Administración de Operaciones: ¿Qué es la previsión?

La previsión es el arte y la ciencia de predecir acontecimientos futuros. Supone la recopilación de datos históricos y su proyección hacia el futuro con algún tipo de modelo matemático. Puede ser una predicción subjetiva o intuitiva del futuro, o puede englobar una combinación de éstas; es decir, un modelo matemático ajustado por las buenas opiniones del directivo.

Es importante destacar que raramente existe un único método óptimo. Lo que funciona a la perfección para una empresa bajo una serie de condiciones podría resultar desastroso en otra empresa, e incluso en otro departamento dentro de la misma empresa. Además, veremos que existen límites a lo que se puede esperar de las previsiones. Raramente son perfectas, por no decir nunca, y además son costosas y lentas de preparar y controlar. De cualquier forma, pocos negocios pueden permitirse evitar el proceso de previsión y limitarse a esperar a ver lo que ocurre para tomar decisiones. Una planificación eficaz, tanto a corto como a largo plazo, se basa en la previsión de demanda de los productos de la empresa.

Horizontes temporales de la previsión

Las previsiones se clasifican normalmente según el horizonte de tiempo futuro que abarcan. Hay tres tipos de horizontes temporales:

1. Previsión a corto plazo. Esta previsión tiene un periodo de cobertura de hasta un año, aunque generalmente es inferior a los tres meses. Se utiliza para la planificación de compras, programación de trabajos, programación de las necesidades de mano de obra, asignación de tareas y planificación de los niveles de producción.
2. Previsión a medio plazo. Una previsión a medio plazo, o intermedia, abarca generalmente entre tres meses y tres años. Es útil para la planificación de las ventas, planificación de la producción y de su presupuesto, planificación de caja, así como para el análisis de diferentes planes operativos.
3. Previsiones a largo plazo. Generalmente abarcan periodos de tres años o más, y se utilizan en la planificación de nuevos productos, gastos de capital, localización o expansión de instalaciones e investigación y desarrollo.

Las previsiones a medio y largo plazo se distinguen de las previsiones a corto plazo por tres características:

1. En primer lugar, las previsiones a medio y largo plazo tratan de cuestiones más globales, y sirven de base a las decisiones de gestión referentes a planificación y productos, plantas y procesos. La implementación de decisiones relativas a instalaciones, como la decisión de GM de abrir una nueva planta de fabricación en Brasil, puede llevar de principio a fin entre 5 y 8 años.
2. En segundo lugar, las previsiones a corto plazo normalmente emplean metodologías diferentes a las utilizadas en las previsiones a largo plazo. Las técnicas matemáticas, como las de medias móviles, alisado exponencial y extrapolación de tendencia (todas las cuales se examinarán en breve), son comunes en las proyecciones a corto plazo. Los métodos más generales y menos cuantitativos son de utilidad en la predicción de temas tales como si debería introducirse un nuevo producto (por ejemplo, un grabador de discos ópticos) en la línea de productos de la empresa.
3. Finalmente, como podrá suponer, las previsiones a corto plazo tienden a ser más exactas que las realizadas a largo plazo. Los factores que influyen sobre la demanda cambian a diario. Por consiguiente, al aumentar el horizonte temporal, es probable que disminuya la fiabilidad de la previsión. Ni que decir tiene que es necesario actualizar regularmente las previsiones de ventas para conservar su valor e integridad. Tras cada temporada de ventas, es necesario examinar y ajustar las previsiones.

La influencia del ciclo de vida del producto

Otro factor que hay que tener en cuenta cuando se desarrollan previsiones de ventas, especialmente a largo plazo, es el ciclo de vida del producto. Los productos, e incluso los servicios, no se venden al mismo ritmo a lo largo de toda su vida. La mayoría de los productos de éxito pasa por cuatro etapas: (1) introducción, (2) crecimiento, (3) madurez y (4) declive. Los productos situados en las dos primeras etapas del ciclo de vida (como la realidad virtual y los televisores de pantalla de cristal líquido LCD) necesitan previsiones más largas que los que están en las etapas de madurez y declive (como disquetes y monopatines). Las previsiones que reflejan el ciclo de vida son útiles para proyectar diferentes niveles de personal, de inventarios y de capacidad de producción requeridos a la que el producto pasa de la primera a la última etapa.

