.

1. PRONÓSTICOS

3. PRONÓSTICO DE LOS REQUERIMIENTOS DE
LA CADENA DE SUMINISTRO
La planeación logística trata de responder las
preguntas qué, cuándo y cómo, y tiene lugar
en tres niveles:
 Estratégica – Largo alcance
 Táctica – Intermedio (menor a un
año)
 Operativa– decisiones del día a día
Ejemplo: En la planeación
estratégica se tiene como
meta no exceder de cierto
monto en Q. el costo del
inventario, mientras que la
operativa evalúa la existencia
de cada artículo
individualmente
Recomendación:
Leer “El Arte de la
Guerra”

4. Principales áreas de planeación
Área de Decisión Estratégica Táctica Operativa
Horizonte de tiempo Anual Cuarto – Mes – Semanas Días - Horas
Propósito Planificación, estrategias de inversión.
Presupuesto, plan de ventas, mano de obra,
capacidad a corto y mediano plazo, planificación
del inventario.
Transporte, producción, ajustes de inventario.
Ubicación de
Instalaciones
Número, tamaño y ubicación de almacenes, plantas
y terminales
Inventarios
Ubicación de Inventarios y políticas de control.
Niveles de inventario deseados
Niveles de inventario de seguridad Cantidades y tiempos de reabastecimiento
Transporte Selección de modo Arrendamiento estacional Asignación de ruta, despacho
Procesamiento de
Pedidos
Ingreso de pedidos, transmisión y diseño del sistema
de procesamiento
Procesamiento de pedidos, cumplimiento de
pedidos atrasados
Servicio al Cliente Establecimiento de estándares Reglas de prioridad para pedidos de clientes Aceleración de entregas
Almacenamiento
Manejo de la selección del equipo, diseño de la
distribución
Opciones de espacio estacional y utilización de
espacio privado
Selección de pedidos y reaprovisionamiento
Compras
Desarrollo de relaciones proveedor - proveedor
comprador
Contratación, selección de vendedor, compras
adelantadas
Liberación de pedidos y aceleración de
suministros.
Fuente: Administración del Cadena de Suministros 5ta edición, Ronald H. Ballou

6. Logística trabaja con estimados que se presentan en
formas de pronósticos y predicciones.
Esta foto de Autor desconocido está bajo licencia CC BY

7. PRONÓSTICOS
Los
pronósticos
en logística
se pueden
relacionar
de las
siguientes
maneras:
Demanda espacial versus demanda temporal: La logística tiene tanto
dimensiones de espacio como de tiempos. Es decir, el responsable de la
logística deberá saber dónde tendrá lugar el volumen de demanda y
cuándo lo hará.
Demanda irregular versus demanda regular: Se clasifican productos
según su demanda, si es regular se pronostica según tendencias, si es
intermitente se evalúa según el caso.
Demanda derivada versus demanda independiente: La mayoría de los
modelos de pronósticos de corto plazo están basados en condiciones de
independencia o aleatoriedad en la demanda. En contraste, los patrones
de demanda derivada son altamente sesgados y no aleatorios.

8. Pronóstico
 Es una estimación cuantitativa o cualitativa
de uno o varios factores (variables) que
conforman un evento futuro, utilizando como
base información actual o histórica.
 Los datos históricos ayudan frecuentemente
a comprender el patrón de ventas los cuales
forman una serie de tiempo.
 Las series de tiempo son un conjunto de
observaciones de una variable medida en
puntos sucesivos en el tiempo o a lo largo de
períodos sucesivos.
Institute of Business Forecasting | IBF.org | IBF

9. VENTAJAS DE UTILIZAR PRONÓSTICOS
 Reducción de inventario
 Reducción de desabasto
 Evitar gastos por emergencias
 Reducción de horas extras
 Mejor servicio al cliente
 Mejor flujo de efectivo
 Ahorro de recursos
Clasificación de productos
Clasificación de productos
Ciclos de evaluación
Ciclos de evaluación
Frecuencia
Frecuencia
Contingencias
Contingencias
Tolerancias
Tolerancias
Tomar en Cuenta:

