TIPOS DE PRONÓSTICOS:

De acuerdo a Hanke y Reitsch (1996) los pronósticos se pueden clasificar en tres principales criterios.

• El primer criterio es el tiempo, es decir, existen pronósticos a corto y a largo plazo. Estos últimos ayudan a establecer el curso general de la organización en un plazo largo de tiempo, mientras que los primeros se utilizan para diseñar las estrategias que se utilizarán inmediatamente y serán ejecutadas por niveles medios en la organización.

• El siguiente tipo de criterio se relaciona directamente con la posición en cuanto al entorno micro y macro, y cómo es que aquí se generan diferente tipos de detalles en una organización. Estos tipos de detalles son el micro pronóstico y el macro pronóstico. Un ejemplo de micro pronóstico es que el gerente de producción sepa cuanto se necesitará para la producción anual de un producto determinado, mientras que un macro detalle sería conocer el incremento en la carga tributaria (impuestos) que el gobierno aplicará en el siguiente año fiscal.

• El tercer tipo de criterio clasifica los pronósticos en cualitativos y cuantitativos, el primero se aplica cuando se emite el juicio de una persona, mientras que los cuantitativos se refieren a procesos mecánicos que dan como resultado datos matemáticos.

Chase, Aquilano y Jacobs (2001) hacen una clasificación de los pronósticos en base a lo que consideran importante de analizar. Para ellos, hay cuatro tipos de pronósticos, los cuales son: cualitativos, de análisis de series de tiempo, causales y modelos de simulación.

1) Los pronósticos cualitativos se forman mediante:

• Composición de fuerza de ventas

• Investigación de mercados

• Panel

• Analogía histórica

• Método Delphi

2) Los pronósticos basados en el análisis de series de tiempo incluyen:

• Promedios móviles

• Promedio móvil ponderado

• Suavización exponencial

• Análisis de regresión

• Box Jenkins

• Series de tiempo de Shiskin

• Proyecciones de tendencia

3) Los pronósticos basados en modelos causales se componen de:

• Análisis de regresión

• Modelos econométricos

• Modelos de entrada / salida

• Indicadores guía

4) Pronósticos basados en modelos de simulación

Ahora bien, para Makridakis y Wheelwright (1992) los diferentes métodos se pueden dividir en tres clases:

• El subjetivo: en el cual las opiniones individuales se procesan quizá de una manera complicada.

• El extrapolativo: en el cual se efectúan pronósticos para una variable en particular, usando únicamente la historia previa de esa variable. Se supone que los patrones identificados en el pasado se extienden hacia el futuro.

• El causal (o estructural): en el cual se interna identificar las relaciones entre variables que existieron en el pasado, por ejemplo, el volumen de ventas de una marca y su precio relativo. Luego, se supone que las relaciones continúan siendo válidas en el futuro.

Con respecto a la clasificación de los métodos “Subjetivos” se desarrollan pronósticos de manera individual, de igual forma se llevan a cabo pronósticos basados en comités de investigación y utilizando el método Delphi.

En la tabla 4 se describen los métodos subjetivos que señala Makridakis y Wheelwright (1992)

Tabla 4: Métodos Subjetivos

MÉTODO DEFINICIÓN

J1 Pronóstico individuales (subjetivos)

Un individuo elabora un juicio acerca del futuro sin hacer referencia a ningún otro conjunto de pronósticos.

J2 Pronóstico mediante el comité / investigación Los aspectos del comité son demasiados conocidos. Una variable del comité, el compuesto del subsistema de ventas, agrega las opciones del equipo de ventas o de los “expertos” a proyectos futuros. O bien, también se pueden efectuar encuestas entre los clientes con respecto a sus compras futuras.

J3 Delphi Delphi tiene tres rasgos que le distinguen del comité: anonimato, retroalimentación y respuesta de grupo. Típicamente los participantes se desconocen entre sí. El ejercicio de pronósticos se lleva a cabo en una serie de vueltas en las cuales a cada participante se le ofrece un resumen de las opiniones expresadas con anterioridad, hasta que se estabilizan las respuestas del grupo.

Fuente: Tomado de Makridakis y Wheelwright (1992)

Relativo a los pronósticos extrapolativos, existen dos estudios útiles a este respecto, el de Makridakis (1978), con comentarios adicionales de Anderson y Makridakis (1977), y el de Fildes (1979).

Los métodos extrapolativos sólo funcionan con variables cuantitativas y se emplea Yt para denotar la variable que se desea pronosticar y la medida del tiempo t. A continuación se presenta una breve descripción de los métodos más conocidos:

Tabla 5: Métodos Extrapolativos

MÉTODO DEFINICIÓN

E1 Curva de tendencia Los observaciones pasadas se describen como una función del tiempo, y luego, el patrón identificado se utiliza para pronosticar el futuro, las funciones típicas son la recta, la línea exponencial y la curva en forma de s. en el software se computación se encuentran algunas curvas alternativas. A menudo este método se emplea en pronósticos a largo plazo.

E2 Descomposición Se considera que una serie de tiempo consta de cuatro componentes: la tendencia (su comportamiento a largo plazo), cíclica (los vaivenes alrededor de la tendencia a largo plazo), estacional, y un componente aleatorio sobrante. Una vez que se han identificado los componentes sistemáticos, estos pueden reintegrarse para generar pronósticos.

E3 Atenuación exponencial El pronóstico se basa en una suma ponderada de las observaciones pasadas. Los valores dependen de los llamados parámetros de atenuación. Una vez que se han elegido tales parámetros, es fácil calcular los pronósticos, el método se puede adaptar fácilmente para considerar los factores estacionales y tendencias.

E4 Modelos Box-Jenkins

( o ARIMA)

Como en la atenuación exponencial, los pronósticos se basan en una suma ponderada de las observaciones previas. Sin embargo, la selección de los valores es mucho más complicada. Los modelos ARIMA brindan al analista una gama de modelos diferentes, escogiéndose el más apropiado para la aplicación particular (Jenkins).

E5 Bayesiano En las aplicaciones normales, el pronóstico bayesiano es similar a la atenuación exponencial. Sin embargo, por ejemplo, una huelga en la planta de la competencia. Los modelos extrapolativos regulares para pronósticos requieren la intervención humana para el reajuste después de un cambio como este. El pronóstico bayesiano trata de tomar en cuenta estos cambios mediante la evaluación de los puntos de cada rato para ver si ha ocurrido o no algún cambio. Una vez que se identifica estos cambios, los pronósticos se ajustan automáticamente, este método también puede incorporar la información subjetiva.

Fuente: Tomado de Makridakis y Wheelwright (1992)

Por último continuando con esta clasificación, ahora tenemos los modelos causales y estructurales, el objetivo de estos modelos es relacionar la variable que se está pronosticando, con las causas que históricamente han ejercido influencia sobre ella y emplear para el pronóstico las relaciones que se establezcan. A continuación en la tabla 6, se enlistan los enfoques más conocidos con una breve definición.

Tabla 6: Métodos Causales y Estructurales

Método Definición

C1 modelos de regresión de una sola ecuación Se considera que la variable dependiente Y, está determinada por varias “causas” o “factores exógenos” así como por los valores pasados de la variable dependiente en sí. Las relaciones entre y sus causas se identifican mediante el examen de los datos pasados. Para hacer pronósticos, se necesita hacer suposiciones con relación a los valores de los factores exógenos en el futuro o bien, estos valores se deberán pronosticar en su momento. Word y Fildes hacen una introducción estadística.

C2 Modelos de sistemas simultáneos Estos tienen una estructura similar a la de los modelos de un sola ecuación ya descritos, pero con más de una variable dependiente, en seguida pronostican la variables dependientes (o endógenas) mediante suposiciones acerca de los valores futuros de las variables exógenos.

C3 Modelos de simulación Como en los modelos de sistemas simultáneos, los modelos de simulación tienen que ver con un gran número de variables y sus interrelaciones con los factores exógenos, los modeladores de simulación hacen énfasis en la estructura del modelo (en lugar de las estructuras lineales de los modelos de sistemas de regresión y simultáneos). En general, incluyen muchos más detalles del sistema modelado, por ejemplo, flujos de información. La identificación del modelo es mucho más adecuada que los rigurosos modelos estadísticos mencionados al principio.

C4 Modelos de entrada-salida

Los modelos de entrada salida se fundan en la idea de que para obtener una producción dada de productos o servicios, se requiere de un conjunto fijo de insumos. Una vez que se han efectuado los pronósticos de la demanda del consumidor, las técnicas de entrada salida permitirán calcular la cantidad necesaria de un producto en particular para mantener tal nivel de la demanda (Blin).

C5 Análisis del impacto cruzado Se elabora una lista de eventos que probablemente tendrán un impacto en el sistema analizado. En seguida se estiman las probabilidades de ocurrencia de cada no de estos eventos. Segundo, también se estima la probabilidad condicional de que ocurra el evento A, siendo que ha ocurrido el evento B, para todos los pares posibles de eventos A y B. a partir de estas suposiciones es posible definir escenarios que estén formados por una combinación de estos diversos eventos y calcular para cada escenario la probabilidad asociada, se eliminan aquellos conjuntos de eventos cuya probabilidad sea baja (Helmer).

Fuente: Tomado de Makridakis y Wheelwright (1992)