Una empresa puede cerrar el mes con 140 unidades de demanda y necesitar decidir cuánto preparar para el siguiente periodo. El problema no consiste en “adivinar” un número, sino en elegir un método que represente el comportamiento de los datos y permita interpretar su incertidumbre. En una serie temporal, el orden de las observaciones importa porque los valores se registran a través del tiempo y pueden contener nivel, tendencia, estacionalidad y variación irregular.
Los métodos cuantitativos de pronóstico son aplicables cuando existe información histórica numérica y resulta razonable suponer que parte de los patrones observados puede continuar. La elección debe responder al patrón de la serie, al horizonte del pronóstico y al costo de equivocarse. Esta guía desarrolla cálculos manuales con un ejemplo hipotético y explica cómo interpretar los resultados antes de utilizarlos en planificación.
Qué representa un pronóstico
Una serie temporal es una secuencia ordenada de mediciones de una misma variable a lo largo del tiempo. El NIST/SEMATECH e-Handbook of Statistical Methods señala que estos modelos se emplean tanto para comprender la estructura que generó los datos como para pronosticar, monitorear o controlar procesos. Por eso, antes del cálculo conviene revisar si la serie presenta estabilidad, crecimiento o descenso sostenido, repetición estacional o cambios bruscos.
El pronóstico debe leerse como una estimación condicionada a la información disponible. Un modelo simple puede ser suficiente para una serie estable, mientras que una serie con tendencia o estacionalidad exige una estructura distinta. También es útil conservar un método básico como referencia: si un modelo complejo no mejora de forma consistente a un pronóstico ingenuo, su mayor dificultad operativa necesita justificarse.
Cómo elegir el método
La comparación siguiente resume qué información aprovecha cada alternativa. Los métodos no son intercambiables: un promedio móvil puede suavizar oscilaciones de corto plazo, mientras que Holt o Holt-Winters incorporan componentes adicionales para series con tendencia y, en el segundo caso, estacionalidad. El libro Forecasting: Principles and Practice enfatiza que el método apropiado depende de los datos disponibles y de los patrones que sea razonable proyectar.
| Método | Qué prioriza | Cálculo básico | Cuándo es útil | Limitación principal |
|---|---|---|---|---|
| Ingenuo | Último valor observado | Repite el dato más reciente | Referencia o series muy persistentes | No modela tendencia ni estacionalidad |
| Promedio móvil | Últimos n periodos con igual peso | Media de una ventana reciente | Series relativamente estables | Responde con retraso a cambios persistentes |
| Promedio ponderado | Periodos recientes con mayor peso | Suma de valores por pesos | Cambios recientes relevantes | Los pesos deben justificarse o estimarse |
| Suavización exponencial | Toda la historia con pesos decrecientes | Actualiza nivel con α | Nivel estable sin tendencia marcada | La versión simple no representa tendencia |
| Tendencia lineal | Cambio medio a través del tiempo | Recta estimada por mínimos cuadrados | Crecimiento o descenso aproximadamente lineal | Extrapola la tendencia aunque el proceso cambie |
| Holt-Winters | Nivel, tendencia y estacionalidad | Ecuaciones de actualización | Series con patrones estacionales repetidos | Requiere estructura estacional y más parámetros |
Conviene distinguir un promedio móvil usado para suavizar o generar un pronóstico de un modelo MA(q) de la familia ARIMA. En este último, los términos “moving average” se refieren a errores pasados multiplicados por coeficientes, como explica Penn State STAT 510 sobre modelos MA.
Promedios móviles paso a paso
Supongamos una demanda hipotética de 120, 128, 133, 125 y 140 unidades durante cinco periodos consecutivos. Para estimar el periodo 6 con un promedio móvil de tres periodos se utilizan los valores 133, 125 y 140.
Interpretación: el método trata los tres datos recientes como igualmente informativos. Si el salto hasta 140 representa un cambio permanente, el promedio móvil reaccionará con retraso porque todavía arrastra los valores 133 y 125.
Si se considera que la observación más reciente contiene más información, puede aplicarse un promedio ponderado. Con pesos de 0,50 para 140, 0,30 para 125 y 0,20 para 133, la suma de los pesos es 1.
El valor aumenta de 132,7 a 134,1 porque se asigna mayor peso al dato más reciente. Eso no significa que el segundo método sea automáticamente más preciso: la ponderación debe validarse con errores fuera de la muestra o con un procedimiento de estimación consistente.
Suavización exponencial
La suavización exponencial simple actualiza el pronóstico combinando la observación más reciente con el pronóstico anterior. Según el NIST sobre suavización exponencial simple, el parámetro α controla cuánto peso reciben los datos recientes: valores altos reaccionan más rápido y valores bajos producen una serie más suavizada.
