3.

PRONÓSTICOS DE DEMANDA

3.1 INTRODUCCIÓN
Poder estimar cuál será la demanda para períodos futuros en la cadena de suministro, es la
tarea a desarrollar en este capitulo. Particularmente, en una empresa que comercializa
productos de consumo masivo, definir cuales pueden ser los requerimientos futuros de
productos es de suprema importancia y en este caso particular, donde se posee un extenso
portafolio de artículos bastante grande, el no tener un valor acertado de la demanda futura
puede ocasionar que con mucha facilidad varios ítems se agoten y/o que algunos otros se
queden abarrotados, generando bajos niveles de servicio y/o un incremento en los niveles
de inventarios. Para poder determinar cuál debe ser el valor del inventario, es fundamental
predecir cual será la demanda que tendrán en un futuro los ítems de este portafolio de
productos. A esta predicción se le denomina “pronóstico de demanda”.

Existen muchas técnicas para determinar la demanda futura, las cuales van desde simples
promedios o números basados en conocimientos empíricos hasta sofisticadas técnicas
matemáticas desarrolladas con la ayuda de herramientas de procesamiento de información
y cálculo computacional. La selección de la técnica de pronósticos a implementar depende
de la complejidad que exista en el manejo de la información y el recurso económico
disponible para invertir en sofisticados equipos y programas de computación.

Para la empresa objeto de este estudio, debido al gran volumen de información que se
maneja es fundamental que se adopte tecnología de punta para el manejo en “tiempo real”
de la información y por supuesto, que se implementen modelos de pronósticos de demanda
apropiados, siendo este último, uno de los objetivos propuestos en este proyecto.

3.2 CONCEPTO DE DEMANDA EN UNA CADENA DE SUMINISTRO

En el capitulo uno, se describió la cadena de suministro de la empresa objeto de estudio,
representada en la Figura 1; en ésta se muestra una flecha en línea intermitente que indica
un flujo de información, siendo primordialmente, la información de la demanda y la de los
Lead times la que más interesa en este estudio. Particularmente, es importante conocer
cómo es el flujo de la información de la demanda a lo largo de la cadena, cuál es la
importancia del manejo de la información precisa de la demanda y cuál es el valor del
promedio y la variabilidad de la demanda. La información obtenida será utilizada como
elemento fundamental en la determinación de las políticas de control de inventarios (como
se presentará en el capitulo 4). La figura 7, muestra como debe fluir la información de la
demanda en la cadena de suministro. Se destaca en esta gráfica una línea de información
dibujada con segmentos de rectas pequeños, la cual determina lo que es la situación ideal;
por lo anterior, se dice que es necesario implementar un sistema de información que vaya
desde los clientes hasta los proveedores. Moinzadeh, (2002)6, hace una introducción en su
estudio acerca de la importancia de la IT (tecnología de información) en el manejo de
información, para lograr la reducción de las ineficiencias y la mejor administración de la
cadena de suministro.

Por su parte, Silver, Pyke y Peterson, (1998)7, mencionan algunas herramientas

tecnológicas que se utilizan como iniciativas para una mejor administración de la cadena de
suministro, como el ECR (Efficient Costumer Response, el VMI (Vendor Managed
Inventory y el EDI (Electronic Data Interchange)*, siendo EDI, la transmisión computadora
a computadora de datos que se definen como de interés común entre una empresa y sus
proveedores. En el caso particular de este estudio, entre la información que se debe
transmitir a los proveedores debe estar la información precisa de la demanda. Esta
información sirve para que un proveedor conozca el comportamiento del mercado y pueda
preparar su producción, pero, lamentablemente esto aún no ha sido implementado.

Figura 7. Información Global sobre Demanda en sistema bodega y N puntos de venta (Fuente:
Adaptada de Silver, E. A., Pyke D. F. y Peterson R., Inventory Management and Production
and Scheduling, tercera edición, John Wiley & Sons, New York, 1998, Pág. 490)

Información global de la demanda

PROVEEDORES BODEGA CENTRAL PUNTOS DE C L IE N T E S

VENTA

Información global de la demanda

6
MOINZADEH, Kamran. A Multi-Echelon Inventory System with Information Exchange. Management
Science INFORMS. Vol. 48, No. 3, p. 414–426. March 2002.
7
SILVER, OP. Cit. P. 11, 12.
*
Por sus nombres aceptados internacionalmente. ECR, es utilizado para determinar estrategias logísticas en
la cadena, VMI, es utilizado como herramienta, para que el proveedor administre los inventarios de sus
clientes y EDI es la transmisión de información común entre la empresa y sus proveedores.

34
En cuanto a los beneficios internos que se obtienen en la cadena de suministro por
conocimiento global de la demanda se pueden mencionar los siguientes, incremento en el
nivel de servicio al cliente, reducción del efecto Bullwhip, mejora en el clima
organizacional al poder tomar decisiones con información apropiada, mejor coordinación
logística en las actividades de flujo de productos y por supuesto reducción en los costos.

3.3 NATURALEZA DE LOS PRONÓSTICOS

Como se mencionó, se debe seleccionar un modelo de pronósticos adecuado, pero, ¿cuál

debe ser el parámetro para medir la eficiencia de los diferentes modelos de pronósticos?
Para responder este interrogante, es necesario conocer como es el ambiente en el que se
determinarán y evaluarán los pronósticos. La figura 8, muestra el ambiente general en el
que un sistema de pronósticos se desenvuelve.

Figura 8. Ambiente común de un sistema de pronósticos.

(FUENTE: Adaptado de Silver, Pyke y Peterson. (1998), P. 75)

DATOS
HISTÓRICOS Posible modificación del
modelo o sus parámetros

Selección e
inicialización del
modelo

MODELO
MATEMATICO
Demanda real observada

Pronóstico
INTERVENCIÓN
HUMANA estadístico

CÁLCULO DE
PRONÓSTICO ERRORES DE
DE DEMANDA PRONÓSTICO

El proceso para la definición del modelo de pronóstico de demanda inicia con la

recolección de datos históricos de la demanda, la cual, como se mostró en el diagrama
causal de la figura 5, se define como la suma algebraica de las ventas y la demanda no
servida; estos datos son la información que alimentará al modelo que se seleccione para
pronosticar la demanda. Posteriormente se define el modelo matemático con el que se
determinará el pronóstico. En este paso se definen los parámetros con que inicia el modelo
(es decir, se define la formulación matemática) y se procede al siguiente paso, que es, el
cálculo del pronostico de demanda, el cual está dado por el pronóstico propiamente dicho
(promedio) X̂ y su variabilidad determinada por la desviación estándar σ x . Con la
información real de la demanda observada, se pasa a la siguiente etapa, la cual consiste en
la medición del error en que se incurrió al pronosticar la demanda, o sea, establecer la
diferencia entre el pronóstico de la demanda y la demanda real; el modelo que permita tener

35
el error del pronóstico mínimo deberá ser seleccionado. Una vez esté el modelo en marcha,
se debe continuar calculando el error del pronóstico, con el fin de tomar decisiones, tales
como revisar los parámetros con que trabaja el modelo y/o reemplazar el modelo por uno
más eficiente o tomar decisiones administrativas, o sea, intervenir el modelo, para afectar
una situación particular. Finalmente, se calcula nuevamente el pronóstico para un próximo
período y este proceso se repite a lo largo del tiempo.

3.4 DATOS HISTÓRICOS

Este es el primer paso para determinar los pronósticos de demanda. En el desarrollo de esta
fase, se solicitó información acerca de la demanda histórica de cada ítem, como un registro
de ventas por ítem para cada punto de venta consolidados día a día. Esta información es
muy importante para la selección del modelo matemático que se va a seguir, pero, es de
anotarse que, hacia el futuro, los datos de ventas se deben complementar con la información
de la demanda no servida. Aunque, la medición de la demanda no servida es una actividad
que aparentemente no genera beneficio alguno es fundamental, ya que el promedio
histórico de la demanda se reduce y por lo tanto, cuando el modelo seleccionado genere un
pronóstico será de un valor inferior y a su vez, así será la provisión del ítem que se haga
para satisfacer a la demanda, corriéndose el riesgo de que se generen agotados en los
puntos de venta. Por otro lado, la entidad encargada de determinar la cantidad a ordenar, lo
hará con un pronóstico bajo y por lo tanto habrá un riesgo futuro de agotados en la bodega.
Otra situación que suele ocurrir en la medición de la demanda no servida, es ingresar por
nerviosismo u otra circunstancia datos inflados de esta. El efecto que se produce es
contrario, abarrotando demasiado los puntos de venta y realizando compras por encima de
lo necesario. Por estas situaciones, se debe generar al interior de la organización la cultura
necesaria para la medición correcta y a tiempo de la demanda no servida.

Para iniciar el procesamiento de la información surge la primera inquietud ¿cómo deberán

organizarse los datos para el análisis posterior?. En el momento se tienen alrededor de
6.000 ítems en 32 puntos de venta diferentes, lo que da alrededor de 192.000 datos diarios,
que al intentar evaluarlos, se convierten en información poco manejable. Para esto, se
define como estrategia realizar pruebas pilotos en algunos puntos de venta con algunos
ítems tomados de forma aleatoria y los resultados obtenidos serán replicados al resto de la
cadena previa validación.

Además, es necesario determinar elementos de tiempo del pronóstico que lo caracterizan,

los cuales son el período, el horizonte de planeación y el intervalo del pronóstico.

El período del pronóstico se refiere a la unidad básica de tiempo para la cual se realiza el
pronóstico.

El horizonte de planeación del pronóstico se refiere al número de períodos hacia el futuro

que debe cubrir el pronóstico. Se debe anotar que entre más períodos hacia el futuro
pronostiquen, el error del pronóstico puede incrementarse.

36
El intervalo del pronóstico es la frecuencia con que se efectúan los nuevos pronósticos y
generalmente coincide con el período.

En la descripción hecha del sistema actual se mostró que la empresa realiza despachos a los
puntos de venta, basándose en una meta, la cual de alguna manera se convierte en el
pronóstico de venta para el período, que aunque no se mencionó, está definido para un día.
El horizonte de planeación dependiendo del punto de venta, puede ser de 2, 3 ó 4 días (ya
que para algunos puntos de venta los despachos se hacen 2 ó 3 veces por semana) y el
intervalo del pronóstico se puede decir que es de 2, 3 ó 4 días dependiendo del punto de
venta; esto no es exactamente lo que se espera de un sistema de pronósticos.

Por lo anterior, se debe definir primero cuál es el período del pronóstico. Para ello se
realizó una visita a la bodega, a fin de observar de manera preliminar como se realizan los
despachos a los puntos de venta, observándose que en muchos ítems solo se despachan a lo
sumo algunos SKUs, efectuando posiblemente en algunas veces un trabajo adicional al
tener que desempacar de su embalaje al ítem. Esta observación sugiere por lo tanto que, en
vez de realizar despachos 2 y 3 veces por semana, reducirlos a un solo despacho semanal
puede ser más apropiado. Se sugiere establecer el período del pronóstico igual a una
semana.

De acuerdo a lo anterior, se solicitó inicialmente información histórica de demanda, para

ítems clasificados como A en el punto de venta, un total de 164 ítems, que corresponden al
20% del su total en ese momento y seleccionados de forma aleatoria, en tres puntos de
venta pilotos, seleccionados por ser representativos en la cadena en cuanto a ventas y por su
situación geográfica (norte, centro y sur)*. Posteriormente, se solicitó información para los
ítems clasificados como B, C y E (nuevos).

Los datos recibidos se tabularon en su totalidad por punto de venta y se graficaron para
observar su patrón de comportamiento.

Siguiendo la metodología sugerida por, Silver, Pyke y Peterson8, para lograr pronósticos
estadísticos en series de tiempos**, se sugiere seguir los siguientes pasos:

1. Seleccione un modelo apropiado de acuerdo al patrón que sigue la demanda a lo

largo del tiempo.
2. Seleccione los valores de los parámetros inherentes en los modelos
3. Utilice el modelo y los parámetros escogidos para pronosticar la demanda.

Se debe tener en cuenta, que, por tener un gran volumen de ítems en lo posible se tratará de
seleccionar modelos que sirvan para pronosticar la demanda de la mayoría de estos, ya que

*
Se decide tomar una muestra del 20% porque a “juicio de los expertos” una muestra del 20% puede ser
representativa de la población total de ítems clasificados como A en la cadena.
8
SILVER, OP. Cit. P. 82, 83.
**
La información histórica de datos de demanda, es considerada como una serie de tiempo

37
no es de manejo práctico el tener muchos modelos; además, la demanda de los ítems es
dinámica y una demanda en particular podría cambiar su patrón de comportamiento
quedando el modelo sin aplicación. Esto genera la continua revisión de los modelos, labor
bastante dispendiosa. En otras palabras, el beneficio de tener muchos modelos, no
necesariamente justificaría el costo de administrar un sistema de inventarios con tantos
ítems.

3.5 MODELOS DE INVENTARIOS

Al revisar completamente las gráficas de los datos de demanda histórica de ítems

clasificados como A, se pudo observar que los patrones de comportamiento de la demanda
en su mayoría son estables, algunos con tendencias de crecimiento, otros con tendencia de
decrecimiento, unos muy pocos con comportamiento errático, pero definitivamente no se
observó patrones de comportamiento estacional, lo cual es una gran ventaja al definir los
modelos matemáticos a seleccionar (ver anexo 1).

