170 1,229 1,309 1,526 1,320 1,096 2,302 1,643 19,759
VENTAS REALES 2010 438 1,357 1,896 3,691
PRONÓSTICO 2008 2,106 1,996 2,075 2,122 2,077 1,800 1,818 2,238 1,969 2,059 2,148 2,059 24,467
PRONÓSTICO 2009 2,000 1,896 1,970 1,800 1,800 1,800 2,000 2,000 2,000 2,000 1,900 1,800 22,966
PRONÓSTICO 2010 2,000 1,900 2,000 2,000 2,000 2,000 2,000 2,000 2,000 2,000 2,000 2,000 23,900
DERMATITIS PT00018 ALISYD ESPUMA 30G VTA $ 42.00 $ 278.13 -
VENTAS REALES 2007 - - - - - - - - - - - 275 275
VENTAS REALES 2008 393 562 164 187 512 106 243 263 413 366 280 187 3,676
VENTAS REALES 2009 360 357 263 116 224 157 105 186 227 140 129 148 2,412
VENTAS REALES 2010 92 191 205 488
PRONÓSTICO 2008 478 356 369 378 362 319 324 398 350 334 319 366 4,353
PRONÓSTICO 2009 450 335 348 250 250 250 340 340 350 340 320 320 3,893
PRONÓSTICO 2010 300 300 300 300 300 300 300 300 320 320 320 320 3,680
DERMATITIS PT00028 ANTADERM SUSP. 120 ML VTA $ 15.62 $ 195.66 -
VENTAS REALES 2007 1,689 2,208 2,916 2,722 1,464 1,810 2,441 2,022 1,582 2,242 2,618 734 24,448
VENTAS REALES 2008 5,637 1,379 3,182 2,746 1,883 1,928 3,815 1,970 3,816 2,458 2,490 3,274 34,578
VENTAS REALES 2009 2,873 5,638 3,554 3,686 2,771 3,269 6,157 11,120 8,418 8,633 5,353 7,257 68,729
VENTAS REALES 2010 3,394 5,449 3,214 12,057
PRONÓSTICO 2008 3,064 3,064 3,064 3,574 3,676 3,676 3,779 3,779 3,779 3,779 3,779 3,881 42,894
PRONÓSTICO 2009 4,000 2,994 3,000 3,000 3,000 3,000 3,000 3,000 3,000 3,000 3,000 3,000 119
36,994
PRONÓSTICO 2010 3,000 3,000 3,000 3,000 2,800 2,800 2,800 2,800 2,600 2,600 2,600 2,600 33,600
FOTOPROTECCIÓN PT00086 ECLIPSOL 50 CONTINUOUS FLOW
$ 120ML
64.23 VTA
$ 251.15 -
VENTAS REALES 2007 - - - - - - - - - - - - -
VENTAS REALES 2008 817 638 794 551 418 - 265 995 417 149 45 54 5,143
VENTAS REALES 2009 151 180 584 1,141 181 424 499 440 157 35 75 84 3,951
VENTAS REALES 2010 11 33 208 252
PRONÓSTICO 2008 994 1,138 2,003 701 701 2,003 601 1,002 1,002 1,002 1,102 701 12,950
Anexos
Anexo B.
Método de la Máxima Verosimilitud
Al realizar el ajuste de un modelo existen diferentes métodos de estimación de los parámetro, uno de
los mejores métodos se refiere al método introducido por Fisher en los años 30 del siglo pasado y
conocido como Máxima Verosimilitud.
El método de máxima verosimilitud es un método sencillo en esencia, sin embargo presenta las
dificultades de la localización de máximos en una función, en donde se aplican las diferentes técnicas
del cálculo como son: máximos y mínimos relativos, máximos y mínimos absolutos y extremos de
funciones monótonas, así como métodos numéricos. Por lo tanto, este método lo podemos dividir en
dos partes:
El problema de maximizar en este caso requiere de un estudio de cálculo. Por lo tanto es importante
atender previamente las siguientes definiciones:
a. Función de verosimilitud
n
f ( x1 , , x n ; 1 , , m ) f ( xi ; 1 , , m ) .
i 1
Note que la función de verosimilitud es una función de 1 ,, m y se suele utilizar la notación
120
Anexos
L(1 , , m ; x1 , , xn ) f ( x1 , , xn ;1 , , m ) .
