Los pronsticos son vitales para toda organizacin, as como para cualquier decisin

importante de la gerencia, ya que son la base de la planificacin a largo plazo. En las

reas funcionales de finanzas y contabilidad, los pronsticos proporcionan el
fundamento para la planificacin de presupuestos y el control de costos. El marketing
depende del pronstico para disear productos nuevos y compensar al personal de
ventas. El personal de operaciones utiliza los pronsticos para tomar decisiones
peridicas que comprenden la seleccin de procesos, la planificacin de las
capacidades y la distribucin de las instalaciones, un pronstico certero origina una
eficiente planificacin de la produccin, la programacin y el inventario.
En la actualidad hay muchas variables que no se pueden pronosticar con exactitud. Por
lo tanto, en lugar de buscar el pronstico perfecto, es mucho ms importante establecer
la prctica de una revisin continua de las estimaciones y aprender a aceptar la
variabilidad. Una buena estrategia consiste en utilizar dos o tres mtodos y verlos
desde el punto de vista del sentido comn. Los cambios esperados en la economa
van a afectar el pronstico?, Habr cambios en el comportamiento del consumidor?
Habr una escasez de artculos complementarios esenciales? La revisin y la
actualizacin continuas tomando en cuenta la informacin nueva son bsicas para un
pronstico exitoso.
Por otro lado, Carranza (2006, p.28) opina que los pronsticos son indicadores de las
realidades econmico-empresariales (bsicamente la situacin de la industria en el
mercado y la participacin de la empresa en ese mercado). El pronstico determina qu
puede venderse con base en la realidad, y el plan de ventas permite que esa realidad
hipottica se materialice, guiando al resto de los planes operativos de la empresa. El
objetivo principal de los pronsticos se transforma entonces en el de convertirse en la
entrada para el resto de los planes operativos. Se puede afirmar entonces que, el
pronstico es la proyeccin en el futuro de la demanda esperada dado un conjunto de
restricciones ambientales.
En este mismo orden de ideas, el pronstico de la demanda se refiere a los diversos
aspectos de informacin que abarca este, es decir, la demanda no acotada del
mercado, la mezcla de productos, las rdenes de los clientes, los embarques y la

produccin. Existe un principio general: el de tener un responsable principal de la

funcin, pero tambin una fuerte orientacin hacia el trabajo en equipo, que procura
reunir la mayor cantidad posible de informacin para consolidar los pronsticos, a partir
de la inteligencia de mercado que aportan los diversos agentes.
Es importante resaltar que se emplean dos niveles de principios para reducir la
incertidumbre. Los pronsticos cualitativos incorporan importantes factores, tales como
las emociones, experiencias personales y sistemas de valores para realizar el
pronstico. Se ejemplifican a travs de cuatro tcnicas diferentes: Heizer y Render
(1998, p.164)
Jurado de opinin ejecutiva
Bajo mtodo, las opiniones de unos directivos de alto nivel, a menudo en combinacin
con modelos estadsticos, son agrupadas para llegar a una estimacin conjunta de la
demanda.
Composicin de la fuerza de ventas
En este enfoque, cada vendedor estima las ventas que habr en su zona. Estos
pronsticos son revisados para comprobar la realidad y posteriormente combinarlas a
nivel regional y nacional para alcanzar una previsin global.
Mtodo Delphi
Existen tres tipos diferentes de participantes: los que toman decisiones (un grupo de 5 a
10 expertos), el personal del staff (preparando, distribuyendo, coleccionando y
resumiendo una serie de cuestionarios y resultados de estudios). Los que responden
son un grupo de personas, a menudo ubicadas en diferentes lugares, cuyas opiniones
son apreciadas. Segn Matalobos (2007, p.48), este mtodo puede ser adaptado para
obtener consenso como una poltica de criticidad de materiales. Las opiniones
resultantes reflejaran las inquietudes en cada rea (materiales, mantenimiento, compras
y seguridad).

Estudio de Mercado
Este mtodo requiere inputs provenientes de los consumidores o clientes potenciales
en lo referente a sus futuros planes de compra, es til para prever las necesidades de
los clientes con respecto al diseo del producto.
En contraste, los pronsticos cuantitativos son los que emplean uno o ms modelos
matemticos que se apoyan en datos histricos o en variables causales para
pronosticar la demanda. Existen dos modelos:
Modelos de Series de Tiempo
Los modelos de series de tiempo predicen bajo la suposicin de que el futuro es una
funcin del pasado. Los datos de series de tiempo para pronsticos implican que los
valores futuros se predicen solamente a partir de los valores pasados, y que se puedan
ignorar otras variables, sin importar que tan potencialmente valiosas sean. Una serie de
tiempo se basa en una secuencia de datos puntuales separados a intervalos iguales
(semanas, meses, trimestres). Heizer y Render (2004, p.106)
Descomposicin de una serie temporal
Puede definirse una serie temporal como datos ordenados en forma cronolgica que
pueden contener uno o ms componentes de la demanda: tendencia, estacional,
cclico, autocorrelacin o aleatorio. La descomposicin de una serie temporal significa
identificar y separar los datos de la serie temporal en estos componentes. En la
prctica, es relativamente fcil identificar la tendencia (incluso sin un anlisis
matemtico, casi siempre es sencillo trazar y ver la direccin del movimiento) y el
componente estacional (comparando el mismo periodo ao tras ao). Es mucho ms
difcil identificar los componentes de los ciclos (pueden durar varios meses o aos), la
autocorrelacin y el aleatorio. (Por lo regular, el encargado de realizar el pronstico
considera aleatorio cualquier elemento que sobre y que no sea posible identificar como
otro componente.) Cuando la demanda contiene efectos estacionales y de tendencia al
mismo tiempo, la pregunta es cmo se relacionan entre s. En esta descripcin, se

analizan dos tipos de variacin estacional: aditiva y multiplicativa.

Promedio mvil
Cuando la demanda de un producto no crece ni baja con rapidez, y si no tiene
caractersticas estacionales, un promedio mvil puede ser til para eliminar las
fluctuaciones aleatorias del pronstico. Aunque los promedios de movimientos casi
siempre son centrados, es ms conveniente utilizar datos pasados para predecir el
periodo siguiente de manera directa. Para ilustrar, un promedio centrado de cinco
meses de enero, febrero, marzo, abril y mayo da un promedio centrado en marzo. Sin
embargo, los cinco meses de datos deben existir.
Si el objetivo es pronosticar para junio, se debe proyectar el promedio de movimientos
de marzo a junio. Si el promedio no est centrado sino que se encuentra en un extremo,
se puede pronosticar con mayor facilidad, aunque quiz se pierda cierta precisin. Por
lo tanto, si se quiere pronosticar para junio con un promedio mvil de cinco meses,
puede tomarse el promedio de enero, febrero, marzo, abril y mayo. Cuando pase junio,
el pronstico para julio ser el promedio de febrero, marzo, abril, mayo y junio.
Promedio mvil ponderado:
Mientras que el promedio mvil simple da igual importancia a cada uno de los
componentes de la base de datos del promedio mvil, un promedio mvil ponderado
permite asignar cualquier importancia a cada elemento, siempre y cuando la suma de
todas las ponderaciones sea igual a uno. Por ejemplo, tal vez una tienda departamental
se d cuenta de que en un periodo de cuatro meses, el mejor pronstico se deriva
utilizando 40% de las ventas reales durante el mes ms reciente, 30% de dos meses
antes, 20% de tres meses antes y 10% de hace cuatro meses.
La experiencia y las pruebas son las formas ms sencillas de elegir las ponderaciones.
Por regla general, el pasado ms reciente es el indicador ms importante de lo que se
espera en el futuro y, por lo tanto, debe tener una ponderacin ms alta. Los ingresos o
la capacidad de la planta del mes pasado, por ejemplo, seran un mejor estimado para

el mes prximo que los ingresos o la capacidad de la planta de hace varios meses. No
obstante, si los datos son estacionales, por ejemplo, las ponderaciones se deben
establecer en forma correspondiente. Las ventas de trajes de bao en julio del ao
pasado deben tener una ponderacin ms alta que las ventas de trajes de bao en
diciembre (en el hemisferio norte).
Alisado exponencial

Es

uno de los sofisticados mtodos de previsin a travs de medias mviles

ponderadas. Necesita un pequeo nmero de datos histricos. En los mtodos de

pronsticos anteriores (promedios mviles simple y ponderado), la principal desventaja
es la necesidad de manejar en forma continua gran cantidad de datos histricos (esto
tambin sucede con las tcnicas de anlisis de regresin, que se estudiarn en breve).

En estos mtodos, al agregar cada nueva pieza de datos, se elimina la observacin

anterior y se calcula el nuevo pronstico. En muchas aplicaciones (quizs en la mayor
parte), las ocurrencias ms recientes son ms indicativas del futuro que aquellas en el
pasado ms distante. Si esta premisa es vlida (que la importancia de los datos
disminuye conforme el pasado se vuelve ms distante), es probable que el mtodo ms
lgico y fcil sea la suavizacin exponencial.

Las tcnicas de suavizacin exponencial se han aceptado en forma generalizada por

seis razones principales:
1. Los modelos exponenciales son sorprendentemente precisos.
2. Formular un modelo exponencial es relativamente fcil.
3. El usuario puede entender cmo funciona el modelo.
4. Se requieren muy pocos clculos para utilizar el modelo.
5. Los requerimientos de almacenamiento en la computadora son bajos debido al
uso limitado de datos histricos.
6. Es fcil calcular las pruebas de precisin relacionadas con el desempeo del
modelo.

Modelos Asociativos
Los modelos asociativos (o causales), como regresin lineal, incorporan las variables o
factores que pueden influir en la cantidad por pronosticar. Una vez que se encuentran
estas variables relacionadas, se construye un modelo estadstico que se usa para
pronosticar el elemento de inters. Este enfoque es ms poderoso que los mtodos de
series de tiempo que incluyen solo variables histricas para la variable que se
pronostica. Heizer y Render (2004, p.106)
Anlisis de regresin lineal
Puede definirse la regresin como una relacin funcional entre dos o ms variables
correlacionadas. Se utiliza para pronosticar una variable con base en la otra. Por lo
general, la relacin se desarrolla a partir de datos observados. Primero es necesario
graficar los datos para ver si aparecen lineales o si por lo menos partes de los datos
son lineales. La regresin lineal se refiere a la clase de regresin especial en la que la
relacin entre las variables forma una recta. La recta de la regresin lineal tiene la
forma Y = a + bX, donde Y es el valor de la variable dependiente que se despeja, a es la
secante en Y, b es la pendiente y X es la variable independiente (en el anlisis de serie
de tiempo, las X son las unidades de tiempo). La regresin lineal es til para el
pronstico a largo plazo de eventos importantes, as como la planeacin agregada. Por
ejemplo, la regresin lineal sera muy til para pronosticar las demandas de familias de
productos. Aun cuando la demanda de productos individuales dentro de una familia
puede variar en gran medida durante un periodo, la demanda de toda la familia de
productos es sorprendentemente suavizada.
La principal restriccin al utilizar el pronstico de regresin lineal es, como su nombre lo
implica, que se supone que los datos pasados y los pronsticos futuros caen sobre una
recta. Aunque esto no limita su aplicacin, en ocasiones, si se utiliza un periodo ms
corto, es posible usar el anlisis de regresin lineal. Por ejemplo, puede haber
segmentos ms cortos del periodo ms largo que sean aproximadamente lineales. La
regresin lineal se utiliza tanto para pronsticos de series de tiempo como para
pronsticos de relaciones causales. Cuando la variable dependiente (que casi siempre

es el eje vertical en una grfica) cambia como resultado del tiempo (trazado como el eje
horizontal), se trata de un anlisis de serie temporal. Si una variable cambia debido al
cambio en otra, se trata de una relacin causal (como el nmero de muertes debidas al
aumento de cncer pulmonar entre la gente que fuma).
Los 8 pasos de un sistema de pronstico
1. Determinar la utilidad del pronstico (Qu objetivo perseguimos?)
2. Seleccionar los artculos de los que se va a realizar el pronstico
3. Determinar el horizonte temporal de los pronsticos (corto, medio, largo plazo)
4. Seleccionar el (los) modelo(s) de pronostico
5. Recogida de los datos necesarios para realizar el pronostico
6. Validar el modelo de previsin
7. Realizar la previsin
8. Implementar los resultados
Estos pasos presentan de una forma sistemtica el inicio, diseo e implementacin de
un sistema de pronsticos. Cuando sistema se va a utilizar para generar pronsticos
con regularidad a lo largo del tiempo, los datos deben recogerse de forma habitual.
La planificacin y el control de las actividades logsticas requieren estimaciones
precisas del volumen de producto que va a manejar el sistema logstico. Normalmente,
estas estimaciones toman la forma de previsiones y predicciones.
No obstante, no es frecuente que el personal logstico se responsabilice de dichas
previsiones generales sobre la empresa, tarea que suele asignarse al rea de ventas,
planificacin econmica o a algn grupo especial. Sin embargo, bajo ciertas
circunstancias, especialmente en planificaciones a corto plazo, como el control de
inventarios o la planificacin del transporte, los responsables logsticos pueden
encontrarse en la necesidad de tener que generar esta informacin.
La previsin de la demanda es una de las actividades generales de mayor importancia
para cualquier empresa, ya que proporciona los datos bsicos de entrada para la

planificacin y el control de todas las reas funcionales, incluidas la logstica, la

comercializacin, la produccin y las finanzas.
Demanda temporal vs. Demanda espacial
Uno de los factores que deben considerar los estudios de previsin en relacin con la
variacin de los niveles de demanda es el tiempo. Estas variaciones, conocidas como
ruido, son el resultado del alza o la baja de los precios de venta, de los hbitos
estacionales de la demanda y de fluctuaciones generales provocadas por mltiples
factores. La mayora de los mtodos de previsin a corto plazo tratan estos tipos de
variaciones temporales. No obstante, la logstica considera en su trabajo tanto el factor
de tiempo como el factor de espacio. Por ello y en relacin con la demanda, el logstico
no solo debe saber cundo se va a producir, sino que tambin debe conocer dnde.
Demanda regular vs. Demanda irregular
Es frecuente que los responsables logsticos clasifiquen los productos en varios grupos,
de modo que puedan diferenciar los niveles de servicio de cada uno de ellos, o
simplemente para darles tratamientos distintos. Cada uno de estos grupos, as como
cada elemento de los mismos, dan lugar a diferentes modelos de demanda a lo largo
del tiempo. Cuando la demanda es (regular), normalmente podr representarse
mediante alguno de los modelos generales; estas representaciones nos muestran que
generalmente va a ser posible descomponer un modelo de demanda en componentes
aleatorios, estacionales y de tendencia.
Cuando la demanda de artculos es intermitente, producto de un bajo volumen global y
de un alto grado de incertidumbre al determinar cundo y que nivel de demanda se va a
producir, se dice que es irregular o con (altibajos).
Demanda independiente vs. Demanda dependiente.
La naturaleza de la demanda puede variar dependiendo de cul sea el rea de
operaciones de la empresa para la que realiza la planificacin el logstico. Los

procedimientos estadsticos de previsin consiguen buenos resultados siempre que la

demanda se origine en varios puntos y que cada uno de ellos sea una pequea fraccin
de la demanda total, independiente de la de los dems y con una frecuencia de la
misma aleatoria. La mayor parte de los modelos de previsin a corto plazo se basan en
estas

condiciones

de

demanda

aleatoria

independiente.

Por

contra,

los

comportamientos de una demanda dependiente no pueden ser previstos con gran

precisin por estos modelos, ya que muchos de ellos tienden a ser irregulares y no
aleatorios.
Una empresa no puede hacer mucho respecto de la demanda dependiente. Es preciso
cubrirla (aunque el producto o servicio se pueda comprar en lugar de producirlo en
forma interna). Pero s hay mucho que una empresa puede hacer en cuanto a la
demanda independiente, si as lo desea. La compaa puede:
-

Adoptar un papel activo para influir en la demanda: La empresa puede presionar

a su fuerza de ventas, ofrecer incentivos tanto a los clientes como a su personal,
crear campaas para vender sus productos y bajar precios. Estas acciones
pueden incrementar la demanda. Por el contrario, es posible disminuir la
demanda mediante aumentos de precios o la reduccin de los esfuerzos de
ventas.

Adoptar un papel pasivo y simplemente responder a la demanda.2.

Existen

varias razones por las que una empresa no trata de cambiar la demanda sino
que la acepta tal como llega. Si una compaa funciona a toda su capacidad, tal
vez no quiera hacer nada en cuanto a la demanda. Otras razones pueden ser
que la compaa no tenga el poder de cambiar la demanda debido al gasto en
publicidad; es probable que el mercado sea fi jo y esttico; o que la demanda
est fuera de su control (como en el caso de un proveedor nico). Existen otras
razones competitivas, legales, ambientales, ticas y morales por las que la
demanda del mercado se acepta de manera pasiva. (Chase, Jacobs, y Aquilano,
2005)

Es necesaria mucha coordinacin para manejar estas demandas dependientes,

independientes, activas y pasivas. Las demandas se originan tanto interna como
externamente en forma de ventas de pro- ductos nuevos por parte de marketing, piezas
de reparacin para productos vendidos con anterioridad, reabastecimiento de los
almacenes de la fbrica y suministro de artculos para manufactura. En este captulo, el
principal inters se centra en el pronstico relacionado con los productos
independientes.
Componentes de la demanda
En la mayor parte de los casos, la demanda de productos o servicios se puede dividir
en seis componentes: demanda promedio para el periodo, una tendencia, elementos
estacionales, elementos cclicos, variacin aleatoria y autocorrelacin. Los factores
crticos son ms difciles de determinar porque quiz el tiempo se desconoce o no se
toma en cuenta la causa del ciclo. La influencia cclica sobre la demanda puede
provenir de eventos tales como elecciones polticas, guerras, condiciones econmicas o
presiones sociolgicas. Las variaciones aleatorias son provocadas por los eventos
fortuitos. Estadsticamente, al restar todas las causas conocidas de la demanda
(promedio, tendencias, estacionales, cclicas y de autocorrelacin) de la demanda total,
lo que queda es la parte sin explicar de la demanda. Si no se puede identificar la causa
de este resto, se supone que es aleatoria. La autocorrelacin indica la persistencia de la
ocurrencia. De manera ms especfica, el valor esperado en un momento dado tiene
una correlacin muy alta con sus propios valores anteriores. En la teora de la lnea de
espera, la longitud de una lnea de espera tiene una autocorrelacin muy elevada. Es
decir, si una lnea es relativamente larga en un momento determinado, poco despus de
ese tiempo, podra esperarse que la lnea siguiera siendo larga. Cuando la demanda es
aleatoria, es probable que vare en gran medida de una semana a otra. Donde existe
una correlacin alta, no se espera que la demanda cambie mucho de una semana a
otra. Las lneas de tendencia casi siempre son el punto de inicio al desarrollar un
pronstico. Entonces, estas lneas de tendencia se ajustan de acuerdo con los efectos
estacionales, los elementos cclicos y cualquier otro evento esperado que puede infl uir
en el pronstico final. La ilustracin 15.3 muestra cuatro de los tipos de tendencias ms
comunes.

La influencia del ciclo de vida del producto

Otro factor a considerar cuando se desarrollan pronsticos especialmente a largo plazo,
es el ciclo de vida del producto, ya que los mismos no se venden al mismo ritmo a lo
largo de su vida. Los productos situados en las dos primeras etapas de su vida
(introduccin y crecimiento), necesitan previsiones a largo plazo a diferencia de los que
se encuentran en madurez y declive. Los pronsticos son tiles para proyectar los
diferentes niveles de personal, inventarios y de capacidad de produccin requeridos,
mientras el producto pasa de la primera a la ltima etapa.
Las empresas de clase mundial, ven el pronstico como una parte integral de la
planificacin, para conseguir una ventaja competitiva, firmas de carcter internacional
desarrollan excelentes pronsticos sobre la capacidad de produccin, materiales a
comprar, niveles de stock, tamao de la mano de obra, y liquidez. Es posible contratar
analistas externos especializados en el uso de la tecnologa en el caso de COMPAQ.
Como las caractersticas de un producto afectan la calidad del pronstico:
ECONOMA DE ESCALA BAJA
Se
experimenta
un tiempo de
respuesta
largo

No es esencial una prediccin

precisa, detallada, porque la empresa
tiene flexibilidad en la produccin.
Por ejemplo, la personalizacin del
producto final puede aplazarse para
que solo sea necesario predecir las
unidades bsicas y la personalizacin
final ocurra ms cerca del momento
de la demanda.
Se
Cuando es posible obtener un
experimenta
producto rpidamente, y existen
un tiempo de economas de escalas limitadas, la
respuesta
atencin debe cambiar de la
corto
prediccin al diseo de un proceso
reactivo y flexible.
Bowersox, Closs, Cooper. 2007

ECONOMA DE ESCALA
ALTA
En este caso es fundamental
un pronstico preciso, porque
es necesario predecir, un
periodo extenso en el futuro
para permitir economas en la
produccin o en el transporte.