Los ítems clasificados como B, presentan datos de demanda con volúmenes bajos, en su
mayoría se observan demandas semanales de poco valor y en algunos casos son frecuentes
valores de cero “0”, dejando la duda acerca de que exista la probabilidad de la no medición
correcta de la demanda no servida, motivo por lo que se debe hacer un esfuerzo mayor en la
consecución de esta información. Además, se puede notar que en las líneas de tendencia
(graficadas mediante el programa Excel), la pendiente que muestran es muy poca, de tal
forma que se presume una gran estabilidad para estos ítems (Ver anexos 2, 3 y 4 que
presentan gráficas de patrones de demanda por cada punto de venta piloto) .

La presencia de ceros “0s” en los datos de demanda, puede ser el resultado de

rompimientos de inventario (agotados en la cadena o en el punto de venta); esto corrobora
la razón de esta investigación en el sentido de que la causa de estos agotados pueda ser por
la falta de un modelo apropiado de gestión y control de inventarios.

A los ítems clasificados como C, esta revisión exhaustiva no se realizó, ya que se sugiere
por parte de diversos autores, realizar un control más sencillo por un lado y por otro lado,
es un número considerable de ítems, que, demandaría un esfuerzo bastante alto su revisión
sin un beneficio razonable. Por lo anterior, de acuerdo a diversos autores se sugiere elegir
un modelo bastante sencillo para la estimación de la demanda.

Para definir el modelo que pronostica la demanda de los ítems clasificados como A o B
algunos autores sugieren utilizar modelos matemáticos tales como, promedios móviles,
suavización exponencial simple y doble y para los ítems clasificados como C, utilizar
modelos sencillos como el promedio móvil.

Para los ítems nuevos, clasificados en una categoría nueva E, en los que no existe
información histórica de demanda, no se conocen modelos matemáticos sugeridos. Más
adelante, se presentará un modelo heurístico para determinar el pronóstico de la demanda

38
durante la primeras semanas hasta que se obtenga información histórica de la suficiente
para realizar un pronóstico matemático.

3.5.1 Modelos matemáticos para el pronóstico de la demanda.

La información histórica de datos de demanda, permite utilizar un método estadístico

conocido como análisis de series de tiempo, el cual permite construir un modelo básico
donde se tienen en cuenta las siguientes componentes para determinar el comportamiento
de la demanda de un ítem en particular:

1. Nivel promedio, denotado con la letra a, es una constante que representa el

promedio de la demanda.
2. Tendencia, referente a si para un ítem particular la demanda está creciendo o
decreciendo denotado con la letra b
3. Un componente cíclico, denotado con la letra f
4. Componente estacional, denotado con la letra c y
5. Un componente aleatorio, con media 0, y varianza desconocida, asumiendo un
comportamiento normal en los datos de demanda. Se denota con la letra griega ε ,

el modelo de series de tiempo para la demanda se puede indicar mediante la siguiente

expresión de adición así*:

Demanda en el periodo t Xˆ = a + bt + f + c + ε (3,1)

En la Figura 9, se muestran los componentes de la demanda, para cada caso.

El análisis gráfico de los patrones de demanda y la información brindada por los individuos
pertenecientes a la organización, permitieron reducir el modelo, ya que se pudo determinar
que no existen elementos cíclicos ni estacionales, de tal forma que se puede rescribir el
modelo de demanda mediante la siguiente expresión:

Demanda en el periodo t: Xˆ = a + bt + ε (3,2)

Existe una gran variedad de modelos matemáticos que pronostican la demanda y que
responden a la expresión de la ecuación (3,2). La selección del modelo apropiado para este
caso de investigación particular, depende del resultado de cuatro características, la
precisión del modelo, el costo de adoptar e implementar el modelo, la utilidad de los
resultados y la estabilidad y respuesta del modelo.

*
Tomado de Silver, Op Cit. Cap. 4 P 81.

39
 Figura 9. Componentes de un modelo de series de tiempo para pronosticar la demanda

Nivel promedio Tendencia Estacional

• La precisión del modelo de pronósticos, se mide con respecto a la diferencia entre el

valor pronosticado y el valor observado, entre menor sea esta diferencia, se dice que el
pronóstico es más preciso. Esto se conoce como error del pronóstico y se determina
mediante la siguiente ecuación:
)
et = x t − x t (3,3)

Donde,
et : Error del pronóstico, para el período t
xt : valor real de la variable demanda en el período t
x̂ t : Pronóstico para el período t, estimado con anticipación

El resultado de la ecuación puede ser positivo o negativo, dependiendo si la demanda real

es mayor o menor que el pronóstico. Sin embargo, este indicador no es muy apropiado, ya
que a lo largo de varios períodos los resultados se pueden anular, Por ejemplo, en un
período la demanda pronosticada pudo haber sido 15 unidades y la demanda real 12
unidades, por lo tanto el error e es de –3 unidades y al período siguiente, el pronóstico pudo
haber sido de 14 unidades y la demanda real de 11, así el error e es de 3 unidades y al
sumar los errores en los dos períodos consecutivos, se tiene un resultado acumulado de cero
“0” unidades; por lo tanto, esta información no sirve para tomar alguna decisión.

Para obtener mejor información acerca de la precisión del modelo, se han incluido otros
indicadores que han demostrado ser más efectivos, tales como:

)
Error absoluto et = xt − xt (3.4)

40
 ) 2
Error cuadrático e 2 t = ( xt − xt ) (3.5)

donde, Error absoluto es el valor absoluto del error sin signo y error cuadrático, es el error
elevado al cuadrado. En ambas ecuaciones se elimina el problema del signo.

La suma de cada uno de estos errores a lo largo de n períodos y divididos en n, se conoce

como la desviación absoluta media y el error cuadrático medio y se expresan mediante las
siguientes ecuaciones:

∑X t − Xˆ
Desviación absoluta media MAD = t =1
(3.6)
n

∑ (X t − Xˆ)2
Error cuadrático medio ECM = t =1
(3.7)
n
Así entonces, en el ejemplo anterior la MAD tiene un valor de tres unidades y el ECM un
valor de 9 unidades.

Por otro lado, el análisis de los errores es un indicador que muestra la variabilidad de la
demanda con respecto a un promedio y esta información es útil al momento de establecer
los inventarios de seguridad, como se expresará más adelante.

La información del error, es también una herramienta importante en las decisiones a tomar
por parte del personal que administra el modelo, ya que ésta permite indicar si el modelo
está por fuera de control estadístico. La decisión acerca del modelo matemático que se va a
seleccionar, depende de los siguientes factores.

• El costo de adoptar e implementar el modelo. Se refiere al costo en que se incurre en el

proceso mediante el cual la organización aprende la nueva metodología, se apropia de esta
y la utiliza adecuadamente, a la adquisición de un software especializado o el desarrollo de
este según las plataformas informáticas que la organización posea. En este caso, la empresa
asume el desarrollo del software requerido para implementar el nuevo modelo de
pronósticos de demanda.

• La utilidad de los resultados. Se espera que los resultados obtenidos, sirvan para
establecer un sistema de control de inventarios que se pueda aplicar a la cadena de
abastecimiento de la empresa.

41
• La estabilidad y respuesta del modelo. Como se mencionó anteriormente, el
comportamiento de la demanda es dinámico, lo que significa que es cambiante con el
tiempo y por lo tanto, se requiere un modelo de pronósticos de demanda que permita
adaptarse a los constantes cambios de una forma rápida y flexible.

A continuación se describirán las técnicas matemáticas utilizadas en la modelación de

demanda que se mencionaron anteriormente y se realizará un ejercicio práctico con datos
reales tomados de un punto de venta piloto y un ítem clasificado A. Para este ejercicio, se
tomaron 64 datos históricos de demanda semanal, donde los primeros 31 datos sirven para
iniciar los modelos y con los 33 datos restantes se simularan los pronósticos de la
demanda*. Los resultados obtenidos se utilizarán para realizar una evaluación de cada uno
de los modelos comparando los resultados obtenidos de los indicadores MAD y ECM.

Los siguientes son datos de demanda semanal utilizados para la construcción y evaluación
de los modelos:

217 104 93 208 113 150 113 142 135 174 123 234 240 98 177
119 161 155 84 47 217 104 93 208 113 150 113 142 135 174
104 233 203 117 90 104 145 108 131 121 126 92 127 117 88
114 99 122 96 84 64 117 127 92 80 105 121 99 120 50

190 117 99 128

3.5.2 Promedio Móvil

Este modelo se sugiere utilizar en aquellos casos donde la demanda tiene patrones de
comportamiento estables, con poca o ninguna tendencia. Estos modelos responden a la
forma:
Demanda en el periodo t X̂ = a + ε (3.8)

Utilizando el criterio de mínimos cuadrados para seleccionar un valor apropiado del

parámetro a se tiene:
T
E (a ) = ∑ ( X t − a )
2
(3.9),
t =1

aplicando derivada a la función anterior e igualando a 0 para encontrar un mínimo se

obtiene:
1 T
â = ∑ X t (3.10),
T t =1

este resultado se conoce como la media aritmética o promedio simple de T observaciones.

*
Como la demanda real ya ocurrió, se pretende crear un pronóstico de ésta, a fin de comparar los resultados
obtenidos contra los datos reales y así para este caso particular, calcular los indicadores de eficiencia MAD y
ECM del modelo.

42
Análogamente, se puede obtener el valor del operador Mt, como un estimador del parámetro
a en el que solo se ha determinado darle un peso igual a los últimos N períodos y un valor
de 0 a los t-N+1 períodos. Este operador se expresa mediante la ecuación:

Mt =
( X t + X t −1 + X t − 2 + L + X t − N + 1 ) (3.11),
N

El valor del parámetro a para un período t cualquiera en función del operador anterior se
puede expresar así:

M t = M t −1 +
(X t − X t−N ) (3.12).
N

El valor de N usualmente es un valor pequeño, para darle un mayor peso a los últimos datos
observados, lo que significa que el modelo podría responder mejor a los cambios de la
demanda.

Utilizando la expresión de la ecuación (3.12) se puede construir en una hoja de cálculo una
simulación, para evaluar con datos reales las bondades de este modelo, en cuanto a
pronosticar la demanda de cualquier ítem de la cadena.

Valores de inicialización Promedio móvil.

Cuando se va a calcular el promedio móvil, la pregunta a resolver es saber con cuantos

datos históricos de demanda períodos atrás se debe hacer el cálculo. Una respuesta a este
interrogante no existe, algunos autores han sugerido tomar un valor de N entre 3 y 12 datos,
pero poder determinar cuál es el óptimo entre un número tan grande de ítems, es una labor
bastante ardua y que al final el resultado podría ser que se determinen varios valores de N.
Por lo tanto, en este caso particular se tomará como decisión adoptar un N igual a 12
fundamentados en la aparente estabilidad existente en los datos de demanda.

El primer pronóstico de demanda que se calcula, corresponde al promedio de los datos de

demanda desde el registro de la semana 19 con un valor de 84 (sombreado de amarillo),
hasta el registro de la semana 30 con un valor de 174 (esto para poder compara este
modelo con los otros).

84 + 47 + 217 + 104 + 93 + 208 + 113 + 150 + 113 + 142 + 135 + 174

Mt = = 131.667 ≅ 132
12
Para el siguiente pronóstico se utiliza la ecuación (3.12), obteniéndose el pronóstico
siguiente así:
M t +1 = 131.667 +
(104 − 84 ) = 133.333 ≅ 133
12

43
Los siguientes datos de la simulación se calculan de igual forma. En la Figura 10, se puede
observar como el promedio móvil estima la demanda a lo largo de varios períodos futuros.
Obsérvese que el patrón de la demanda corresponde a un ítem relativamente estable, con
una pequeña tendencia decreciente, también, se puede observar cómo el modelo de
promedio móvil sigue el comportamiento de la tendencia de la demanda.

Figura 10. Gráfica de la demanda de un ítem de la cadena y su línea de tendencia versus

pronóstico de demanda con Promedio móvil.
Fuente: Elaborada a partir de datos históricos de demanda de un ítem de la cadena
Pronóstico de demanda - modelo promedio móvil
dem anda prom edio m óvil L. tendencia dem anda

250

200

y = -1,0484x + 133,94 R2 = 0,0854

Unidad

150

100

50

0
1 3 5 7 9 11 13 15 17 19 21 23 25 27 29 31 33
Semanas

La Tabla 4 muestra los datos históricos de la demanda, el pronóstico para cada período, el
cálculo de los tres tipos de error y al final de la tabla los indicadores MAD y ECM, para el
ejercicio planteado. Los valores de obtenidos de la MAD 27 y el ECM 1292, serán la base
para comparar este modelo con los otros modelos y poder determinar cuál es el que mejor
pronostica la tendencia de la demanda*.

3.5.3 Suavización Exponencial Simple (SES)

Este modelo, al igual que el promedio móvil se utiliza en aquellos casos en que se puede
determinar que la demanda posee patrones de comportamiento estables con poca o ninguna
tendencia. De igual forma que en promedio móvil, se puede modelar mediante la ecuación
(3.8).

Montgomery, Johnson y Gardiner9, aseguran que suavización exponencial simple, es

probablemente el procedimiento más empleado para hacer pronósticos de un futuro
inmediato, debido a su simplicidad, eficiencia computacional, respuesta a los cambios y su
*
Hasta aquí, solo se menciona el pronóstico estadístico de la demanda (tendencia), no se tiene en cuenta su
variabilidad.
9
MONTGOMERY, Douglas C, JOHNSON, Lynwood A. y GARDINER, John S. Forecasting and time series
analysis. New York: McGraw-Hill, Cap. 4 p. 81, 1990.

44
exactitud razonable. En este método, el operador utilizado para estimar el valor de a es
nombrado St, y se calcula mediante la siguiente expresión:

St = αX t + (1 − α )St −1 (3.13)

donde:
St: Operador para estimar el valor a o el pronóstico de la demanda X̂ t+1, realizado al
final del período t+1.

St-1: Valor estimado del parámetro a o el pronóstico de la demanda X̂ t , realizado al final

del período t ó período anterior.

Tabla 4. Pronóstico de demanda utilizando Promedio móvil para un ítem de la cadena

de suministro, con N = 12

S em . D em anda S em . D em anda O p erad or P rom . M ov íl

It e m It e m P r o m . M ó v il E rror E rror A b s E rror C u ad
P r o n ó s t ic o
Valor obtenido a partir del promedio de los 12
1 217 31 104 132
datos anteriores de demanda . Semanas 19 a la 30
2 104 32 233 133 100 9 9 ,7 9 9 3 3 ,4
3 93 33 203 149 54 5 4 ,2 2 9 3 4 ,0
4 208 34 117 148 -3 1 3 0 ,7 9 4 0 ,4
5 113 35 90 149 -5 9 5 8 ,8 3 4 5 1 ,6
6 150 36 104 149 -4 5 4 4 ,5 1 9 8 0 ,3
7 113 37 145 140 5 5 ,2 2 6 ,7
8 142 38 108 143 -3 5 3 4 ,5 1 1 9 0 ,3
9 135 39 131 139 -8 8 ,0 6 4 ,0
10 174 40 121 141 -2 0 1 9 ,5 3 8 0 ,3
11 123 41 126 139 -1 3 1 2 ,8 1 6 2 ,6
12 234 42 92 138 -4 6 4 6 ,0 2 1 1 6 ,0
13 240 43 127 131 -4 4 ,2 1 7 ,4
14 98 44 117 133 -1 6 1 6 ,1 2 5 8 ,7
15 177 45 88 123 -3 5 3 5 ,4 1 2 5 4 ,3
16 119 46 114 114 0 0 ,2 0 ,0
17 161 47 99 114 -1 5 1 4 ,6 2 1 2 ,7
18 155 48 122 114 8 7 ,7 5 8 ,8
19 84 49 96 116 -2 0 1 9 ,8 3 9 3 ,4
20 47 50 84 112 -2 8 2 7 ,8 7 7 0 ,1
21 217 51 64 110 -4 6 4 5 ,8 2 0 9 3 ,1
22 104 52 117 104 13 1 2 ,8 1 6 4 ,7
23 93 53 127 104 23 2 3 ,2 5 3 6 ,7
24 208 54 92 104 -1 2 1 1 ,9 1 4 2 ,0
25 113 55 80 104 -2 4 2 3 ,9 5 7 2 ,0
26 150 56 105 100 5 5 ,0 2 5 ,0
27 113 57 121 99 22 2 2 ,0 4 8 4 ,0
28 142 58 99 102 -3 2 ,7 7 ,6
29 135 59 120 101 20 1 9 ,5 3 8 0 ,3
30 174 60 50 102 -5 2 5 2 ,3 2 7 3 0 ,1
61 190 96 94 9 3 ,8 8 7 8 9 ,1
62 117 104 13 1 2 ,9 1 6 6 ,8
63 99 107 -8 7 ,8 6 1 ,4
64 128 110 18 1 8 ,3 3 3 3 ,1
27 1292
M AD ECM

45
Xt: Demanda real observada al final del período actual t.

α : Constante de suavización. Puede tomar valores en el rango (0 ≤ α ≤ 1) y su función

real es darle mayor o menor peso al último dato de demanda registrado.

σ ε : Desviación estándar de los datos con respecto a su media.

El operador St, se puede expresar también mediante la siguiente ecuación:

S t = αX t − αS t −1 + S t −1 = S t −1 + α ( X t − S t −1 ) (3.14)

La ecuación anterior, permite mostrar que el operador St se puede expresar como el

operador del pronóstico anterior mas α veces el error del pronóstico del período actual.
Aquí se puede observar que, un valor más alto de α implicará darle más peso al error
observado en el último pronóstico.

Partiendo de la ecuación (3.13), se puede reemplazar el valor de St-1 por una expresión
basada en el pronóstico anterior St-2, y así sucesivamente como se muestra a continuación:

S t = αX t + (1 − α )[αX t −1 + (1 − α ) S t − 2 ]
= αX t + α (1 − α )X t −1 + (1 − α ) St − 2
2

Si se continua sustituyendo sucesivamente, para St-k, k = 2,3, . . . . . .t, finalmente se

obtiene:
t −1
S t = α ∑ (1 − α)k X t − k + (1 − α)t S0 (3.15),
k =0

donde S0, es el valor inicial estimado de a en la suavización utilizado para iniciar el

proceso. El valor esperados de St, se expresa como sigue:

t −1
E ( S t ) = α ∑ (1 − α ) k Ε( X t − k ) + (1 − α ) t S 0
k =0

cuando t es bastante grande (1-α)t tiende a cero y el valor esperado de Xt-k es a, se calcula
el límite cuando t tiende a infinito, quedando la expresión como sigue:

46
 ∞
lim E(S t ) = αa ∑ (1 − α )
k
T →∞
k =0

1
= αa   (3.16)
α
=a
de igual forma se puede demostrar que la varianza de St, es:

α
Var (S t ) =
2
σε (3.17)
2−α

Para realizar el cálculo de un pronóstico de demanda de cualquier ítem de la cadena, se

puede utilizar la expresión (3.13), mediante una sencilla hoja electrónica de cálculo.

Valores de inicialización de suavización exponencial simple.

El primer valor de la suavización exponencial simple en el período “0”, corresponde al

operador S0, el cual se obtiene del promedio de los datos históricos de demanda disponibles,
utilizando los datos del ejemplo anterior S0 se obtiene a partir del promedio de los primeros
31 datos históricos resultando igual a 143.22.

El valor obtenido de S0, es el primer pronóstico de demanda para el siguiente período. El

siguiente valor de St en el primer período, se obtiene de (3.13). Para determinar el valor
adecuado de α , se debe tener en cuenta que, no debe ser muy grande, ya que respondería
muy rápido a cambios aleatorios del proceso, ni muy pequeño, porque no reaccionaría
adecuadamente a posibles cambios reales. Los autores sugieren valores entre 0.01 y 0.3, lo
que significa darle como mínimo un valor de un 1% o un valor máximo de un 30% al
último dato de demanda registrado. Inicialmente se asignó a α un valor de 0.1, el valor
que toma S1, se calculó como sigue:

S1 = 0.1 x104 + (1 − 0.1 ) x143.22 = 152.203

De igual manera, se calculan los pronósticos de demanda siguientes. La MAD y el ECM

obtenidos son 27 y 1291 respectivamente y se muestran en la Tabla 5. Debe tenerse en
cuenta que los resultados obtenidos no son los óptimos, ya que no se han realizado los
cálculos para evaluar diferentes α ’s. Este proceso de optimización para evaluar el
modelo, se puede obtener utilizando la herramienta de Excel llamada Solver, que permite
encontrar entre un rango de datos (entre 0.01 y 0.3) el valor de α que optimiza el modelo
haciendo que la MAD o el ECM tomen sus valores mínimos.

La Tabla 6, muestra los resultados obtenidos, después de optimizar el modelo cambiando

α .

47
Nótese, que el resultado de optimizar α , mejora el valor del ECM, pasando de 1291.863 a
1245.173 y que este resultado es un poco mejor que el obtenido mediante el procedimiento
de promedio móvil, aunque su comparación directa no es muy pertinente, debido a que
promedio móvil no se realizo con diferentes valores de N.

Tabla 5. Cálculo de pronósticos de demanda para un ítem de la cadena utilizando

suavización exponencial simple, con α = 0.1

Sem. Demanda Sem. Demanda Operador Pronóstico S. E. Simple

Item Item S. Simple S.E. Simple Error Error Abs Error Cuad

Valor obtenido a partir del

promedio de los 31 datos
anteriores de demanda
1 217 31 104 143,22581
2 104 32 233 152,203 143 90 90 8059,4
3 93 33 203 157,283 152 51 51 2580,3
4 208 34 117 153,255 157 -40 40 1622,7
5 113 35 90 146,929 153 -63 63 4001,1
6 150 36 104 142,636 147 -43 43 1842,9
7 113 37 145 142,873 143 2 2 5,6
8 142 38 108 139,385 143 -35 35 1216,1
9 135 39 131 138,547 139 -8 8 70,3
10 174 40 121 136,792 139 -18 18 307,9
11 123 41 126 135,713 137 -11 11 116,5
12 234 42 92 131,342 136 -44 44 1910,8
13 240 43 127 130,907 131 -4 4 18,8
14 98 44 117 129,517 131 -14 14 193,4
15 177 45 88 125,365 130 -42 42 1723,6
16 119 46 114 124,229 125 -11 11 129,2
17 161 47 99 121,706 124 -25 25 636,5
18 155 48 122 121,735 122 0 0 0,1
19 84 49 96 119,162 122 -26 26 662,3
20 47 50 84 115,645 119 -35 35 1236,3
21 217 51 64 110,481 116 -52 52 2667,3
22 104 52 117 111,133 110 7 7 42,5
23 93 53 127 112,720 111 16 16 251,8
24 208 54 92 110,648 113 -21 21 429,3
25 113 55 80 107,583 111 -31 31 939,3
26 150 56 105 107,325 108 -3 3 6,7
27 113 57 121 108,692 107 14 14 187,0
28 142 58 99 107,723 109 -10 10 93,9
29 135 59 120 108,951 108 12 12 150,7
30 174 60 50 103,056 109 -59 59 3475,2
61 190 111,750 103 87 87 7559,3
62 117 112,275 112 5 5 27,6
63 99 110,947 112 -13 13 176,2
64 128 112,653 111 17 17 290,8
27 1291,863
alpha MAD ECM
0,1

48
La Figura 11, representa el comportamiento del pronóstico de demanda realizado con
suavización exponencial simple con el parámetro α = 0.185987 que optimiza el modelo
versus la demanda. Obsérvese el comportamiento del pronóstico similar a la línea de
tendencia trazada.

Tabla 6. Cálculo de pronósticos de demanda de un ítem de la cadena, utilizando

suavización exponencial simple y optimizado el modelo, α toma un valor de 0.185987

Sem. Demanda Sem. Demanda Operador Pronóstico S. E. Simple

Item Item S. Simple S.E. Simple Error Error Abs Error Cuad
Valor obtenido a partir del
promedio de los 31 datos
anteriores de demanda
1 217 31 104 143,22581
2 104 32 233 159,923 143 90 90 8059,4
3 93 33 203 167,934 160 43 43 1855,7
4 208 34 117 158,461 168 -51 51 2594,3
5 113 35 90 145,728 158 -68 68 4687,0
6 150 36 104 137,967 146 -42 42 1741,3
7 113 37 145 139,275 138 7 7 49,5
8 142 38 108 133,459 139 -31 31 978,2
9 135 39 131 133,001 133 -2 2 6,0
10 174 40 121 130,769 133 -12 12 144,0
11 123 41 126 129,882 131 -5 5 22,7
12 234 42 92 122,837 130 -38 38 1435,1
13 240 43 127 123,611 123 4 4 17,3
14 98 44 117 122,381 124 -7 7 43,7
15 177 45 88 115,987 122 -34 34 1182,1
16 119 46 114 115,617 116 -2 2 3,9
17 161 47 99 112,527 116 -17 17 276,1
18 155 48 122 114,289 113 9 9 89,7
19 84 49 96 110,887 114 -18 18 334,5
20 47 50 84 105,887 111 -27 27 722,9
21 217 51 64 98,096 106 -42 42 1754,5
22 104 52 117 101,612 98 19 19 357,4
23 93 53 127 106,334 102 25 25 644,5
24 208 54 92 103,668 106 -14 14 205,5
25 113 55 80 99,266 104 -24 24 560,2
26 150 56 105 100,332 99 6 6 32,9
27 113 57 121 104,176 100 21 21 427,1
28 142 58 99 103,214 104 -5 5 26,8
29 135 59 120 106,336 103 17 17 281,8
30 174 60 50 95,858 106 -56 56 3173,7
61 190 113,367 96 94 94 8862,7
62 117 114,043 113 4 4 13,2
63 99 111,245 114 -15 15 226,3
64 128 114,361 111 17 17 280,7
26 1245,173
alpha MAD ECM
0,185987

49
 Figura 11. Pronóstico de demanda realizado con suavización exponencial simple (modelo
optimizado) versus la demanda.

Pronóstico de demanda - modelo suavizacion exp. simple

demanda Suav. exp. simple L. tendencia demanda

250

200
Unidades

150

100

50

0
1 3 5 7 9 11 13 15 17 19 21 23 25 27 29 31 33

Semanas

3.5.4 Suavización Exponencial Doble (S.E.D)

Las técnicas promedio móvil y suavización exponencial simple sirven para modelar el
comportamiento de la demanda en las situaciones en las que esta presenta tendencias poco
marcadas, pero, los productos a lo largo de su ciclo de vida presentan diferentes fases como
crecimiento, estabilidad y declive y en algunos casos pueden volver a crecer y/o declinar, lo
que implica cambios constantes en las tendencias. Es decir, la demanda de un producto
puede presentar crecimientos y decrecimientos a lo largo del tiempo, para lo cual, las
técnicas descritas anteriormente muy posiblemente no permiten al modelo reaccionar
rápidamente ante los cambios de tendencia en la demanda cuando esta se presenta; la
suavización exponencial doble por su parte, si permite reaccionar a los constantes cambios
de la demanda.