10. DEMANDA Y
MÉTODOS DE
PREDICCIÓN DE
VENTAS
MÉTODOS DE
PRONÓSTICOS
Característica Ventaja Desventaja
Métodos
Cualitativos
Información es
intangible o subjetiva.
Utilizan el juicio, la
intuición, las
encuestas o técnicas
comparativas para
generar estimados
cuantitativos acerca
del futuro. Mediano
a largo plazo
Funcionales para
evaluar pronósticos de
éxito de nuevos
productos, cambios de
gobierno, introducción
de nueva tecnología.
Información histórica
puede ser no
relevante para
análisis. Difícil
estandarizar y evaluar
precisión
Métodos de
proyección
histórica
Se utiliza cuando se
tiene información
histórica con
tendencias estables o
definidas. Efectiva
para pronósticos
corto plazo
Es posible utilizar
herramientas estadísticas
y matemáticas para su
evaluación. Es posible
registrar e ir adaptando
cambios a largo plazo.
Evaluación a 6 meses
o corto plazo.
Necesita tiempo para
adaptarse al cambio
Métodos
Causales
Para pronosticar, el
nivel de la variable
pronosticada se
deriva del nivel de
otras variables
relacionadas. (El
servicio causa las
ventas)
Evalúa causa y efecto.
Pueden ser estadísticos
por modelos de
regresión o descriptivos.
Datos pueden variar
sino se identifica un
causal correcto. Es
difícil identificar una
variable de tiempo
asociadas.

11. Patrones de la demanda:
Identificar patrones en el pasado nos ayudarán a poder pronosticar el futuro
PRONÓSTICOS CON ANÁLISIS DE SERIES DE TIEMPO
Aleatorio (e) Estacionalidad (F)
X(t) = (a + b(t))* F(t) + e(t)
Nivel (a)
X(t) = a + e(t) Tendencia (b)
X(t) = a +b(t) + e(t)

12. PRONÓSTICOS CON ANÁLISIS DE SERIES DE
TIEMPO
Pronósticos ingenuos: el
pronóstico para el tiempo t es
el valor de los datos en el
tiempo t-1.
Pronósticos de promedio móvil:
El valor en el tiempo t es el
promedio móvil no centrado
en el tiempo t-1. Suele utilizarse
cuando hay tendencia en los
datos.
Pronósticos de ajuste
exponencial simple: El valor
ajustado en el tiempo t es el
valor suavizado en el tiempo t-
1.
Pronósticos de ajuste
exponencial doble: Utiliza los
componentes de nivel y
tendencia para generar
pronósticos.
Método de Winters: Utiliza
componentes de nivel,
tendencia y estacional para
generar pronósticos. Utiliza
datos hasta el tiempo de
origen del pronóstico para
generarlos.
Método de Croston: Modelo
utilizado para pronosticar
demandas intermitentes,
evaluando el nivel, la
frecuencia ocurrencia y
considerando la probabilidad
de la ocurrencia.

13. PRONÓSTICOS INGENUOS
 Los datos históricos no son
relevantes para este modelo.
 Utilizamos la demanda más
reciente para pronosticar la
siguiente.
 El promedio es volátil, se adaptan
más rápido a los cambios.
 Modelo xt = xt-1 + et

14. PROMEDIO MÓVIL
 Incluye un número M de observaciones.
 Mientras más grande sea M, se suaviza la
tendencia de los datos más recientes.
 Si M es menor, es más volátil y considera
la demanda más reciente.
 Este modelo asume demanda estable.
900
920
940
960
980
1000
1020
1040
1060
1080
1100
1 2 3 4 5 6 7 8 9 10 11
Promedio Móvil
t xt Ingenuo M2 M4 M6 Acumulado
𝑥ˆ𝑡, 𝑡 + 1 =
∑ 𝑋𝑖
M

15. NIVELACIÓN O AJUSTE EXPONENCIAL
 Técnica útil para pronóstico a corto plazo.
 Similar a método de promedio móvil.
 Requiere datos históricos de demanda.
 Las observaciones recientes reciben mayor
ponderación que las pasadas.
 el alfa que elijamos estará relacionado con
el índice de respuesta deseado y la
naturaleza del producto.
 xˆt,t+1 = α xt +(1- α )xˆt-1,t
 xt,t+1 = α (1- α )0 xt + α (1- α )1 xt-1 + α (1- α )2
xt-2 + α (1- α )3 xt-3. . .
Donde:
xˆt= Nuevo pronóstico
α = constante de suavización (valor entre 0 y 1)
xt = demanda real del período anterior.
xˆt-1 = pronóstico más reciente
•Ejemplo: El pronóstico de demanda del período 1 es 2869
seguros de carro adquiridos por personas, pero la demanda
para ese período fue de 3200. La compañía según su criterio
asigna α=0,35.
•Ft= (0.35*3200)+((1-0.35)*2869)=2984.85
La demanda proyectada es de 2985 seguros para
el mes analizado.
α 0.35 0.20 0.40 0.60
xˆt-1 2,869 2,869 2,869 2,869
xt 3,200 3,200 3,200 3,200
xˆt 2,985 2,935 3,001 3,068

16. Coeficiente de
variación α
Si la variabilidad aleatoria de la serie de
tiempo es considerable, se recomienda un valor
pequeño para la constante de suavización, lo
cual evita que ajuste los pronósticos demasiado
rápido.
Para una serie de tiempo con poca
variabilidad, los valores grandes de la constante
tienen la ventaja de ajustar rápidamente los
pronósticos cuando ocurren errores y permiten
que el pronóstico reaccione ágil a las
condiciones cambiantes.
Buscamos un coeficiente que minimice el error
de pronóstico.

