En las empresas retail o de ventas minoristas uno de los principales problemas con que se enfrentan es el manejo eficiente del stock de manera a evitar tener los productos en
exceso en los depósitos que incurran en sobrecostos, o en el otro extremo la falta de dichos productos o ruptura de stock lo cual conlleva a pérdidas de oportunidades de ventas por no disponer del producto que puede generar insatisfacción de los clientes y a su vez repercute en las utilidades de la empresa. Uno de los mayores desafíos en empresas de este sector es pronosticar las ventas para el próximo período comercial.

Actualmente se tienen las técnicas de pronósticos de demanda entre las que se destacan los Métodos de Pronósticos Cualitativos y los Métodos de Pronósticos Cuantitativos.

A. Método de Pronósticos Cualitativos:

• Opinión de Gerente: El pronostico se basa en la opinión, experiencia y conocimiento de un solo gerente.
• Junta de opinión ejecutiva: La diferencia está en que se basa en un grupo de ejecutivos que colaboran para emitir colectivamente el pronóstico.
• Consulta a través de la fuerza de ventas: Esta técnica se basa en la experiencia del personal más cercano al cliente que es el cuerpo de vendedores de la empresa.
• Encuesta en el mercado de consumo: Se encuesta a los clientes acerca de sus planes de compras o sus interés. La estimación se extrae de los resultados de las encuestas. Son útiles para elaborar planes de marketing, lanzamiento de nuevos productos.

• Método Delphi: Identifica un panel de expertos que pueden ser gerentes, empleados expertos del sector. Se tiene un cuestionario donde cada uno de ellos lo completa de forma aislada. Se integran todas las respuestas, luego cada experto tiene acceso al set de respuestas y puede ajustar su respuesta conforme le parezca conveniente. Este proceso se realiza iterativamente hasta que los expertos alcancen un consenso.

• Analogía de productos similares: Se basa en el comportamiento de las ventas de un producto similar o modelo. Se puede realizar comparando con un producto sustituto o complementario.

B. Métodos de pronósticos Cuantitativos:

El pronostico de la demanda, estos modelos se basan en métodos de pronóstico estadísticos que a partir de los datos históricos de ventas y suponiendo que las tendencias históricas continuarán, son capaces de anticipar la demanda futura.

En general, los métodos cuantitativos se clasifican en técnicas de series de tiempo y en pronósticos causales.

1. Métodos de series de tiempo: Una serie de tiempo es un conjunto de observaciones de la variable a pronosticar, medidas en puntos o períodos sucesivos del tiempo pasado. El histórico de ventas de un producto, donde se observan los valores de las cantidades vendidas mensualmente, constituye un ejemplo de serie de tiempo. Los datos históricos de la variable a predecir están limitados a sus valores pasados.

El objetivo del método es obtener una buena predicción del valor futuro de la variable a pronosticar, enmarcado por supuesto en la serie de tiempo. Para lograr el objetivo, el
modelo debe descubrir el patrón dentro de la serie y luego ser capaz de extrapolarlo hacia el futuro. De cierta manera, hay una suposición intrínseca al modelo de que los factores
que influyen en las ventas pasadas y presentes continuarán a futuro.

Los métodos de series de tiempo se clasifican en:
Método de pronostico del último valor, método de pronóstico por promedios, método de pronóstico de promedio móvil, método de pronóstico por suavizamiento exponencial, método de suavizamiento exponencial con tendencia y el método ARIMA (AutoRegressive Integrated Moving Average).

• El método de pronóstico del último valor: Este método utiliza solamente el último valor de la serie de tiempo como pronóstico del valor futuro. También es conocido como método ingenuo, porque sin mucho análisis aparentemente resulta ingenuo elegir un solo valor de toda la serie. Pero en ocasiones sí es una buena aproximación, como por ejemplo cuando hay demasiada fluctuación en la serie y entonces el último valor se convierte en el más fiable. Recomendable para series de tiempo inestables.
  