El expresión general que pronostica la demanda cuando existen tendencias, se presentó en

la ecuación (3.2) y se presenta nuevamente

X t = a + bt + ε t

donde, el valor esperado del pronóstico Xt, se expresa como una función del tiempo como
sigue:
Ε( X t /t ) = a + bt

50
 2
y ε es el componente aleatorio con valor esperado Ε(ε) = 0 y varianza V(t) = σ ε ,
asumiéndose que la varianza permanece constante en el tiempo. A continuación se presenta
el desarrollo presentado en el capitulo cuatro del libro de Montgomery*.

De la ecuación (3.13) y haciendo β = (1 − α ) por conveniencia se tiene de la ecuación

(3.15),
t −1
S t = α ∑ βΕ(X t − k ) + β t S0
k =0
t −1
(3.18)
= α ∑ β (a + b(t − k) + β S0
k t

k =0

cuando t → ∞, β = 0 , se obtiene,
t

∞ ∞
Ε(S t ) = (a + bt)α ∑ β k − α ∑ kβ k
k =0 K =0
(3.19)
β
= a + bt − b
α
como Ε( X t ) = a + bt , entonces se reemplaza para obtener
β
Ε(S t ) = Ε(X t ) − b (3.20)
α
La ecuación anterior muestra que el valor esperado de St, es el valor esperado de Xt,
restándole una fracción de b, que esta relacionada con el valor de α, es decir que la
información es afectada por una fracción igual a ( β α )b .

Con los resultados anteriores se enuncia el modelo suavización exponencial doble, el cual
es el modelo de la suavización exponencial simple, presentado en la ecuación (3.13), y que
se le aplica nuevamente suavización, presentándose la siguiente expresión:

= αS t + (1 − α )St[−2 ]1
[2 ]
St (3.21),

[2 ]
donde St es un nuevo operador que calcula el pronóstico de la demanda para el próximo
período. En forma análoga a (3.20) se obtiene,
[2 ] β
Ε(S t ) = Ε(S t ) − b (3.22),
α
despejando b se obtiene,
α
b = Ε(St ) − Ε St
β
[2 ]
[ ( )] (3.23),

con el resultado anterior se puede estimar a b como sigue:

*
Este desarrollo lo presenta Montgomery, Op Cit. Capítulo 4, P 89 – 92.

51
 α [2 ]
bˆ(t) = (St − St ) (3.24),
β
entonces de las ecuaciones (3.20) y (3.23), se obtiene
β α
Ε(X t ) = Ε(St ) + * Ε(S t ) − Ε S t
α β
[
[2 ]
( )]
[2 ]
= 2Ε(St ) − Ε(St )

por lo tanto, un estimador razonable de Ε( X t ) , realizado al final del período t, puede ser
[2 ]
Xˆ t = 2 S t − S t (3.25),

ahora, se puede expresar el pronóstico de τ períodos futuros como el pronóstico del período
t mas la tendencia b multiplicada por número τ de períodos futuros que se desee pronosticar
Xˆ t + τ (t) = Xˆ t + τb(t)

= 2St − St
[2 ]
+τ
α
β
(
St − St
[2 ]
)
 ατ   ατ  [2 ]
=  2 +  St −  1 +  St
 β  β

reemplazando a β por (1-α), el pronóstico queda expresado así:

)  ατ   ατ  [2 ]
X t+τ =  2 + St −  1 +  St (3.26),
 1− α   1− α 

donde, el pronóstico de τ períodos futuros queda expresado en función de los operadores S t

[2 ]
y S t , calculados al final del presente período. Sí, el pronóstico se realiza para el período
siguiente, entonces τ toma el valor de 1 y la expresión para calcular el pronostico queda:

)  α   α  [2 ]
X t + 1, t =  2 + St − 1 + St (3.27)
 1−α  1−α

Valores de inicialización de suavización exponencial doble

Los valores iniciales de los operadores S0 y S0[2 ] , se pueden determinar mediante dos
métodos, uno de ellos es definir los valores de S0 y S0[2 ] en el origen del tiempo y el otro,
trasladar el origen un número de períodos τ hacia adelante. En cualquiera de los dos casos
en necesario determinar la ecuación de la línea recta que estima los valores de Xt, la cual
tiene la forma:

52
 X = a + bt (3.28),

donde,

X: cada uno de los valores obtenidos de la ecuación de la recta en función de t,

t : Es el valor que puede tomar tiempo, t >0,
a : es el valor independiente de la ecuación de la recta, es donde se cruza la recta con el eje
vertical.
b : Es la pendiente de la recta.

Los valores de a y b se estiman con el método de mínimos cuadrados, mediante las

siguientes expresiones:

aˆ =
(∑ X ∑ t ) − (∑ t )(∑ t X )
i i
2
i i i
(3.29),
n∑ ti − (∑ ti )
2 2

bˆ =
∑ X n − aˆ i

(3.30).
∑t n i

Con los valores obtenidos de aˆ y bˆ , ya se pueden aplicar cualquiera de los dos métodos.

Método 1. Basado en el origen de tiempo.

Se asume que el valor de Xt, es el intercepto en el eje de las ordenadas, o sea â y se expresa
así:

aˆ (t) = Xˆ(t) (3.31),

entonces se puede calcular a S0 de la expresión (3.20) como sigue:
β
S0 = aˆ(0) − bˆ(0) (3.32),
α
y S0[2 ] de la expresión (3.22) así:
β
S0[2 ] = aˆ(0) − 2 bˆ(0) (3.33),
α
una vez se tienen estos valores, se inicia el cálculo de los S t y S t[2 ] siguiente, utilizando las
expresiones (3.13) y (3.21)

53
Aplicando este método al caso anterior se obtienen los siguientes resultados iniciales para
S0 y S0[2 ] los cuales se calculan así, utilizando un α igual a 0.03262*:

1 − 0.03262 
S0 = 152.7095 −   * ( −0.5228)
 0.03262 
= 168.23
1 − 0.03262 
S0[2 ] = 152.7095 − 2 *   * ( −0.5228)
 0.03262 
= 184.04

Los valores de S1 y S1[2 ] , se obtiene así:

S1 = (0.03262 * 104) + (1 − .03262) * 168.23
= 166.28
[2 ]
S1 = (0.03262 * 168.23) + (1 − .03262) * 184.04
= 183.46

Este procedimiento se repite hasta llegar al período 31, donde estaría el nuevo origen. Los
datos obtenidos de S t y S t[2 ] , en este período son de 150.40 y 167.17.
La Tabla 7, muestra los 31 valores que toman los operadores S t y S t[2 ] a lo largo de los 31
períodos.

Método 2. Basado en el origen cambiado al período 31.

Este método consiste en trasladar el origen original de tiempo (donde se encuentra el

primer dato histórico), al origen donde se va a iniciar el cálculo del pronóstico de la
demanda. Se pretende con este método encontrar un valor para el intercepto en el nuevo
eje que marca el inicio de los pronósticos. Este nuevo intercepto se denota con la expresión
a1 , para diferenciarlo del intercepto basado en origen original y se calcula como sigue:
a1 (t) = a + b(t) (3.34),
donde a1 , es función de t.

Para el caso que se está analizando, t toma el valor de 31. Utilizando los valores obtenidos
en la regresión, se calculan los valores de S0 y S0[2 ] , como sigue:
 1 − 0.03262 
S0 = 152.7195 + ( −0.5281) * 31 −   * ( −0.528) = 152.01 y,
 0.03262 

*
El valor de α igual a 0.03262 es escogido a conveniencia, porque, es el valor que optimiza el modelo de
pronósticos basado en suavización exponencial doble.

54
 [2 ]
Tabla 7. Valores de S0 y S0 , desde el origen original del tiempo hasta el
registro en que se va a realizar el cálculo del pronóstico de la demanda.

Sem. Demanda Operador Operador

Item S.Doble t S. Doble

Const. a Coef. b

152,71954 -0,5281
1 217 168,382296 184,0451
2 104 166,28 183,4656
3 93 163,89 182,8271
4 208 165,33 182,2564
5 113 163,62 181,6486
6 150 163,18 181,0461
7 113 161,54 180,4099
8 142 160,90 179,7737
9 135 160,06 179,1306
10 174 160,51 178,5234
11 123 159,29 177,8960
12 234 161,73 177,3686
13 240 164,28 176,9417
14 98 162,12 176,4582
15 177 162,60 176,0063
16 119 161,18 175,5227
17 161 161,18 175,0547
18 155 160,97 174,5954
19 84 158,46 174,0692
20 47 154,83 173,4416
21 217 156,86 172,9006
22 104 155,13 172,3209
23 93 153,10 171,6941
24 208 154,90 171,1462
25 113 153,53 170,5715
26 150 153,41 170,0118
27 113 152,10 169,4274
28 142 151,77 168,8513
29 135 151,22 168,2762
30 174 151,96 167,7440
31 104 150,40 167,1782

 1 − 0.03262 
S0[2 ] = 152.7195 + ( −0.5281) * 31 − 2  * ( −0.528) = 167.67
 0.03262 

Los valores de S1 y S1[2 ] , se obtienen como sigue:

S1 = 0.03262 * 233 + (1 − 0.03262) * 152.01 = 154.65

S1[2 ] = 0.03262 * 154.65 + (1 − 0.03262) * 167.67 = 167.2479

Obsérvese que para cualquiera de los dos métodos, el valor de inicio de los operadores
S t y S t[2 ] , es muy similar, lo cual indica que cualquiera de los dos métodos se puede
emplear.

Ahora, se puede calcular el pronóstico del primer período como sigue:

55
  0.03262   0.03262 
Pr onóstico(1 ) = 2 +  * 152.01 − 1 +  * 167.67 ≅ 136
 (1 − 0.03262 )   (1 − 0.03262 ) 

el pronóstico para el segundo período se obtiene así:

 0.03262   0.03262 
Pr onóstico(2 ) = 2 +  * 154.65 − 1 +  * 167.24 ≅ 142
 (1 − 0.03262 )   (1 − 0.03262 ) 

La Tabla 8 muestra los resultados obtenidos para el ítem del ejemplo anterior; el valor de
α =0.03262 utilizado es el que resulta después de optimizar el modelo, se puede observar el
valor de ECM igual a 1238.61. La Figura 12, representa el comportamiento del pronóstico
realizado con suavización exponencial doble versus la demanda.
Figura 12. Comportamiento del pronóstico realizado con suavización exponencial doble
versus la demanda, para el modelo optimizado.
P r o n ó s tic o d e d e m a n d a - m o d e lo s u a v iz a c io n e x p . d o b le
dem anda S u a v. e xp . d o b le L . te n d e n c ia d e m a n d a

250

200
Unidades

150

100

50

0
1 3 5 7 9 11 13 15 17 19 21 23 25 27 29 31 33

Se m a na s

3.5.5 Análisis de los resultados obtenidos de ejercicio anterior, utilizando las

técnicas promedio móvil, suavización exponencial simple y suavización
exponencial doble.