La atencin se centra en
desarrollar una produccin
precisa a corto plazo con una
intensa consideracin de las
tcticas de mercadotecnia y
competitivas
y
una
consideracin menos enftica
del historial.

La tabla anterior ilustra como el tiempo de respuesta para el reabastecimiento y la

economa de escala afectan la necesidad de una previsin. Un pronstico adecuado
debe ser un elemento importante en situaciones donde hay tiempos prolongados de
desarrollo del reabastecimiento y economa de escala alta. Por otra parte las
predicciones precisas no son esenciales cuando hay tiempos de preparacin breves o
economas de escala baja.
CPFR (colaboracin, planeacin, pronstico y reabastecimiento)
El CPFR (colaborating, planning, forecasting and replenishment) es el proceso para
comunicar, cooperar y coordinar a los socios de negocios acerca de los cambios a lo
largo de la cadena de suministro. Este proceso depende de infraestructura tecnolgica,
sin embargo es importante enfatizar que no slo depende de est, sino tambin de una
alta integracin interna (cadena de suministro- mercadotecnia-ventas), y de una
integracin externa (proveedor-retailer).
El CPFR es una prctica de negocios que establece una planeacin, reabastecimiento y
pronsticos compartidos a travs de toda la cadena de suministro. Fundamentado en
una visibilidad total de la informacin de entrada en toda la cadena (conocer demanda
en todo los eslabones de la cadena). Crea necesidad de
comunicacin con el fin de identificar patrones

de

sistemas
conducta

integrados
del

cliente

de
que

contribuyan al mejoramiento del pronstico de ventas, creacin de programas de

gestin de inventarios y estndares de empaque. Proporciona a la empresa una
plataforma clara para llevar a cabo el reabastecimiento, de una manera planeada y en
consenso.
Colaboracin en los pronsticos de ventas.

Compartir informacin

de ventas POS para elaborar en conjunto

planes

de demanda futura.

Solucionar

fluctuaciones presentadas.

Cualquier plan o actividad

conocida por los socios.

que genere cambio en la demanda deber ser

Establecer y divulgar calendario de eventos.

Tener un censor que identifique los elementos que hacen que

los

planeso

funciones como se planearon y generar acciones para corregirlos.

Colaboracin

en

intercambios que

los

pronsticos

de

pedidos.

Establecer

plataformas

sirva como soporte al proceso y definir un modelo

de
de

reabastecimiento que tenga en cuenta variables como ventas, niveles de inventario,

niveles de servicio deseados y tiempos de entrega.
Desafos del CPFR
-

Procesamiento

de

rdenes:

sistemas

integrados

de

informacin y comunicacin para el registro de rdenes, estado de su

procesamiento, emisin de facturas y documentacin relacionada con el pedido.
-

Forecasting: identificacin de patrones de consumo del cliente, eliminacin del

efecto ltigo, coordinacin de campaas publicitarias, suministro de informacin
de demanda, mejora en la exactitud del pronstico por medio de la visibilidad de
datos del punto de ventas. Luis Anbal Mora Garca (2010)

BIBLIOGRAFIA
Carranza, O. (2006). Logstica, Mejores Prcticas en Latinoamrica. (4ta ed.). Mexico.
Thomson
Daz Matalobos, N. (1999). Gerencia de Inventarios (4ta ed.). Caracas, Venezuela.
Ediciones IESA.
Heizer, J. y Render, B. (2004). Principios de Administracin de la Produccin (6 ed.).
Madrid, Espaa. Pearson Educacin.
Chase, R., Jacobs, R. y Aquilano, N. (2005). Administracin de la produccin y
operaciones. Dcima edicin. Editorial Mc Graw Hill. Mxico.
Mora Garca, Luis Anbal (2010). Gestin logstica integral. Eco Ediciones. Bogot