Métodos Cuantitativos de Pronósticos

Métodos Cuantitativos de Pronósticos

Los modelos cuantitativos de pronóstico son modelos matemáticos que se basan en datos históricos. Estos modelos suponen que los datos históricos son relevantes para el futuro. Casi siempre puede obtenerse información pertinente al respecto.

Básicamente podemos clasificar los métodos de pronóstico en dos grandes grupos: cualitativos y cuantitativos. Se emplean varias metodologías en diferentes empresas o aún en una misma empresa en función del horizonte temporal, la urgencia en la toma de decisiones y la información disponible. Cuando la situación no es clara y hay pocos datos, como por ejemplo al estudiar el lanzamiento de un producto innovador o una nueva tecnología, se recurre a métodos cualitativos, donde prevalece la intuición. Por el contrario, cuando la situación es más estable y existen datos históricos, se suelen utilizar los métodos cualitativos.

Se caracterizan por la ausencia total de los propios expertos en el proceso de identificación. La filosofía que subyace en estos métodos es que no se considera que sea más experto aquel que se prodiga más, el que este mejor relacionado, o el que incorpora de manera sistemática sus datos en cualesquiera paginas web y/o formularios. El experto es realmente el que conoce y domina una materia y participa en la generación de ese conocimiento. Los métodos objetivos facilitan la localización de expertos menos visibles y evitan la endogamia y el clientelismo inherentes a todo proceso de identificación, o bien los relacionados con la auto nominación y las nominaciones cruzadas interesadas.

Regresión Lineal. Modelo que utiliza el método de los mínimos cuadros para identificar la relación entre la variable dependiente y una o más variables independientes, presentes en un conjunto de observaciones históricas. En la regresión simple, solo hay una variable independiente; en la regresión múltiple, hay más de una variable independiente. Si los datos históricos forman una serie de tiempo, la variable independiente es el periodo y la variable dependiente en, por ejemplo, un pronóstico de ventas, son las ventas. Un modelo de la regresión no necesariamente tiene que estar basado en una serie de tiempo, pues en estos casos el conocimiento de los valores futuros de la variable dependiente (llamada también variable causal) se utiliza para predecir valores futuros de la variable dependiente. Por lo general, la regresión lineal se utiliza en el pronóstico a largo plazo, pero se tiene cuidado al seleccionar las cantidad de periodos incluidos en los datos históricos, y este conjunto de datos se proyecta sólo unos cuantos periodos en el futuro, la regresión también puede utilizarse apropiadamente en pronósticos a corto plazo. La regresión supone una casi normalidad.

Lo que quiere decir que los valores observados de la variable dependiente (y) se supone estarán distribuidos normalmente a ambos lados de su media (y) y el error estándar (sxy) es constante conforme nos vamos a lo largo de la línea de tendencia.

Promedios Móviles. Modelo de pronóstico del tipo de series de tiempo a corto plazo que pronostica las ventas para el siguiente periodo. En este modelo, el promedio aritmético de las ventas reales para un determinado número de los periodos pasados más recientes es el pronóstico para el siguiente periodo.

Promedio Móvil Ponderado. Modelo parecido al modelo de promedio móvil arriba descrito, excepto que el pronóstico ponderado de las ventas pasadas, en lugar del promedio aritmético.

Suavización exponencial. Modelo también de pronóstico de series de tiempo a corto plazo que pronostica las ventas para el siguiente periodo.

En este modelo, las ventas pronosticadas para el último periodo se modifican utilizando la información correspondiente al error de pronóstico del último periodo. Esta modificación del pronóstico del último periodo se utiliza como pronostico para el siguiente periodo.

Suavización exponencial con tendencia. El modelo de suavización exponencial arriba descrito, pero modificado puede tomar en consideración datos de un patrón de tendencia. Estos patrones pueden estar presentes en datos a mediano plazo. También se conoce como suavización exponencial doble, ya que se suavizan tanto la estimación del promedio con la estimación de la tendencia utilizando dos constantes de suavización.