Al observar los resultados obtenidos para el ítem evaluado anteriormente, se puede

determinar lo siguiente:

1. Se observa un ítem estable con tendencia decreciente, con dos picos en las semanas
2 y 31 de la simulación.
2. Gráficamente se percibe un comportamiento muy similar en los tres modelos

56
Tabla 8. Cálculo de pronósticos de demanda para un ítem, utilizando suavización
exponencial doble y optimizado el modelo, α toma un valor de 0.03261

Sem. Demanda Sem. Demanda Operador Operador Pronóstico S.E Doble

Item Item S.Doblet S. Doble S.E. Doble Error Error Abs Error Cuad
Const. a Coef.b
152,71954 -0,5281
1 217 31 104 152,01 167,67
2 104 32 233 154,65 167,2479 136 97,18 97,18 9444,1
3 93 33 203 156,23 166,8885 142 61,37 61,37 3766,2
4 208 34 117 154,95 166,4990 145 -28,21 28,21 795,8
5 113 35 90 152,83 166,0531 143 -53,01 53,01 2810,1
6 150 36 104 151,24 165,5699 139 -35,16 35,16 1236,4
7 113 37 145 151,03 165,0957 136 8,58 8,58 73,6
8 142 38 108 149,63 164,5913 136 -28,50 28,50 812,2
9 135 39 131 149,02 164,0834 134 -3,17 3,17 10,0
10 174 40 121 148,11 163,5623 133 -12,45 12,45 155,1
11 123 41 126 147,39 163,0347 132 -6,13 6,13 37,6
12 234 42 92 145,58 162,4654 131 -39,21 39,21 1537,6
13 240 43 127 144,97 161,8948 128 -1,13 1,13 1,3
14 98 44 117 144,06 161,3131 127 -10,48 10,48 109,9
15 177 45 88 142,23 160,6908 126 -38,23 38,23 1461,5
16 119 46 114 141,31 160,0586 123 -9,15 9,15 83,8
17 161 47 99 139,93 159,4021 122 -22,93 22,93 526,0
18 155 48 122 139,35 158,7479 120 2,19 2,19 4,8
19 84 49 96 137,93 158,0690 119 -23,29 23,29 542,5
20 47 50 84 136,17 157,3548 117 -33,12 33,12 1096,8
21 217 51 64 133,82 156,5871 114 -50,28 50,28 2528,0
22 104 52 117 133,27 155,8265 110 6,72 6,72 45,1
23 93 53 127 133,07 155,0841 110 17,04 17,04 290,5
24 208 54 92 131,73 154,3222 110 -18,31 18,31 335,1
25 113 55 80 130,04 153,5301 108 -28,37 28,37 804,8
26 150 56 105 129,22 152,7372 106 -0,76 0,76 0,6
27 113 57 121 128,95 151,9614 105 16,08 16,08 258,7
28 142 58 99 127,98 151,1791 105 -6,17 6,17 38,1
29 135 59 120 127,72 150,4138 104 16,01 16,01 256,2
30 174 60 50 125,18 149,5907 104 -54,26 54,26 2943,7
61 190 127,30 148,8635 100 90,05 90,05 8108,9
62 117 126,96 148,1490 105 12,00 12,00 143,9
63 99 126,05 147,4281 105 -6,06 6,06 36,7
64 128 126,11 146,7328 104 24,05 24,05 578,5
26 1238,61
alpha_2 MAD ECM
0,0326197

3. Los valores obtenidos de los indicadores MAD y ECM, son muy similares, aunque
los valores mínimos se obtuvieron con la técnica suavización exponencial doble,
como se observan el siguiente cuadro resumen:

57
 Promedio M óvil Suav. Exp. Simple Suav. Exp. D oble
M AD ECM M AD ECM M AD ECM

27 1292 26 1245,173 26 1238,61

4. Para este ítem particular, los resultados obtenidos indican que las tres técnicas
podrían ser utilizadas para pronosticar su demanda.

3.5.6 Evaluación múltiple de ítems clasificados como A y B en los tres

puntos de venta piloto.

Los resultados anteriores no dan claridad con respecto a la decisión que debe tomarse en
cuanto a qué modelo se habrá de seleccionar, ya que realmente no existen diferencias
significativas en los resultados, debido a que este ítem en particular no presenta variaciones
significativas de tendencia en la demanda. Entonces, para determinar con un mejor
argumento cuál debe ser la técnica que debe seleccionarse, se deben evaluar los otros ítems
de la muestra. Para hacer esta evaluación, se elabora una macro en Excel, la cual, es una
herramienta que permite realizar casi en forma continua el proceso de evaluación de los
modelos planteados para un gran número de ítems.

Algunos resultados obtenidos se muestran en la Tabla 9. En los primeros seis ítems de la

tabla los indicadores MAD y ECM tienen su valor mínimo en el modelo suavización
exponencial doble y en los demás sus valores mínimos están en las otras técnicas. Se puede
concluir de los resultados obtenidos que dada la estabilidad de la demanda en la mayoría de
ítems, las diferencias en los indicadores no serán muy grandes.

Por otro lado, obsérvese el coeficiente de variación para los ítems 9, 10 y 11, que está por
encima de 0.7, mostrando que estos ítems tiene alta variabilidad en su demanda, así que se
debe tener especial cuidado en su gestión. Nótese también, que en estos ítems hay entre sus
datos valores de cero, situación esta que invita a preguntarse si estos se deban a agotados y
cuya demanda no servida no fue reportada o que por el contrario, estos sean datos reales
(debe recordarse que aún no hay una verdadera cultura para la medición de la demanda no
servida). Sí los ceros se deben a la primera situación, es necesario hacer un énfasis especial
en la medición real de la demanda no servida y sí se deben a la segunda situación, es
posible que se puedan clasificar estos ítems como erráticos o ítems con alta variabilidad,
cuya propuesta de modelamiento y control se presentará más adelante.

Concluyendo a partir de los resultados obtenidos y la evaluación de las diferentes técnicas

aplicadas para el modelamiento de la demanda de los ítems clasificados como A y B en los
puntos de venta establecido como pilotos de la cadena de suministro, se puede decidir
seleccionar la técnica de suavización exponencial doble para elaborar pronósticos de
demanda, exceptuando aquellos ítems cuya demanda tenga un comportamiento considerado
errático.

58
 Tabla 9. Resumen de la evaluación de 12 ítems de la cadena con diferentes técnicas
Item 1 Item 2 Item 3 Item 4 Item 5 Item 6 Item 7 Item 8 Item 9 Item 10 Item 11 Item 12
217 123 265 49 13 39 11 8 10 6 2 108
104 234 203 77 13 44 16 4 9 8 8 144
93 240 212 95 6 118 13 5 3 12 21 188
208 98 220 94 25 64 23 12 5 6 1 139
113 177 170 50 7 45 5 5 3 6 12 86
150 119 167 73 10 25 7 8 3 3 2 127
113 161 145 92 8 18 2 4 0 1 2 39
142 155 192 45 5 0 19 2 0 0 0 0
135 84 162 10 0 0 20 0 0 0 0 0
174 47 179 39 0 0 18 0 0 0 0 0
123 217 143 27 0 29 9 0 2 1 2 52
234 104 171 80 11 30 6 2 2 0 1 58
240 93 184 72 18 47 17 7 3 1 4 62
98 208 173 55 8 44 21 2 1 2 2 168
177 113 152 62 19 22 9 10 3 4 8 76
119 150 161 81 7 40 26 4 12 1 6 185
161 113 241 65 5 50 6 5 3 5 6 172
155 142 222 64 13 18 15 5 5 2 3 103
84 135 158 70 15 39 10 5 2 6 4 132
47 174 202 68 9 53 7 14 4 3 1 65
217 104 213 59 15 56 14 7 0 2 8 143
104 233 195 98 12 19 6 10 4 1 0 80
93 203 164 88 5 51 3 8 4 4 2 104
208 117 203 10 12 41 2 7 2 4 7 152
113 90 183 50 3 30 12 7 3 3 3 64
150 104 198 59 9 52 14 3 1 2 8 164
113 145 145 83 8 44 19 3 2 6 2 115
142 108 168 30 3 51 12 11 4 1 2 73
135 131 193 90 6 59 1 4 4 2 0 113
174 121 155 73 15 45 10 5 0 1 1 150
104 126 217 35 5 53 21 7 5 4 11 16
233 92 175 80 4 37 12 6 3 4 6 97
203 127 147 79 8 56 13 3 4 1 18 43
117 117 167 88 7 29 1 11 7 3 3 35
90 88 161 58 3 54 15 2 4 1 3 49
104 114 145 71 9 38 16 4 4 6 3 115
145 99 181 85 9 29 7 4 2 2 5 47
108 122 159 79 3 51 13 5 2 6 6 78
131 96 174 63 0 33 3 9 1 2 2 25
121 84 156 57 4 27 2 10 2 1 1 29
126 64 167 50 19 65 14 2 3 5 2 36
92 117 151 71 5 43 11 8 6 3 0 21
127 127 168 112 7 48 19 2 5 1 3 108
117 92 174 53 5 44 10 4 3 7 5 17
88 80 120 85 6 47 6 1 2 2 9 132
114 105 159 43 6 47 9 3 5 5 3 43
99 121 155 47 5 36 13 12 4 5 0 40
122 99 166 48 3 79 13 5 6 4 8 127
96 120 179 73 7 62 10 4 2 7 6 17
84 50 209 23 13 31 8 6 0 0 0 96
64 190 172 116 3 89 1 1 6 6 8 138
117 117 159 67 2 38 1 0 7 3 4 64
127 99 151 39 6 40 4 5 5 7 2 56
92 128 141 81 25 60 17 2 3 5 5 122
Suma 7157 6817 9492 3511 444 2309 592 283 185 183 231 4613
Promedio 132,54 126,24 175,78 65,019 8,2222 42,759 10,963 5,2407 3,4259 3,3889 4,2778 85,426
Desv. Estándar 45,122 44,321 27,52 23,242 5,7876 20,227 6,3304 3,4088 2,5074 2,5359 4,2799 51,959
Coef. de variación 0,3404 0,3511 0,1566 0,3575 0,7039 0,473 0,5774 0,6505 0,7319 0,7483 1,0005 0,6082
MAD P.Móvil. 27,01 22,76 15,24 19,37 3,75 12,97 4,57 2,84 1,67 1,88 2,99 40,15
ECM P.Móvil. 1291,83 937,69 392,81 547,68 33,30 265,90 30,55 11,28 3,88 4,91 16,53 2117,29
MAD S.E.Simple 26,25 23,72 15,81 18,25 4,22 12,64 4,59 2,79 1,61 1,93 2,75 39,49
ECM S.E.Simple 1245,2 994,69 395,78 505,24 33,45 263,01 32,29 11,10 3,76 4,98 14,89 1962,09
α 0,186 0,210 0,294 0,010 0,050 0,108 0,081 0,040 0,029 0,062 0,010 0,174
MAD S.E.Doble 26,05 21,50 12,96 18,30 3,90 12,01 4,84 2,94 1,79 1,97 2,95 40,77
ECM S.E.Doble. 1238,6 870,18 320,76 504,16 31,96 240,96 31,44 11,97 4,51 5,70 18,43 2247,84
α 0,033 0,010 0,010 0,010 0,010 0,010 0,030 0,077 0,093 0,108 0,063 0,136

59
3.5.7 Modelo de pronósticos de ítems con clasificación C.

Los ítems clasificados como C, tal como se expresó en el capítulo número dos, deben
recibir un sistema de administración diferente por ser un número grande de ítems que
poseen una demanda muy baja o tienen un costo muy bajo o ambas cosas, de tal forma, que
realizar un exhaustivo control sobre estos ítems realmente no se justifica y por el contrario,
la organización podría estar utilizando recursos valiosos que debería utilizarlos en la
administración de los ítems clasificados como A. Se sugiere entonces, utilizar la técnica de
promedio móvil para su pronóstico y utilizar un período de pronóstico mensual. Los
resultados obtenidos en la sección 3.5.2 aplican para los ítems clasificados como C.

3.5.8 Modelo de Croston para el pronóstico de ítems con demanda errática.

Cuando la demanda de un ítem posee un comportamiento catalogado como errático (un

ítem es considerado con demanda errática cuando su desviación estándar estimada es mayor
que su promedio estimado σˆ > aˆ , ver patrones de ítems con comportamiento errático en el
anexo 5), el método de suavización exponencial puede no ser un modelo apropiado para
pronosticar su demanda, ya que al período siguiente después de ocurrir una demanda,
suavización exponencial trataría de pronosticar una similar a la demanda del período
anterior, por esto Croston10, sugiere el siguiente modelo:

χt = ytzt (3.35)

donde yt = 1 Si existe la transacción

0 Sí la transacción no ourre

y zt Es el tamaño de la transacción .

Si se define una cantidad n, como el número de períodos de tiempo entre transacciones y si

la demanda es independiente del tiempo, la ocurrencia o no ocurrencia de una transacción
en un período puede ser considerada como un proceso Bernoulli, con probabilidad de
ocurrencia 1/n.

Esto es: Prob(y = 1) = 1 (3.36)

n

Y Prob(y = 0) = 1 - 1 (3.37)
n

Con este marco y asumiendo que los tamaños de las transacciones son normalmente
distribuidos Croston sugiere el siguiente procedimiento:

10
CROSTON, J. D., Forecasting and stock control for intermittent demands. Operational Research Quarterly,
23(3), p 289-303. 1972

60
Si χ t = 0 (Demanda no ocurre)

1. El tamaño estimado de la transacción no se actualiza.

2. nˆt = nˆt -1 (3.38)

Si χ t = 1 (Transacción ocurre)
1. zˆt = αχ t + (1 − α)zˆt −1 (3.39)
2. nˆ t = αn t + (1 − α)nˆt-1 (3.40)

Donde nt = Número de períodos desde la última transacción

nˆ t = Valor estimado de n al final del período t
zˆt = Valor estimado del promedio del tamaño de la transacció n
al final del período t

Croston sostiene, que se pueden requerir reabastecimientos normales después de que ocurre
una transacción, el muestra que el pronóstico para ese período se puede expresar mediante
la siguiente ecuación:

ẑ t (3.41)
nˆ t

Valores de inicialización.