17. NIVELACIÓN O AJUSTE
EXPONENCIAL
 Se utiliza para demanda estable
 Los valores para alfa más utilizados oscilan
entre 0.1 – 0.3
 Un alfa igual a 1 es similar a un pronóstico
ingenuo.
 Un alfa 0 se convierte en un promedio móvil
acumulativo y tiene el riesgo de no capturar
cambios recientes en la demanda.
t xt xˆt α 0.7 xˆt α 0.3 xˆt α 0.1
1 1,090 1,090 1,090 1,090
2 920 1,090 1,090 1,090
3 980 971 1,039 1,073
4 960 977 1,021 1,064
5 1,040 965 1,003 1,053
6 980 1,018 1,014 1,052
7 1,090 991 1,004 1,045
8 990 1,060 1,030 1,049
9 940 1,011 1,018 1,043
10 960 961 994 1,033
11 960 984 1,026
t xt
1 1,090
2 920
3 980
4 960
5 1,040
6 980
7 1,090
8 990
9 940
10 960
11

18. 900
920
940
960
980
1000
1020
1040
1060
1080
1100
0 2 4 6 8 10 12
Ajuste exponencial simple
xt a = 0.7 a = 0.3 a = 0.1
t xt xˆt α 0.7 xˆt α 0.3 xˆt α 0.1
1 1,090 1,090 1,090 1,090
2 920 1,090 1,090 1,090
3 980 971 1,039 1,073
4 960 977 1,021 1,064
5 1,040 965 1,003 1,053
6 980 1,018 1,014 1,052
7 1,090 991 1,004 1,045
8 990 1,060 1,030 1,049
9 940 1,011 1,018 1,043
10 960 961 994 1,033
11 960 984 1,026

19. NIVELACIÓN O AJUSTE EXPONENCIAL DOBLE (MODELO
HOLT)
xˆt,t+1= aˆt+τbˆt
bˆt= β (aˆt − aˆt−1) +(1− β ) bˆt−1
aˆt=α xt +(1− α) (aˆt−1 + bˆt−1)
El alfa y beta se seleccionan utilizando medidas de error de pronóstico.
Los valores de beta mas cercanos a 1 responden con mas velocidad a los cambios en la
tendencia, mientras que los valores menores suavizan la tendencia actual, dando menos
peso a los datos mas recientes.
Los valores de alfa dependerán de la importancia que le demos a los datos más recientes o
antiguos.
Este método considera dos constantes de suavización alfa y beta cuyos valores pueden
oscilar entre 0 y 1.
Donde:
A: Pronóstico del nivel
B: Pronóstico de la tendencia
α : constante suavización del
nivel
β : constante de suavización de
la tendencia
aˆt−1: Pronóstico del periodo
anterior - nivel
b ˆt−1: Pronóstico del período
anterior - tendencia
xˆt,1+T= aˆt+ τ bˆt

20. -
500
1,000
1,500
2,000
2,500
3,000
0 2 4 6 8 10 12 14
Pronósticos
xt 0.1 Ajuste Doble PM = 3
t
xt
Ajuste
Simple
Ajuste
Doble α
0.1 β 0.3
PM = 3
0.1
1 1,132 1,132
2 1,600 1,132 1,650
3 1,690 1,179 1,733
4 1,640 1,230 1,850 1,474
5 1,765 1,271 1,960 1,643
6 1,879 1,320 2,044 1,698
7 1,990 1,376 2,124 1,761
8 2,100 1,438 2,200 1,878
9 2,210 1,504 2,273 1,990
10 2,356 1,574 2,344 2,100
11 2,201 1,653 2,416 2,222
12 2027 1,653 2,493 2,256
13 1,707 2,538 2,195

21. METODO HOLT-WINTER
 Modelo de pronósticos que
considera la estacionalidad
ademas del nivel y tendencia.
•Lt = α (Yt / St–p ) + (1 – α) [Lt–1 + Tt–1 ]
•Tt = γ [Lt – Lt–1 ] + (1 – γ) Tt–1
•St = δ (Yt / Lt ) + (1 – δ) St–p
• Zt = (Lt–1 + Tt–1 ) St–p
 Donde
 Lt Nivel en el tiempo t
 Tt Tendencia en el tiempo t
 γ ponderación para la tendencia
 St componente estacional para el tiempo t
 δ ponderación para el componente estacional
 P período estacional
 Yt valor de los datos en el tiempo t
 Zt valor ajustado, pronóstico en el tiempo t