Tipos de previsiones

Las organizaciones utilizan principalmente tres tipos de previsiones en la planificación del futuro de sus operaciones:

1. Previsiones económicas. Tratan del ciclo económico prediciendo las tasas de inflación, masa monetaria, construcción de primeras viviendas y otros indicadores económicos.
2. Previsiones sobre la tecnología. Referentes al ritmo del progreso tecnológico, que puede dar como resultado el nacimiento de interesantes productos, requiriendo nuevas fábricas y equipos.
3. Previsiones de la demanda. Son estimaciones de la demanda de los productos o servicios de una empresa. Estas previsiones, también denominadas previsiones de ventas, conducen los sistemas de producción de las empresas, su capacidad y su planificación, y sirven como input para la planificación financiera, de marketing y de personal.

Las previsiones económicas y tecnológicas son técnicas especializadas que pueden caer fuera de las funciones del director de operaciones. En consecuencia, en este libro se hará especial hincapié en la previsión de la demanda.

La importancia estratégica de la previsión

Las buenas previsiones son de gran importancia en todos los aspectos de un negocio: La previsión es la única estimación de la demanda hasta que se conozca la demanda real. En consecuencia, las previsiones de la demanda determinan las decisiones en muchas áreas. Veamos el impacto de esta previsión en tres actividades: (1) recursos humanos, (2) capacidad y (3) gestión de la cadena de suministro.

Recursos humanos

La contratación, formación y despido de los trabajadores dependen de la demanda esperada. Si el departamento de recursos humanos debe contratar a nuevos trabajadores sin previo aviso, la cantidad de formación disminuye, y la calidad de la plantilla sufre. Una gran empresa química del Estado de Louisiana estuvo a punto de perder a su mejor cliente cuando una rápida expansión para poder trabajar las 24 horas del día provocó un fracaso total en el control de calidad del segundo y tercer turno.

Capacidad

Cuando la capacidad es insuficiente, el déficit resultante puede traducirse en incumplimientos en las entregas, pérdida de clientes y pérdida de cuota de mercado. Esto es exactamente lo que ocurrió con Nabisco cuando subestimó la enorme demanda de sus nuevas galletas bajas en grasa Snackwell Devil’s Food Cookies. Ni siquiera con las líneas de producción trabajando horas extras pudo Nabisco satisfacer la demanda, y perdió clientes. Al contrario, cuando se tiene exceso de capacidad, los costes pueden dispararse.

Gestión de la cadena de suministros

Las buenas relaciones con los suministradores y las ventajas consiguientes de precio para materiales y componentes dependen de la exactitud en las previsiones. Por ejemplo, los fabricantes de coches que quieran que TRW Corp. les garantice suficiente capacidad de airbags deben proporcionar previsiones precisas para justificar ampliaciones en las fábricas de TRW. En un mercado global, en el que los componentes para los Boeing 787 se fabrican en docenas de países, es crítica la coordinación que está dirigida por las previsiones. Programar el transporte a Seattle para el ensamblaje final al menor coste posible significa que no haya sorpresas de última hora que puedan dañar los ya bajos márgenes de beneficios.

Previsión de series temporales

Una serie temporal está basada en una secuencia de datos uniformemente espaciados (semanalmente, mensualmente, trimestralmente, etcétera). Por ejemplo, las ventas semanales de las Nike Air Jordan, los informes trimestrales de resultados de Microsoft, los envíos diarios de cerveza Coors o el índice de precios al consumo. La previsión de series temporales de datos implica que los valores futuros son predichos únicamente a partir de los valores pasados, y que se desestiman otras variables, sin importar cuál sea el valor potencial que puedan tener.