Como no está definido por el modelo cuales deben ser los valores iniciales de n̂t y ẑ t en el
tiempo en que se inicia la simulación, estos se pueden asumir como el promedio de datos
históricos anteriores. Los resultados obtenidos para un ítem con demanda errática se
muestran en la Tabla 10.

En la Figura 13, se puede observar el comportamiento errático del ítem y el pronóstico de la

demanda realizado con el modelo de Croston.

Aunque este modelo es considerado por muchos autores como el más apropiado para
pronosticar demandas de ítems con comportamiento errático, su implementación es una
decisión que se realizará posteriormente en la fase de control, una vez se establezcan otro
tipo de decisiones referentes a si tener o no el ítem en un punto de venta, si definitivamente
el ítem se comporta errático en el total cadena.

3.5.9 Pronóstico para ítems nuevos

Realizar un pronóstico de un ítem nuevo no es una tarea a la que se le pueda dar una
sustentación matemática que permita modelar el comportamiento de la demanda de un ítem

61
debido a la carencia de datos históricos de demanda. Por lo anterior, conjunto con el
profesor Carlos Julio Vidal se sugiere establecer el siguiente procedimiento:

Tabla 10. Pronóstico de demanda para ítem con comportamiento errático, simulado mediante el
modelo de Croston

Semana Datos_demanda n Yt Xt n Zt pronóstico Error Error absoluto ECM

Zt Nº períodos Operador
sin demanda lógico
1 0 0 0 0
2 6 1 1 6 0,00
3 0 2 0 0 0,00
4 0 3 0 0 0,00
5 0 4 0 0 0,00
6 0 5 0 0 0,00
7 1 1 1 1 5,00
8 9 1 1 9 1,00
9 5 1 1 5 1,00
10 1 1 1 1 1,00
11 4 1 1 4 1,00
12 0 2 0 0 0,00
13 0 3 0 0 0,00
14 0 4 0 0 0,00
15 10 1 1 10 4,00
16 2 1 1 2 1,00
17 5 1 1 5 1,00
18 2 1 1 2 1,00
19 16 1 1 16 1,00
20 0 2 0 0 0,00
21 0 3 0 0 0,89 6
22 17 1 1 17 0,89 6 6,2 -10,8021 10,8021 116,6862
23 0 2 0 0 0,92 6 6,5 6,4815 6,4815 42,0094
24 0 3 0 0 0,92 6 6,3 6,3088 6,3088 39,8012
25 0 4 0 0 0,92 6 6,3 6,3088 6,3088 39,8012
26 35 1 1 35 0,92 6 6,3 -28,6912 28,6912 823,1836
27 0 2 0 0 0,94 6 7,0 7,0126 7,0126 49,1759
28 34 1 1 34 0,94 7 6,8 -27,1655 27,1655 737,9622
29 0 2 0 0 0,97 7 7,5 7,4817 7,4817 55,9762
30 26 1 1 26 0,97 7 7,3 -18,6995 18,6995 349,6710
31 0 2 0 0 0,99 7 7,7 7,7347 7,7347 59,8252
32 0 3 0 0 0,99 7 7,6 7,5557 7,5557 57,0889
33 0 4 0 0 0,99 7 7,6 7,5557 7,5557 57,0889
34 0 5 0 0 0,99 7 7,6 7,5557 7,5557 57,0889
35 36 1 1 36 0,99 8 7,6 -28,4443 28,4443 809,0773
36 11 1 1 11 0,99 8 8,2 -2,8057 2,8057 7,8718
37 0 2 0 0 1,01 8 8,3 8,2571 8,2571 68,1802
38 0 3 0 0 1,01 8 8,1 8,0745 8,0745 65,1981
39 24 1 1 24 1,01 9 8,1 -15,9255 15,9255 253,6204
40 0 2 0 0 1,03 9 8,4 8,4210 8,4210 70,9130
41 0 3 0 0 1,03 9 8,2 8,2427 8,2427 67,9428
42 0 4 0 0 1,03 9 8,2 8,2427 8,2427 67,9428
43 19 1 1 19 1,03 9 8,2 -10,7573 10,7573 115,7186
44 0 2 0 0 1,06 9 8,5 8,4672 8,4672 71,6938
45 21 1 1 21 1,06 9 8,3 -12,7045 12,7045 161,4037
46 0 2 0 0 1,08 9 8,6 8,5526 8,5526 73,1463
47 0 3 0 0 1,08 9 8,4 8,3863 8,3863 70,3296
48 33 1 1 33 1,08 10 8,4 -24,6137 24,6137 605,8356
49 0 2 0 0 1,10 10 8,9 8,8797 8,8797 78,8494
50 12 1 1 12 1,10 10 8,7 -3,2860 3,2860 10,7975
Suma 329 Sumas 323 5084
Promedio 7 Promedio 11 175
Desviación 10,8403818 11,152215 175,3062
Coef de Variación 1,647474438 MAD ECM

1. Mediante algún método cualitativo se estima cual puede ser la demanda del ítem nuevo.
Este valor puede ser establecido de acuerdo a diversos criterios como los propuestos por
los proveedores o asignándole valores de ítems similares.
2. Se asigna al pronóstico del período siguiente el valor del promedio de la demanda.
Obviamente, el primer pronóstico será el valor de la demanda en el primer período.

62
 Figura 13. Pronóstico de la demanda de un ítem con comportamiento errático, mediante
el método de Croston.

P r o n ó s tic o d e íte m c o n d e m a n d a e r r á tic a

D a to s _ d e m a n d a p r o n ó s t ic o
40

35

30

25
Unidades

20

15

10

0
22 23 24 25 26 27 28 29 30 31 32 33 34 35 36 37 38 39 40 41 42 43 44 45 46 47 48 49 50

Sem anas

3. La desviación estándar estimada, se calcula como la raíz cuadrada del promedio de la

demanda (asumiendo una distribución Poisson), esto significa que se considerará el
ítem como de alta variabilidad.
4. Cuando el ítem tenga una historia de seis períodos, pronosticar la demanda mediante
promedio móvil con N = 6.
5. Finalmente, pasados 90 días (aproximadamente 12 semanas) en los que el ítem puede
haber estabilizado su demanda, se decide clasificarlo como A, B, ó C, de acuerdo al
procedimiento mencionado en el capitulo anterior o no, según criterio administrativo
(esto significa que los individuos de la organización que estén a cargo de realizar la
gestión de control, decidirán la “madurez “ alcanzada por el ítem, como para justificar
ser reclasificado); si se reclasifica el ítem entraría a ser controlado como A, B o C, hasta
que se realice una nueva reclasificación a toda la cadena.

Un ejemplo de este procedimiento se muestra en la tabla11 y se representa en la figura 14.

3.6 PRONÓSTICOS ACUMULADOS

Hasta ahora, se han descrito técnicas que pronostican la demanda para el período siguiente.
Pero es muy importante desde el concepto planeación de la gestión de inventarios,
establecer un modelo que permita pronosticar la demanda para un lapso de tiempo u
horizonte de planeación igual a τ períodos de tiempo futuro y poder establecer un
pronóstico acumulado de la demanda L períodos futuros en el tiempo. Esta información se
convierte en una valiosa herramienta que permitirá al personal de compras de la cadena
realizar acuerdos y negocios con los proveedores para el suministro adecuado de productos.

63
 Tabla 11. Cálculo de pronósticos de demanda de un ítem nuevo de la
cadena, utilizando sistema heurístico

Semana Demanda Pronóstico

1 2
2 3 2,0
3 4 2,5
4 0 3,0
5 9 2,3
6 4 3,6
7 4 3,7
8 5 4,0
9 9 4,3
10 9 5,2
11 3 6,7
12 6 5,7
13 8 6,0

Figura 14. Pronóstico de demanda para ítems nuevos mediante modelo

heurístico.

Pronóstico para ítems nuevos

Demanda Pronóstico
10
9
8
7
6
5
4
3
2
1
0
1 2 3 4 5 6 7 8 9 10 11 12 13 14

La generación de pronósticos acumulados se realizará tomando como base el modelo de

suavización exponencial doble, debido a que demostró ser más efectivo en aquellos ítems
cuya demanda presenta tendencias a lo largo de varios períodos y porque además es el
modelo indicado, ya que como se presentó con anterioridad su formulación tiene la
posibilidad de calcular pronósticos para τ período futuros adelante en el tiempo. Para
ejemplificar esta situación, se utilizarán los datos que han sido utilizados en el ejemplo

64
presentado a lo largo de este capítulo. Los valores de S0 y S0[2 ] , corresponden a la
información extraída de la última fila de la Tabla 8, con un valor de α óptimo de 0.03262.

3.6.1 Expresión general para el cálculo de pronósticos acumulados.

Montgomery, Johnson y Gardiner11, presentan un exhaustivo análisis de los pronósticos

acumulados a partir de series de tiempo. La siguiente es la notación utilizada:

Pronóstico : Xˆ
[
Varianza : Var Xˆ (T ) ]
Pronóstico para τ períodos futuros : Xˆ T + τ (T)
[
Varianza del pronóstico τ períodos futuros : Var Xˆ T + τ (T) ]
Varianza del pronóstico acumulado L Períodos L
[
: Var Xˆ L (T) ]
Pronóstico acumulado L Períodos : Xˆ L (T) = ∑ X T + τ (T)
τ =1
Donde τ, como se mencionó representa un número de periodos adelante del período actual
T y τ puede tomar valores desde 1 hasta L.

La expresión que representa el pronóstico acumulado es,

L
X L (T) = ∑ X T + τ (T) (3.42),
τ =1

de (3.26), (3.42), haciendo L igual a 12, 24, 36 y 48 períodos futuros y con los datos del
ejemplo se calcularon los pronósticos futuros; los resultados se muestran en la Tabla 12.

Los resultados que se obtuvieron en la Tabla 12 están relacionados con la suavización

exponencial doble y particularmente con el valor último del parámetro α encontrado, el
cual fue establecido de acuerdo a un criterio de optimalidad basado en el comportamiento
de la demanda real frente a la pronosticada; pero ¿cuál debe ser el criterio a tener en cuenta
cuando se va a calcular la demanda para el futuro sí a medida que se hace el pronóstico
para períodos futuros el valor del último dato real observado puede perder relevancia? (es
decir, el criterio de optimalidad no aplicaría), entonces la pregunta a contestar es: ¿Qué
importa más cuando se están haciendo pronósticos futuros, la tendencia o la última
demanda observada?

La respuesta a esta pregunta no es fácil, ya que se puede correr el riesgo de desconocer la

importancia que puede tener el último dato observado, pero, por el contrario, se puede caer
en el error de darle mucha importancia a un dato que muy posiblemente represente una
situación particular que no sea relevante. Por otro lado, como se sabe, valores altos del
parámetro α indican que el modelo establecido presenta cambios en la tendencia de la
demanda y debido a esto, se busca que el modelo reaccione rápidamente a los cambios.

11
MONTGOMERY, OP. Cit. Cap. 7, P 165.

65
Para el caso de los pronósticos futuros, puede ocurrir que si el parámetro α es alto y el
último dato de demanda real observado nos muestra un incremento o un decremento que no
corresponde a una verdadera tendencia en la demanda, hace que el pronóstico tenga una
desviación significativa y por lo tanto, es probable que se generen excesos de inventarios o
que ocurran agotados.

Tabla 12. Cálculo de pronósticos futuros y acumulados con los datos del ejemplo
para horizontes de 12, 24, 36 y 48 semanas
Operador Operador Pronóstico S.E Doble Señal de Rastreo Alpha_2
S.Doblet S.E. Doble Error Error Abs Error Cuad MAD(T) Err. suav. Q(T) Q(T)/MAD(T) 0,0326
126,11 146,73 103,95 24,05 24,05 578,49 25,71 6,07 0,24
Tao τ
1 2 3 4 5 6 7 8 9 10 11
Pronóstico
104,8 104,1 103,4 102,7 102,0 101,3 100,6 99,9 99,2 98,5 97,8
Tao τ
13 14 15 16 17 18 19 20 21 22 23
Pronóstico
96,5 95,8 95,1 94,4 93,7 93,0 92,3 91,6 90,9 90,2 89,5
Tao τ
25 26 27 28 29 30 31 32 33 34 35
Pronóstico
88,1 87,4 86,7 86,0 85,3 84,6 83,9 83,2 82,5 81,9 81,2
Tao τ
37 38 39 40 41 42 43 44 45 46 47
Pronóstico
79,8 79,1 78,4 77,7 77,0 76,3 75,6 74,9 74,2 73,5 72,8

Total Total Total Total Total

er do to
I trimestre 2 trimestre 3 trimestre 4 trimestre 48
1211,7 1111,5 1011,4 911,3 4245,9

Para analizar esta situación, se realiza el cálculo de pronósticos de demanda acumulados

con el ejemplo anterior variando el parámetro α a valores de 0,2, 0,25 y 0,30, para poder
observar lo que ocurre. Los resultados obtenidos se presentan en la tabla 13, donde se
puede observar para este caso que, a medida que el valor del parámetro α aumenta el
pronóstico acumulado aumenta. Finalmente, se hizo la suposición de que la demanda en el
último período hubiese bajado (bajo alguna situación externa no controlada y de carácter
temporal, como por ejemplo, una promoción*) y se cambió el último dato de demanda
observado por uno menor (128 se sustituyó por 76), corroborándose la situación planteada
con anterioridad; así pues, los resultados obtenidos al realizar este cambio se muestran en la
tabla 14.