22. SUGERENCIAS
 La tarea de planificación depende de
las áreas de marketing, producción o
analistas en las empresas, logística
apoya con pronósticos enfocados en
mantener niveles de inventario
deseados.
 El trabajo en equipo entre las áreas es
clave para optimizar recursos.
 Logística debe conocer y
proporcionar tiempos de transporte,
fabricación para apoyar a las áreas
de planeación.
 Utilizar un ERP o paquetes de
computación
 Se pueden utilizar los siguientes
métodos para pronósticos:
 nivelación exponencial
 descomposición clásica de series de
tiempo
 análisis de regresión multiple.

23. Métricas para
los pronósticos
Esta foto de Autor desconocido está bajo licencia CC BY-NC-ND

24. MAPE
Error porcentual absoluto medio (EPAM) mide la
exactitud de los valores ajustados de las series de
tiempo. Expresa la exactitud como un
porcentaje.
Por ejemplo, si el MAPE es 5, en promedio, el
pronóstico está errado en un 5%.
Es importante revisar el gráfico, debido a que el
MAPE puede dar un valor elevado y ajustarse a la
tendencia, por la forma en que se calcula por
medio de absolutos.

25. MAD
 Desviación absoluta de la media, mide la
exactitud de los valores ajustados de las
series de tiempo. Expresa exactitud en las
mismas unidades que los datos, lo cual
ayuda a conceptualizar la cantidad del
error.
 Utilice para comparar los ajustes de
diferentes modelos de series de tiempo.
Valores más pequeños indican un mejor
ajuste.

26. MSE
 Desviación cuadrática media, se calcula utilizando
el mismo denominador n. Maximiza el error al elevar
al cuadrado, castigando los períodos donde la
diferencia fue más alta en comparación con otros.
Se recomienda para desviaciones pequeñas.
 EL RSME representa la raíz cuadrada del segundo
momento de la muestra de las diferencias entre los
valores previstos y los valores observados o la media
cuadrática de estas diferencias. es una medida de
precisión, para comparar errores de predicción de
diferentes modelos para un conjunto de datos en
particular y no entre conjuntos de datos, ya que
depende de la escala.

28. Mes Actual x(t) Pronostico P(t) Error Et/At Abs(Et)/At
Mayo 1509 1900 391.0 0.259 0.259
Junio 1610 1200 -410.0 -0.255 0.255
Julio 1708 2100 392.0 0.230 0.230
Agosto 1866 1300 -566.0 -0.303 0.303
Septiembre 2092 2500 408.0 0.195 0.195
Octubre 2390 1500 -890.0 -0.372 0.372
MD (desviación de la media) -112.50
MAD (desv. Abosulta de la media) 509.50
MPE (Error porcentual medio -4.1%
MAPE (Error porcentual absoluto
medio) 26.90%
MSE (desviación cuadrática media) 292,261
RMSE (raíz de la desviación
cuadrática media) 540.61

29. Retos en la logística
 Tener poco historial de la demanda.
 Introducción de un nuevo producto o insumo para el
arranque.
 Clasificar productos según su línea o categoría de
compras.
 Demanda irregular o depende de otros productos o
servicios
 Combinar métodos de pronósticos para resultados más
estables y precisos.
 Flexibilidad de respuesta en procedimientos.

31. Esta foto de Autor desconocido está bajo licencia CC BY-NC-ND

32. Bibliografìa
 Ballou, R. H. (2004). Logística. Administración de la Cadena de
Suministro (5a ed.). Pearson Educación.
 Anderson R., Sweeney D., Williams T., Camm J. y Cochran J. (2015),
“Quantitative Methods for Business” Cengage Learning. USA.
 •Anderson D., Sweeney D. y Williams T. (2008), “Estadística para Administración y
Economía”. 10º edición. Ed. Thomson. México.
 •Canavos, G. (2003), “Probabilidad y Estadística. Teoría y aplicaciones”. Mc
Graw Hill. Interamericana de México.
 Enders, W. (2008), “Applied Econommetric Time Series”. Editorial Wiley.
Inglaterra.
 Caplice, C., & Ponce, E. (2022). MITx MicroMasters Program in SCM Key
Concepts. MIT Center for Transportation & Logistics.

 Institute of Business Forecasting | IBF.org | IBF

33. Trabajo en Casa
Resolver el taller disponible en el aula virtual
El trabajo es individual