Aquí, Ft+1 es el pronóstico del siguiente periodo, yt es el valor observado en el periodo actual y α es la constante de suavización entre 0 y 1. Si se usa α = 0,30 y se inicializa el pronóstico del periodo 2 con 120 unidades, las actualizaciones sucesivas producen para el periodo 6 un pronóstico aproximado de 129,8 unidades.
Interpretación: con α = 0,30 el método conserva bastante memoria del nivel anterior y responde lentamente al aumento de 140. Si la serie muestra una tendencia sostenida, la suavización simple puede quedarse rezagada; para ese caso, el método de Holt incorpora explícitamente un componente de tendencia.
Pronóstico con tendencia lineal
Cuando los datos crecen o disminuyen de forma aproximadamente lineal, el tiempo puede utilizarse como predictor. Hyndman y Athanasopoulos describen la tendencia lineal mediante una relación entre la variable observada y el índice temporal.
En la ecuación, a es el intercepto, b es la pendiente y t identifica el periodo. Al ajustar por mínimos cuadrados los cinco valores del ejemplo se obtiene a = 118,1 y b = 3,7 unidades por periodo. Para t = 6, el cálculo es 118,1 + (3,7 × 6) = 140,3 unidades.
Interpretación: la pendiente estima un aumento medio de 3,7 unidades por periodo dentro del tramo observado. Extrapolar esa pendiente supone que el patrón continúa; una promoción, restricción de capacidad, cambio de precio o quiebre estructural puede invalidar esa continuidad. Por ello, una recta ajustada debe revisarse junto con el contexto operativo y los residuos del modelo.
Cómo interpretar el error
Supongamos que, después de emitir los pronósticos anteriores, el valor real del periodo 6 resulta ser 145 unidades. Ese dato permite comparar qué tan lejos quedó cada método en este único periodo. La tabla no demuestra cuál será mejor en el futuro; solo ilustra cómo leer un error puntual.
| Método | Pronóstico | Error absoluto | Error porcentual absoluto |
|---|---|---|---|
| Ingenuo | 140,0 | 5,0 unidades | 3,4 % |
| Promedio móvil de 3 | 132,7 | 12,3 unidades | 8,5 % |
| Promedio ponderado | 134,1 | 10,9 unidades | 7,5 % |
| Suavización exponencial | 129,8 | 15,2 unidades | 10,5 % |
| Tendencia lineal | 140,3 | 4,7 unidades | 3,2 % |
Para evaluar varios periodos se utilizan medidas agregadas. El error de un periodo es la diferencia entre el valor observado y el pronóstico. El error absoluto medio, MAE, promedia las magnitudes de esos errores y conserva las mismas unidades de la variable.
El MAPE expresa el error absoluto como porcentaje del valor observado y puede facilitar comparaciones cuando la escala tiene un cero significativo. Sin embargo, puede ser indefinido cuando un valor real es cero y volverse inestable cuando se acerca a cero. Esta limitación se discute tanto en Forecasting: Principles and Practice sobre precisión como en el artículo revisado por pares de Hyndman y Koehler sobre medidas de error.
La evaluación más útil separa datos para estimar el método de datos posteriores para comprobarlo. Comparar errores únicamente dentro del mismo conjunto utilizado para ajustar parámetros puede dar una impresión demasiado favorable. Además, la métrica debe relacionarse con la decisión: en inventarios puede importar el error en unidades; en comparaciones entre series puede ser necesario utilizar medidas escaladas o porcentuales con sus respectivas condiciones.
Conclusión
Un método de pronóstico es útil cuando su cálculo representa el patrón de la serie y su error se interpreta en el contexto de la decisión. Promediar, ponderar, suavizar o extrapolar una tendencia son operaciones distintas porque incorporan supuestos distintos. La práctica recomendable es establecer un método de referencia, evaluar alternativas con datos no usados en el ajuste y revisar si el patrón histórico continúa antes de convertir el pronóstico en una decisión operativa.
Respalda la formación que ya impartes
Si enseñas métodos de pronóstico u otros contenidos técnicos, puedes evaluar una plataforma para gestionar alumnos y emitir credenciales verificables para tus programas de capacitación.
Fuentes consultadas
NIST/SEMATECH. e-Handbook of Statistical Methods: Definitions, Applications and Techniques. s. f.
NIST/SEMATECH. Single Exponential Smoothing. s. f.
Hyndman, R. J. y Athanasopoulos, G. Forecasting: Principles and Practice, 3rd edition. 2021.
Penn State Eberly College of Science. STAT 510: Time Series Basics. s. f.
Hyndman, R. J. y Koehler, A. B. Another look at measures of forecast accuracy. 2006.
Instituto Internacional de Ingeniería (3i). Solicitud partner y prueba gratuita. s. f.