De los resultados obtenidos en las tablas 13 y 14, se puede concluir, que tener valores altos
del parámetro α al momento de realizar los cálculos para pronosticar la demanda acumulada

*
Las ventas de productos en promoción usualmente son registradas bajo un código SKU diferente, de tal
manera que se afecta la demanda registrada del producto sin promoción y por esta razón se puede presentar
una disminución en su demanda.

66
puede no ser tan significativo. Sin embargo, cuando el último dato fue cambiado por 76, y
al parámetro α se le asignaron valores de 0.20, 0.25 y 0.30 , los resultados obtenidos en la
tabla 14 muestran que realizar pronósticos para demasiados períodos futuros con un valor
alto del parámetro α pueden llevar a errores tales como pronosticar demandas negativas,
(ver pronóstico del cuarto trimestre). Así pues, es preciso antes de tomar una decisión,
evaluar lo que realmente ocurriría cuando se establezcan los inventarios de seguridad, los
cuales serán determinados teniendo en cuenta la variabilidad de la demanda. Esto será
objeto de estudio en el próximo capítulo.

Tabla 13. Cálculo de pronósticos acumulados, utilizando diferentes valores para el

parámetro α, obsérvese las diferencias en los pronósticos acumulados

Total Total Total Total Total

er do er to
I trimestre 2 trimestre 3 trimestre 4 trimestre 48 semanas Alpha_2
1553,7671 1754,4365 1955,1059 2155,7753 7419,0849 0,20
1605,0937 1867,2394 2129,3852 2391,5309 7993,2492 0,25
1624,3219 1911,5067 2198,6914 2485,8762 8220,3962 0,30
Tabla 14. Cálculo de pronósticos acumulados, utilizando diferentes valores para el parámetro
α, los resultados se obtuvieron al realizar una simulación disminuyendo artificialmente el
último dato de demanda observado a 76.

Total Total Total Total Total

er do er to
I 2 3 4 48 Alpha_2
1166,8871 1068,0365 969,18591 870,3353 4074,4449 0,20
1078,5937 872,73945 666,88516 461,03087 3079,2492 0,25
941,04187 554,30666 167,57144 -219,1638 1443,7562 0,30

Finalmente, como una conclusión importante, se debe tener especial cuidado al realizar
pronósticos para períodos futuros, ya que estos son una excelente herramienta para planear
y realizar compras a medio plazo, pero, por su naturaleza, pueden conducir a decisiones
erróneas. Se sugiere entonces por parte de las personas encargadas del control, verificar
período a período los resultados que se estén dando, a fin de tomar decisiones que corrijan
cualquier variación significativa. Por lo tanto, es pertinente calcular el error del pronóstico
para períodos futuros.

3.6.2 Cálculo del error en los pronósticos acumulados.

Antes de presentar la expresión que representa el error en los pronósticos acumulados, es

preciso tener en cuenta que un pronóstico futuro pudo haber sido realizado en el período
actual o en períodos anteriores para τ períodos futuros de tiempo, en otras palabras, lo que
se quiere decir, es que un pronóstico que se haga por ejemplo para el mes de diciembre,

67
pudo haberse calculado en septiembre, octubre, o noviembre; así pues, en este sentido se
expresa el error del pronóstico futuro en los siguientes términos:

Error del pronóstico futuro eτ (T) = X T − Xˆ T (T − τ) (3.43),

donde,

XT, es la demanda real observada en el período T y

Xˆ T (T − τ) es el pronóstico realizado τ períodos atrás del tiempo T.

Ahora bien, el error del pronóstico acumulado para L-períodos futuros, computados en el
período T, corresponde al total de las demandas reales en los períodos T-L+1, T-L+2, T-
L+3,........, T, menos el pronóstico acumulado para estos períodos realizado en el tiempo T-
L, así, se puede presentar una expresión para el error del pronóstico acumulado para L
períodos como sigue:

Error del pronóstico. acum. para L períodos: E L (T) = X L (T − L) − Xˆ L (T − L)

L L
= ∑ xT − L+ τ − ∑ xˆT − L+ τ (T − L)
τ =1 τ =1
L
= ∑ eτ (T − L + τ) (3.44),
τ =1

esta expresión indica, que el error del pronóstico acumulado es la sumatoria de los errores
de los pronósticos presentados mediante la expresión (3.43) para τ períodos de tiempo
anteriores al tiempo T.

3.6.3 Varianza del error en los pronósticos futuros.

El error del pronóstico es el resultado de la diferencia de dos variables independientes, una

la demanda y otra el pronóstico realizado τ períodos antes, por lo tanto la varianza de los
errores de los pronósticos es igual a la suma de las varianzas de los procesos de demanda y
de los pronósticos, de tal forma que se puede expresar como sigue,

Var [eτ (T)] = Var(xτ ) + Var(xˆτ (T − τ)) (3.45).

El cálculo de las varianzas de la anterior expresión como se indicó al inicio de esta sección,
es presentado por Montgomery, Johnson y Gardiner12, a partir de modelos de series de
tiempo que se describen de la siguiente forma:

xt = b1 z1 (t) + b2 z 2 (t)........... + bk z k (k) + εt (3.46)

12
MONTGOMERY, Op cit. caps. 2, 5, 7.

68
donde, {bi } son los parámetros, {zi (t)} son las funciones matemáticas de t y εt es la
componente aleatoria. Los parámetros {bi } , se obtienen mediante el método de mínimos
cuadrados resolviendo el sistema de ecuaciones normales resultantes*.

Los resultados obtenidos por estos autores, muestran que la variabilidad del pronóstico en
un modelo de serie de tiempo es función de las varianzas y covarianzas como resultado de
usar estimadores para sus parámetros, la varianza y covarianza de sus estimadores se
presentan como sigue:

[ 2
]
Var (bˆi ) = E bˆi − E(bˆi ) ≡ Vii
{[ ][ ]}
Cov(bi , b j ) = E bˆi − E(bˆi ) bˆ j − E(bˆ j ) ≡ Vij

donde, E, representa el valor esperado del operador b.

En un modelo más particular como el de tendencia con origen de tiempo en el tiempo

actual, de la forma:

xT + τ (t) = aˆ1 (T) + aˆ 2 (T)τ (3.47)

y con α = 1− β , (3.48)

la varianza del pronóstico se define a partir de (3.44) y (3.45) como,

[ ]
Var X̂ T + τ (T ) = z′(τ )Vz(τ ) (3.49)
siendo,

z′ : Matriz inversa de z .

V : Matriz de varianzas-covarianzas con elementos Vij = Cov(aˆi , aˆ j )

*
El modelo lineal presentado en (3.53) se puede expresar en forma matricial, así, x = zb + ε , donde X, es
un vector columna nx1, Z es la matriz de variables regresoras nxp, b un vector columna de parámetros bi
desconocidos y ε es un vector columna nx1. Así,
x1 1 ∑z 11 ∑z 12 L ∑z 1k b1 ε1
x
x= 2 z=
1 ∑z 21 ∑z 22 L ∑z 2k b
b= 2
ε
ε= 2
M L L L L M M
xn 1 ∑ zn1 ∑ zn2 L ∑ znk bn εn

69
además,
α(1 + 4β + 5β 2 ) 2
Var ( aˆ1 ) = σε (3.50)
(1 + β)3
2α 2
Var ( aˆ 2 ) = σ2
3 ε
(3.51)
(1 + β)
α 2 (1 + 3 β) 2
Cov( aˆ i , aˆ j ) = σε (3.52)
(1 + β) 3

de (3.46) y con el vector z′( τ ) = [1, τ ] correspondiente al modelo lineal con tendencia,

Var [xˆT + τ (T)] = Var [aˆ1 (T )] + τ 2 Var [aˆ 2 (T )] + 2 τCov[aˆ1 (T), aˆ 2 (T)]

=
α
(1 + β)3
[ ]
(1 + 4β + 5β 2 ) + 2α(1 + 3β ) + 2α 2 τ 2 σ ε2 (3.53)

Finalmente, la varianza de los errores futuros expresada en términos del período T

Var [eτ (T + τ)] = σ ε2 + Var [xˆT + τ (T )] (3.54)

Los resultados obtenidos son de mucha importancia, porque permitirán realizar cálculos
de varianzas sin tener que guardar información histórica de demandas, errores y
pronósticos, que implican ocupar memoria computacional.

3.6.4 Varianza del error en los pronósticos acumulados.

Los resultados anteriores sirven como base para establecer la varianza de los errores de
pronósticos futuros. De igual forma, que en la varianza del error de los pronósticos futuros,
Montgomery, Johnson y Gardiner13, presentan los resultados de la varianza del error del
pronóstico acumulado en un modelo de serie de tiempo como sigue:

Var [E(T + L)] = Var [X L (T)] + Var Xˆ L (T) [ ]

[
= Lσ 2 + Var Xˆ L (T) ] (3.55)

Para establecer la varianza del pronóstico acumulado se presenta la siguiente notación:

L
Pronóstico acumulado L períodos Xˆ L (T) = ∑ xˆT + τ (T)
τ

13
MONTGOMERY, OP. cit. P. 179.

70
 L k
= ∑∑ bˆi (T )zi (T + τ)
τ =1 i =1
L
= ∑ b̂(T )z(T + τ) ,
τ =1
(3.56),

donde b̂ , es el vector de los estimadores de bi de los parámetros del modelo y z es la matriz

de variables independientes evaluadas en (T + τ ) así:

z(T + τ) = [z1 (T + τ), z 1 (T + τ), z 2 (T + τ), z 3 (T + τ),....... .z k (T + τ) ];

a partir de esta notación, se presenta la varianza de los pronósticos acumulados en función

de las varianzas de los estimadores de los parámetros bˆi (T) : { }
′
[ ]
 L   L
Var X L (T) =  ∑ z (T + τ)  V  ∑ z (T + τ) 
ˆ 
(3.57)
 τ =1   τ =1 

donde, ′ representa la matriz inversa, y V la matriz de varianza-covarianza con elementos

Vij = Cov(bˆi , bˆ j ) . Obsérvese que esta expresión conserva la estructura de la expresión
(3.49).

Para el modelo lineal con tendencia y origen el tiempo actual, la varianza del pronóstico
acumulado es:
′
[ L
] L 
Var X̂ L (T ) = ∑ z( τ ) V ∑ z( τ ) (3.58)
 τ =1   τ =1 

y Vij = Cov(aˆi , aˆ j ) .

En este punto, debe tenerse en cuenta que aunque el pronóstico acumulado es la suma de
los pronósticos de L períodos, la suma de las varianzas de los pronósticos de los períodos
no es la varianza del pronóstico acumulado, debido a la presencia de una correlación
existente porque los pronósticos han sido computados basados en los mismos parámetros
bˆ(T ) o â(T) , lo cual genera una correlación.

Para el caso particular de un modelo lineal con tendencia, se expresa el pronóstico

acumulado para L períodos así:
[ ] [ ]
L
Xˆ L (T) = ∑ bˆ1 (T) + bˆ2 (T)(T + τ)
τ =1

 L(L + 1)  ˆ
= Lbˆ1 (T ) +  LT + b2 (T ) (3.59),
 2 

71
la varianza del pronóstico acumulado:

2 2
 L(2T + L + 1)   L(2T + L + 1) 
VarXˆ L (T ) = L2 Var(bˆ1 ) +   Var(bˆ2 ) + 2L  ˆ ˆ
 Cov(b1 , b2 )
 2   2 
L2
= (4T 2 + 6TL + 3L2 − 1)σ ε2 , (3.60)
T(T 2 − 1)

y finalmente, para el modelo lineal con tendencia y origen en el tiempo corriente, el

pronóstico acumulado para L períodos así:

L
Xˆ L (T) = ∑ [aˆ1 (T)] + [aˆ2 (T)τ ]
τ =1
L(L + 1)
= Laˆ1 (T ) + aˆ 2 (T ) (3.61),
2

la varianza del pronóstico acumulado es:

2 2
 L(2T + L + 1)   L(2T + L + 1) 
VarXˆ L (T ) = L2 Var(bˆ1 ) +   Var(bˆ2 ) + 2L   Cov(bˆ1 , bˆ2 )
 2   2 
[ ]
2
αL
= 5(1 + 2β + β 2 ) + 4(1 − β 2 )L + α 2 L2 σ ε2 (3.62).
2(1 + β 2 )3

En el próximo capitulo se determinarán las cantidades a comprar utilizando la información

que nos brindan los pronósticos de la demanda con su variabilidad, el nivel del inventario
actual y la decisión administrativa que se tome.

3.7 DETERMINACIÓN DE ESTABILIDAD DE LOS MODELOS DE

PRONÓSTICOS

¿Cómo determinar en un sistema dinámico (cambiante), sí el modelo que se definió para

pronosticar la demanda de un ítem está funcionando apropiadamente? Es decir, ¿el error
que está generando el pronóstico no está dentro de unos límites de control aceptables? y
¿qué decisión deberá tomarse cuando ésta situación ocurre?