121
Anexos
Cuando se tiene más de un parámetro, la obtención del máximo relativo se encuentra con las reglas del
cálculo multivariado. Es decir,
2 2
f ( x, y ) f ( x, y )
x 2 xy
J
2 2
f ( x, y ) f ( x, y )
yx y 2
De tal forma que en este caso los determinantes de sus menores serán:
2 2
f ( x, y ) f ( x, y )
2
x 2 xy
f ( x, y ) y .
x 2 2 2
f ( x, y ) f ( x , y )
yx y 2
122
Anexos
En esta fase de la metodología es posible utilizar alguna paquetería estadística como: fitdist,
minitab, paquetes del proyecto R optimize, nlm, nlmb, optim, mixtools, gamlssMX, rebmix, etcétera.
123
Anexos
ANEXO C.
La programación realizada en programa R que se utilizó para el cálculo de las distribuciones de los
datos de los Productos seleccionados es el que se muestra a continuación:
############################################################################
######### DATOS ### DATOS ### DATOS ### DATOS ### DATOS ### DATOS ### DATOS
############################################################################
############################################################################
######### GRÁFICAS ### GRÁFICAS ### GRÁFICAS ### GRÁFICAS ### GRÁFICAS ###
############################################################################
par(mfrow =c(1,3))
hist(productos[,1],freq = FALSE,lty = 1.5,lwd = 2,main="Demanda Real del
Artículo PT00288", xlab="", ylab=" ",ylim=c(0,0.35))
x <- seq(3,10,0.1)
curve(dweibull(x,3.788061,5.934044),type="l",lwd=2,col=3,bty="n",lty=1,add=T
RUE)
curve(dgamma(x,15.2644305,1/0.3479893),type="l",lwd=2,col=2,bty="n",lty=1,ad
d=TRUE)
loggamma <- function(x,a,b)
{
exp(-(log(x)-a)^2/(2*b^2))/(x*b*sqrt(2*pi))
}
curve(loggamma(x,1.6497853,0.2525793),type="l",lwd=2,col=1,bty="n",lty=1,add
=TRUE)
legend(6, 0.35, c("Log-normal", "Gamma","Weibull"),lty = 1,col=c(1,2,3),bty
= "n",lwd=2)
############################################################################
######### WEIBULL ### WEIBULL ### WEIBULL ### WEIBULL ### WEIBULL ###
############################################################################
124
Anexos
tabla[imayor,]
}
############################################################################
######### GAMMA ### GAMMA ### GAMMA ### GAMMA ### GAMMA ### GAMMA ### GAMMA
############################################################################
125
Anexos
tabla[imayor,]
}
############################################################################
######### LOGNORMAL ## LOGNORMAL ## LOGNORMAL ## LOGNORMAL ## LOGNORMAL ##
############################################################################
tabla[imayor,]
126
Anexos
ANEXO D.
La programación realizada en programa R que se utilizó para el cálculo del Método Winters:
for( i in (L+1):n)
{
auxSt[i] <- a*Yt[i]/auxIt[i-L]+ (1-a)*(auxSt[i-1]+auxTt[i-1])
auxTt[i] <- b*(auxSt[i]-auxSt[i-1])+ (1-b)*(auxTt[i-1])
auxIt[i] <- d*Yt[i]/auxSt[i]+ (1-d)*auxIt[(i-L)]
Ypron[i] <- (auxSt[i-1]+ auxTt[i-1])*(auxIt[i-L])
}
mean(error)
}
127
Anexos
for( i in (L+1):n)
{
auxSt[i] <- a*Yt[i]/auxIt[i-L]+ (1-a)*(auxSt[i-1]+auxTt[i-1])
auxTt[i] <- b*(auxSt[i]-auxSt[i-1])+ (1-b)*(auxTt[i-1])
auxIt[i] <- d*Yt[i]/auxSt[i]+ (1-d)*auxIt[(i-L)]
Ypron[i] <- (auxSt[i-1]+ auxTt[i-1])*(auxIt[i-L])
}
x <- (L+2):n
plot(x,Yt[-1:-(L+1)],type="l",lwd=2,col=1,lty=1,ylim=c(1500,25000))
points(x,Ypron[-1:-(L+1)],type="l",lwd=2,col=4,lty=1)
wintergrafica(tabla[imenor,1:3],L,n)
tabla[imenor,]
winterMAD(10000,3,24)
128