Descomposición de una serie temporal

El análisis de las series temporales implica desglosar los datos pasados en cuatro componentes: tendencia, estacionalidad, ciclos y variación irregular o aleatoria.

1.- Tendencia. Es el movimiento gradual de subida o bajada de los valores de los datos a lo largo del tiempo. Cambios en los ingresos, la población, la distribución por edades o los gustos culturales pueden explicar movimientos en la tendencia.
2.- Estacionalidad. Es un patrón de variabilidad de los datos que se repite cada cierto número de días, semanas, meses o trimestres. Existen seis patrones de estacionalidad:

Los restaurantes y las peluquerías, por ejemplo, tienen patrones semanales, siendo el sábado el día de mayor negocio. Los distribuidores de cerveza pronostican con patrones anuales y con “estaciones” mensuales. En Estados Unidos hay tres “estaciones” (mayo, julio y septiembre) en las que hay una gran fiesta en la que se bebe cerveza.

3.- Ciclos. Son patrones en los datos que ocurren cada cierto número de años. Normalmente están relacionados con los ciclos económicos, y son de gran importancia en el análisis y planificación de los negocios a corto plazo. Es difícil predecir los ciclos de los negocios porque se pueden ver afectados por acontecimientos políticos o por conflictos internacionales.

4.- Variaciones irregulares o aleatorias. Son “irregularidades” en los datos causados por el azar y situaciones inusuales. No siguen ningún patrón perceptible, por lo que no se pueden predecir.

La Figura 1 muestra una demanda durante un periodo de cuatro años. Muestra la media, la tendencia, los componentes estacionales y las variaciones aleatorias alrededor de la curva de demanda. La demanda media es la suma de la demanda de cada periodo dividido por el número de periodos de datos.

Figura 1. Demanda de un producto durante cuatro años, señalando una tendencia en crecimiento y estacionalidad.

Enfoque simple

El sistema de previsión más sencillo es suponer que la demanda en el próximo periodo será igual a la demanda del periodo anterior. En otras palabras, si las ventas de un producto (como, por ejemplo, los teléfonos móviles de Motorola) fueron de 68 unidades en el mes de enero, se puede prever que las ventas en el mes de febrero serán también de 68 teléfonos. ¿Tiene sentido esta forma de actuar? Resulta que para algunas líneas de productos, este enfoque simple es el modelo de previsión con la mejor relación eficacia-coste y eficiencia en la consecución de los objetivos de la previsión. Al menos, sirve de punto de partida para poder comparar con los modelos de previsión más sofisticados que se presentan a continuación.

Medias móviles

La previsión con medias móviles utiliza un grupo de valores recientes de los datos para realizar una previsión. Las medias móviles son útiles si se puede suponer que las demandas del mercado serán bastante estables a lo largo del tiempo. Para calcular la media móvil de cuatro meses basta con sumar la demanda de los cuatro últimos meses y dividirla por 4. Con cada mes que pasa, se añade el nuevo valor a la suma de los tres meses previos, y se elimina la estimación del mes más antiguo. Este modelo tiende a suavizar las irregularidades a corto plazo en las series de datos. Matemáticamente, la media móvil simple (que sirve como una estimación de la demanda del siguiente periodo) se expresa como:

donde n es el número de periodos en la media móvil (por ejemplo 4, 5 o 6 meses), para medias móviles de 4, 5 o 6 periodos, respectivamente. El Ejemplo 1 muestra cómo se calculan las medias móviles.

Ejemplo 1.

Cuando existe una tendencia o patrón detectable se pueden utilizar ponderaciones o pesos para resaltar más los valores recientes. Esta práctica hace que la técnica de previsión sea más sensible a los cambios, porque los periodos más recientes se ponderan con un mayor peso. La elección de las ponderaciones es algo arbitrario, ya que no existe ninguna fórmula para determinarlas. Por tanto, es necesario tener cierta experiencia para poder decidir qué ponderaciones se van a utilizar. Por ejemplo, si al último mes o periodo se le da demasiada ponderación, la previsión puede reflejar demasiado rápido una gran variación de la demanda o del patrón de ventas. La media móvil ponderada se puede expresar matemáticamente como:

El Ejemplo 2 muestra cómo calcular la ponderación de la media móvil.

Ejemplo 2.

Figura 2. Demanda real frente a los métodos media móvil y media móvil ponderada para el Garden Supply de Donna.

Tanto la media móvil simple como la ponderada son eficaces en el alisado de fluctuaciones repentinas en los patrones de demanda para proporcionar estimaciones estables. Las medias móviles, sin embargo, presentan tres problemas:

1. Si se aumenta el tamaño de n (el número de periodos promediados) se tiene un mejor de las fluctuaciones, pero hace que el método sea menos sensible a cambios reales en los datos.
2. Las medias móviles no son muy buenas a la hora de captar tendencias. Esto es debido a que son medias y, por ello, siempre seguirán el ritmo de niveles pasados y. por tanto, no podrán predecir cambios hacia niveles superiores o inferiores. Es decir, se rezagan con respecto a los valores reales.
3. Las medias móviles requieren un gran número de datos históricos.

La Figura 2 es un gráfico de los datos de los Ejemplos 1 y 2 que muestra el efecto de retardo de los modelos de medias móviles. Observe que tanto las líneas de la media móvil como de la media móvil ponderada van desfasadas con respecto a la demanda real a partir del mes de abril. Sin embargo, la media móvil ponderada normalmente reacciona más rápidamente a los cambios de la demanda. Incluso en periodos de disminución de demanda (véase noviembre y diciembre), sigue a la demanda real más de cerca.

Alisado exponencial

El alisado exponencial es un sofisticado método de previsión de medias móviles ponderadas que aún sigue siendo relativamente fácil de aplicar. Necesita un reducido número de datos. La fórmula base del alisado exponencial se puede representar como sigue:

donde ∞  es una ponderación o constante de alisado, elegida por el que hace la previsión, que toma valores entre 0 y 1. La Ecuación (4.3) también puede ser expresada de forma matemática como:

No es un concepto complejo. La estimación de la demanda para un periodo es igual a la estimación hecha para el periodo anterior, ajustada por una fracción de la diferencia entre la demanda real del periodo anterior y la estimación que hicimos para el mismo. En el Ejemplo 3 se muestra cómo utilizar el alisado exponencial para obtener una previsión.

Ejemplo 3. 

Habitualmente, la constante de alisado ∞  para las aplicaciones empresariales está en el intervalo comprendido entre 0,05 y 0,50. Puede cambiarse para dar mayor ponderación a los valores recientes (cuando asume valores elevados) o mayor ponderación a los valores antiguos (cuando asume valores bajos). Cuando alcanza el valor extremo de 1,0, en la Ecuación (4.4), Ft 1,0At 1. Desaparecen todos los valores antiguos, y la previsión es idéntica a la del modelo simple que se mencionó al principio de este capítulo. Es decir, la previsión para el próximo periodo es idéntica a la demanda en el periodo actual. La siguiente tabla ayuda a ilustrar este concepto. Por ejemplo, cuando ∞ = 0,5 se puede comprobar que la nueva previsión está basada casi por completo en la demanda de los tres o cuatro últimos periodos. Cuando ∞ = 0,1, la previsión pondera poco la demanda reciente, mientras que tiene en cuenta valores de muchos periodos históricos (alrededor de 19).

Fuente:
- Jay Heizer y Barry Render. Dirección de la producción y operaciones. Decisiones estratégicas. 8va Edición. Pearson Educación, Madrid, 2007.