La respuesta a estos interrogantes se puede encontrar mediante un estudio del

comportamiento de la diferencia de la demanda con respecto a su valor esperado, conocido
como el error del pronóstico y el comportamiento de la desviación estándar de estos errores
a lo largo del tiempo; estos permitirán establecer un indicador que mostrará cuando el
pronóstico no está realizando un cálculo apropiado del comportamiento de la demanda. A
este indicador se le conoce como la señal de rastreo.

72
3.7.1 Análisis de los errores de los pronósticos

• Estimación del error

Análogamente a lo realizado con la demanda, en el caso en que esta no presenta
comportamiento con tendencia, se puede calcular el promedio de los errores pasados como:

T
e1 ( t ) Y(T )
ŶT = ∑ = (3.63),
t =1 T T
donde,

e1 ( t ) , corresponde a los datos históricos de los errores de los pronósticos un período

adelante, así, e1(1), e1(2), ........., e1(T), y

Y (T) = Suma de los errores de los pronósticos o error acumulado ,

y por supuesto, se puede expresar este pronóstico en función de los últimos N datos
históricos, para dar más importancia a los datos históricos más recientes, así:

T
1
Y (T ) = ∑ e (t) 1 (3.64),
N t = T −N+1

También se puede aplicar el concepto de suavización exponencial simple y determinar el

error como sigue:

Q(T) = we1 (T) + (1 − w )Q(T − 1) (3.65).

Q(T), se conoce con el nombre de error suavizado y la constante w, se semeja a la constante

α, de tal forma que un mayor valor de esta, le dará más peso a los últimos errores.

• Estimación de varianzas
La varianza del error del pronóstico se expresa mediante la siguiente ecuación:

Var [e 1 ( T ) ] ≡ σ e2
y
(3.66),
T
[e 1(T) − e 1(T) ]
2

σˆ e2 (T ) = ∑
t = T − N +1 N −1

73
donde, e1 , es el promedio de los últimos errores definidos como:

∑ e (t)
t = T −N+1
1

(3.67),
N
o, si se asume que el valor esperado del error E(e) ≡ 0 , entonces, se puede expresar en
función de los cuadrados de los errores así:

T 2

∑ [e (t)]1
σˆ (T) =
2
e
t = T −N+1
(3.68).
N
Sin embargo, estas formulaciones implican que cada vez que se vayan a utilizar se deban
actualizar, para lo cual es preciso tener almacenados datos históricos; por esta razón, es más
atractivo utilizar una expresión valida, basada en la desviación media absoluta MAD, que
expresa Montgomery, Johnson y Gardiner14, (véase también en Silver, Pyke y Peterson15) y
se muestra como sigue:

MAD = E [ e − E( e ) ]
2
1  e − v 
∞
−1
= 2 ∫ ( e − v)(2π) e2 ) 2 exp   de
v
2 σ
 e  (3.69).

2
= σ e ≈ 0.8σ e
π

como el valor de la MAD se puede estimar mediante la expresión (3.69), entonces se

obtiene un estimador de la desviación estándar del error σ e , como:

σˆ e (T) = 1 . 25 MAD (T) (3.70)

3.7.2 La señal de Rastreo

Los estadísticos que estiman la media y la varianza de los errores de los pronósticos se
pueden utilizar para monitorear y controlar periódicamente el proceso de pronosticar la
demanda bajo la siguiente hipótesis:
14
ibid., P. 208
15
Silver, OP. cit. apéndice B, P. 719-720

74
Al desarrollar pronósticos de demanda, se espera que estos sean insesgados, esto significa
que el valor esperado del error del pronóstico de la demanda sea cero.

Para comprobar esta hipótesis, se puede medir la desviación del estimador del pronóstico
del error en relación al la medida natural de la variabilidad de este estadístico con respecto
a su media; si esta desviación es significativamente grande, se puede descartar esta
hipótesis.

Una de las señales de rastreo más utilizada por su facilidad de administrar es la que mide la
relación existente entre el pronóstico suavizado del error Q(T) y la desviación media
absoluta MAD, la cual se calcula mediante la siguiente expresión:

Q(T )
>K (3.71)
MAD(T)

donde K, represente un número entre 0 y 1, para el que la relación Q(T)/MAD(T) no debe

exceder, es decir, cuando el cociente de esta relación se hace grande, por encima del K
seleccionado, se dice que existe la posibilidad de que el pronóstico de la demanda esté fuera
del control estadístico. El valor de K, según lo expresado por varios autores es un valor que
puede estar entre 0.2 y 0.6*. Los valores iniciales de MAD(T) y Q(T) se obtienen como
sigue:

Valor inicial de la MAD(T):

MAD(T) inicial = 0.8 C1 * σˆ ε ** (3.72),

donde,

C1 : se obtiene de la siguiente expresión 1 +

α
(1 + β)3
[
(1 + 4β + 5β 2 ) + 2α(1 + 3β ) + 2α 2 , ]
con β = (1 − α) y,

∑ (x
t =1
i − x̂ )2
σ̂ ε :
N− 2

*
Propuesta presentada por MONTGOMERY, OP. cit. P. 216
**
Los valores de C1 y σˆ ε , se demostrarán en el capítulo cuatro y al igual que todo este desarrollo que se
presenta aquí es tomado del libro de Montgomery, Op Cit. Cap 8.

75
con X i igual al valor observado de la demanda en el período i , X̂ i el valor estimado de la
demanda para el período i (obtenido mediante regresión lineal) y N corresponde al número
de datos históricos utilizados para el cálculo. El valor inicial de MAD(T) se muestra en la
Tabla 15; los datos históricos corresponden a la información del ejemplo utilizado para
evaluar los modelos promedio móvil y suavización exponencial simple y doble.

Tabla 15 Cálculo inicial de la desviación media absoluta estimada MAD(T) en el proceso de

cálculo de señal de rastreo.
S em . D em an d a
Item R eg tres ió n R es id u o
1 217 1 5 2 ,2 6 4 ,8
2 104 1 5 1 ,7 -4 7 ,7
3 93 1 5 1 ,1 -5 8 ,1
4 208 1 5 0 ,6 5 7 ,4
5 113 1 5 0 ,1 -3 7 ,1
6 150 1 4 9 ,6 0 ,4
7 113 1 4 9 ,0 -3 6 ,0
8 142 1 4 8 ,5 -6 ,5
9 135 1 4 8 ,0 -1 3 ,0
10 174 1 4 7 ,4 2 6 ,6

11 123 1 4 6 ,9 -2 3 ,9
12 234 1 4 6 ,4 8 7 ,6
13 240 1 4 5 ,9 9 4 ,1
14 98 1 4 5 ,3 -4 7 ,3
15 177 1 4 4 ,8 3 2 ,2
16 119 1 4 4 ,3 -2 5 ,3
17 161 1 4 3 ,7 1 7 ,3
18 155 1 4 3 ,2 1 1 ,8
19 84 1 4 2 ,7 -5 8 ,7
20 47 1 4 2 ,2 -9 5 ,2
21 217 1 4 1 ,6 7 5 ,4
22 104 1 4 1 ,1 -3 7 ,1
23 93 1 4 0 ,6 -4 7 ,6
24 208 1 4 0 ,0 6 8 ,0
25 113 1 3 9 ,5 -2 6 ,5
26 150 1 3 9 ,0 1 1 ,0
27 113 1 3 8 ,5 -2 5 ,5
28 142 1 3 7 ,9 4 ,1
29 135 1 3 7 ,4 -2 ,4

30 174 1 3 6 ,9 3 7 ,1 M AD (T )
31 104 1 3 6 ,3 -3 2 ,3 3 9 ,7 0 5 0

El valor inicial de Q(T) es cero, por considerarse que E(et ) es igual a 0 al considerarse éste
un estadístico insesgado.

La Tabla 16 muestra los resultados obtenidos de la señal de rastreo para el ítem del
ejercicio anterior.

Obsérvese en los registros correspondientes a los períodos 46 al 56, el valor de la señal de

rastreo que toma valores que oscilan entre 0.5481 y 0.8272; estos indican, una evidencia de
que el pronóstico estimado de la demanda no es adecuado, en otras palabras, la señal de
rastreo está tomando valores por encima de un K igual a 0.5.

76
 Tabla 16. Cálculo de señal de Rastreo para un ítem de la cadena

Sem. Demanda Pronóstico S.E Doble Señal de Rastreo

Item S.E. Doble Error Error Abs Error Cuad MAD(T) Err. suav. Q(T) Q(T)/MAD(T)
29 135 w 0,15
30 174 Constante 1,04200
31 104 39,7050 0
32 233 136 97,18 97,18 9444,1 48,3264 14,57715 0,3016398
33 203 142 61,37 61,37 3766,2 50,2828 21,59595 0,4294900
34 117 145 -28,21 28,21 795,8 46,9718 14,12508 0,3007139
35 90 143 -53,01 53,01 2810,1 47,8776 4,05482 0,0846915
36 104 139 -35,16 35,16 1236,4 45,9703 -1,82773 0,0397590
37 145 136 8,58 8,58 73,6 40,3614 -0,26693 0,0066135
38 108 136 -28,50 28,50 812,2 38,5820 -4,50169 0,1166787
39 131 134 -3,17 3,17 10,0 33,2695 -4,30124 0,1292849
40 121 133 -12,45 12,45 155,1 30,1472 -5,52420 0,1832410
41 126 132 -6,13 6,13 37,6 26,5452 -5,61567 0,2115512
42 92 131 -39,21 39,21 1537,6 28,4453 -10,65523 0,3745861
43 127 128 -1,13 1,13 1,3 24,3476 -9,22598 0,3789280
44 117 127 -10,48 10,48 109,9 22,2680 -9,41469 0,4227891
45 88 126 -38,23 38,23 1461,5 24,6623 -13,73691 0,5570012
46 114 123 -9,15 9,15 83,8 22,3360 -13,04944 0,5842337
47 99 122 -22,93 22,93 526,0 22,4257 -14,53215 0,6480127
48 122 120 2,19 2,19 4,8 19,3910 -12,02321 0,6200412
49 96 119 -23,29 23,29 542,5 19,9762 -13,71360 0,6864967
50 84 117 -33,12 33,12 1096,8 21,9476 -16,62437 0,7574578
51 64 114 -50,28 50,28 2528,0 26,1973 -21,67258 0,8272825
52 117 110 6,72 6,72 45,1 23,2750 -17,41440 0,7482017
53 127 110 17,04 17,04 290,5 22,3405 -12,24551 0,5481307
54 92 110 -18,31 18,31 335,1 21,7354 -13,15466 0,6052185
55 80 108 -28,37 28,37 804,8 22,7306 -15,43694 0,6791270
56 105 106 -0,76 0,76 0,6 19,4345 -13,23496 0,6810020
57 121 105 16,08 16,08 258,7 18,9320 -8,83706 0,4667784
58 99 105 -6,17 6,17 38,1 17,0180 -8,43731 0,4957865
59 120 104 16,01 16,01 256,2 16,8663 -4,77075 0,2828574
60 50 104 -54,26 54,26 2943,7 22,4747 -12,19346 0,5425427
61 190 100 90,05 90,05 8108,9 32,6109 3,14297 0,0963779
62 117 105 12,00 12,00 143,9 29,5189 4,47117 0,1514682
63 99 105 -6,06 6,06 36,7 25,9997 2,89183 0,1112253
64 128 104 24,05 24,05 578,5 25,7076 6,06583 0,2359553
26 1238,61
alpha_2 MAD ECM
0,0326197
Beta
0,9673803

Observando la Figura 15, se puede comprender mejor lo que está ocurriendo; en la parte
sombreada, se muestra claramente que el pronóstico se encuentra durante varios períodos
por encima de la demanda real; lo cual, pudo haber ocurrido debido a un notable descenso
en la demanda con respecto a datos históricos anteriores y el modelo de suavización

77
exponencial doble “no reaccionó” lo suficientemente rápido para seguir el nuevo
comportamiento de la demanda (recuérdese que el alfa óptimo solo tiene un valor de
0.03262 que no le da un peso grande al último dato observado). También, se puede
observar que después de varios períodos el modelo se estabiliza nuevamente y el pronóstico
vuelve a ubicarse entre los datos de la demanda.

Finalmente, es necesario decir que para este análisis, la decisión a tomar a continuación es
únicamente administrativa y que solo un conocimiento más profundo del sistema, permitirá
al administrador de éste tomar la decisión que considere pertinente. Algunas de las
decisiones administrativas a tomar pueden ser las siguientes las cuales serán objeto de
estudio en el capitulo 5.

1. Permitir que el modelo se estabilice solo.

2. Transcurridas dos o más señales de rastreo por encima de K recalcular α.

Figura 15. Pronóstico sesgado. Observar zona en gris, donde el pronóstico está por encima de
la demanda real. La señal de rastreo para esta zona esta con valores superiores a 0.6.

P r o n ó stic o d e d e m a n d a - m o d e lo s u a v iz a c io n e x p . d o b le
dem anda S u a v. e xp . d o b le L . te n d e n c ia d e m a n d a

250

200
Unidades

150

100

50

0
1 3 5 7 9 11 13 15 17 19 21 23 25 27 29 31 33

Se m a na s

Los procedimientos aplicados hasta ahora fueron replicados a todos los ítems de la cadena
en todas sus localidades.

78