  • Pronóstico = último valor

• El método de pronóstico por promedios: En este caso se utilizan todos los valores de la serie y luego se promedia para obtener el valor de pronóstico de la serie. Recomendable para series de tiempo estables, razón por la cual todos los valores tienen el mismo peso y son considerados relevantes.
  
  • Pronóstico = Promedio de todos los datos hasta la fecha

• El método de pronóstico de promedio móvil: Consiste en considerar solamente los últimos n períodos y luego promediarlo para así obtener el valor de pronóstico de la serie. Recomendable para series de tiempo medianamente estables, razón por la cual se toman en cuenta únicamente n valores que tienen el mismo peso y que son considerados relevantes.
  • Pronóstico = promedio de los últimos “n” valores
    donde “n” = número de periodos más recientes

• El método de pronóstico por suavizamiento exponencial: Con este método se asignan pesos diferentes a los valores de la serie. El último período es el de mayor peso y así
  paulatinamente se van asignando pesos cada vez menores a los valores mas antiguos de la serie. Este resultado se puede obtener de forma simple y sintética mediante una combinación del último valor de la serie y del valor pronosticado para este mencionado último valor.
  • Pronóstico = α (último valor) + (1-α) último pronóstico
  • Donde α es una constante entre 0 y 1 llamada “constante de suavizamiento”.

Para series de tiempo estables es recomendable valores de a pequeños como 0.1, y para series de tiempo inestables valores mayores. En general en aplicaciones de hoy en día se utilizan valores entre 0.1 y 0.3.

• El método de suavizamiento exponencial con tendencia:

• P = α (UV) + (1-α) (UP) + T

• T = β (UT) (1-β) (EA)

• UT = β(UV-PV) + (1-α ) (UP – PP)

Donde: P = Pronóstico, UV = Ultimo valor, UP = Último pronóstico, T = Tendencia estimada, UT = Última tendencia, EA = Estimación anterior, PV = Penúltimo valor, PP = Penúltimo pronóstico, β = Es una constante de suavizamiento de tendencia entre 0 y 1, la elección del valor y rango de β tiene igual significado que α.

Pronósticos causales: Ciertamente las series de tiempo se basan en un solo indicador clave, como lo es por ejemplo la variable ventas. Siguiendo el ejemplo, el objetivo de la serie de tiempo es encontrar un valor de pronóstico de la variable ventas a partir de valores pasados de la misma variable ventas. Ahora bien, si tenemos dos variables en relación causa-efecto las series de tiempo no nos sirven.
El pronóstico causal obtiene una proyección de la cantidad de interés (la variable dependiente) relacionándola directamente con una o más cantidades (las variables independientes) que impulsan la cantidad de interés. Por ejemplo, las promociones
sobre uno o varios productos pueden ser la causa de una mayor cantidad de ventas en dichos artículos, como tal tenemos una relación causa (promociones)-efecto (mayores ventas).
Una de las técnicas para resolver problemas de pronósticos causales es la regresión lineal. El objetivo de este método es encontrar la línea recta que más se aproxime a la relación
entre la variable dependiente e independiente. La forma de la ecuación es la de la recta:

Y = a + bx

Donde: Y = variable dependiente

X = variable independiente

a = Intersección de la línea con el eje Y, b = pendiente de la línea.

Precisión de los métodos de pronóstico: Para medir la desviación que hay entre el pronóstico y el valor real posterior se utiliza normalmente el valor de error promedio
del pronóstico, conocido como Desviación Absoluta Media (MAD) y que se calcula con la siguiente fórmula:

MAD = Suma de los errores de pronóstico/número de pronóstico

Otra forma significativa de medir la precisión es a través del Error Cuadrático Promedio (MSE) y que se calcula de la siguiente forma:

MSE = Suma de los cuadrados de los errores de pronóstico / Número de pronósticos

El resultado de esta fórmula pone de relieve los errores grandes de pronóstico, así como también destaca si el método de pronóstico es preciso. Se utiliza como complemento informativo a MAD.

Puedes encontrar una investigación mas detallada en el siguiente link: