FACULTAD DE

INGENIERÍA
Carrera de Ingeniería Industrial

PROYECTO FINAL DEL CURSO

“PROPUESTA DE IMPLEMENTACION DE UN MODELO DE

PRONOSTICO DE DEMANDA PARA REDUCIR COSTOS DE
INVENTARIOS EN LA PANIFICADORA FITO PAN S.R.L.”
INTEGRANTES:

N° Apellidos y Nombres %Contribución

1 CORREA SAGÁSTEGUI ALEJANDRO FABRIZIO 100%

2 JULIAN LONGA JOSE ISMAEL 100%

3 NAPANGA RAMÍREZ KURT EMERSON 100%

4 URQUIZO PONCE XIMENA MARIANNE 100%

Asesor:
Ing. Oscar Alberto Goicochea Ramírez
Trujillo - Perú

2024
 Implementación de un modelo de pronóstico de
demanda para reducir costos de inventarios en la
panificadora Fito Pan S.R.L.
Oscar Goicochea Ramírez, Ingeniero Industrial
Escuela de Pregrado, Universidad Privada del Norte,
Trujillo, Perú

1. INTRODUCCIÓN
y estacionalidad fue seleccionado por ser el que mejor se ajustó a la
Fito Pan S.R.L., una panificadora con más de dos décadas en el demanda de la empresa. El sistema propuesto incluyó la
mercado y con toda su documentación en regla, opera en un entorno determinación del lote económico de compra (EOQ), el punto de
económico donde las fluctuaciones en los precios de materias primas reorden (ROP) y el stock de seguridad (SS) para cada producto.
y el poder adquisitivo del consumidor pueden afectar Comparando este sistema con la política actual de la empresa, se
significativamente sus costos. Tecnológicamente, la empresa enfrenta encontró que la implementación del sistema de gestión de inventarios
la necesidad de adoptar herramientas avanzadas que mejoren la propuesto podría reducir los costos de mantenimiento de inventario en
eficiencia de producción y la gestión de inventarios. En un mercado un 58.22 %.
competitivo con numerosos actores locales y grandes cadenas, Fito El pronóstico de demanda es un elemento fundamental en la
Pan debe diferenciarse a través de la calidad y la eficiencia operativa. planificación operativa de las organizaciones. La capacidad de prever
Uno de los principales desafíos de gestión es optimizar los inventarios la demanda futura permite ajustar los niveles de inventario, optimizar
para reducir costos, lo cual puede ser abordado eficazmente mediante la producción y reducir costos, lo que resulta particularmente
un modelo de pronóstico de demanda adecuado. relevante en industrias como la panadería. En este contexto, la
López Rodríguez y Galarreta Oliveros (2018), en su estudio, cuyo Panificadora Fito Pan S.R.L. se beneficiaría significativamente de la
objetivo principal fue analizar si la implementación de un modelo de implementación de un modelo de pronóstico de demanda que permita
gestión de inventarios reduce los costos de almacén, aplicaron un prever con precisión las necesidades del mercado.
diseño preexperimental con datos de la demanda histórica de los años Uno de los enfoques más utilizados en el pronóstico de demanda es el
2015 y 2016. Utilizaron el método ABC para clasificar los artículos en análisis de series de tiempo, que se basa en datos históricos para
familias y aplicaron un modelo de gestión de inventarios a las predecir comportamientos futuros. Los modelos de series de tiempo
categorías seleccionadas. Los resultados mostraron una reducción del suponen que los patrones de demanda pasados continuarán en el
23.21 % en los costos de inventarios tras la implementación del futuro (Kumar et al., 2021). Entre los métodos más utilizados dentro
modelo, demostrando su efectividad en la optimización de costos en de este enfoque se encuentran los promedios móviles, los cuales
la empresa estudiada. suavizan las fluctuaciones de demanda calculando el promedio de un
Almendras Condormango y Madison Ruth (2018), en su tesis, número determinado de periodos anteriores para proyectar la
tuvieron como objetivo reducir los costos de inventario del demanda futura. Este método es adecuado para datos sin tendencias
Laboratorio Clínico Alpaca E.I.R.L. mediante la implementación de marcadas ni fluctuaciones estacionales significativas (Makridakis et
un modelo de inventario basado en simulación. Se realizó un análisis al., 2020).
de gestión y costos de inventarios para 59 artículos clasificados bajo El promedio móvil ponderado, por su parte, otorga más peso a los
el método ABC, y se pronosticó la demanda de los artículos del sector datos más recientes, lo que permite que el modelo reaccione más
A a través de simulación. Posteriormente, se aplicó un modelo de rápido a los cambios en la demanda (Chase & Jacobs, 2021). Este
inventario de revisión periódica con demanda incierta. Los resultados enfoque es útil en situaciones donde la demanda es inestable, ya que
mostraron que la aplicación del modelo permitió una reducción del se ajusta mejor a las variaciones recientes, mejorando así la precisión
3.62 % en los costos de inventario, lo que representó un ahorro anual del pronóstico.
de S/. 17 987,72. Esta reducción fue corroborada mediante la prueba Otro método destacado es el suavizamiento exponencial, el cual
estadística de Wilcoxon, con un valor de significancia de 0.00048, lo también se basa en el uso de promedios, pero con la diferencia de que
que validó la hipótesis de que el modelo de revisión periódica con los datos más recientes reciben un peso exponencialmente mayor.
demanda incierta reduce los costos de inventario. Este método es sencillo de aplicar y ajusta sus predicciones según una
Pacherres Osorio y Placido Campos (2017), en su tesis, tuvieron como constante de suavizamiento (α), que define la influencia de los datos
objetivo proponer un sistema de gestión de inventarios para reducir más recientes (Hyndman & Athanasopoulos, 2018). En situaciones de
los costos de mantenimiento de inventario en la empresa Costa Gas alta volatilidad en la demanda, un valor elevado de α permite
Trujillo S.A.C., dedicada a la comercialización de GLP. El estudio responder rápidamente a los cambios, mientras que un valor más bajo
inició con la recopilación de datos históricos de la demanda, lo que es adecuado para series de demanda más estables.
permitió realizar un análisis de clasificación ABC para determinar la Cuando los datos muestran una tendencia creciente o decreciente, los
contribución de cada producto en los ingresos de la empresa durante modelos de proyección de tendencias son más adecuados. Estos
2016. Posteriormente, utilizando los datos históricos de la demanda modelos ajustan una línea a los datos históricos para predecir la
de 2015 y 2016, se realizaron pronósticos para estimar la demanda del demanda futura, lo cual es útil en entornos donde se observa un
año 2017 mediante métodos como promedio móvil, suavización crecimiento o decrecimiento constante en el consumo (Svetunkov,
exponencial, y suavización exponencial con tendencia y 2021).
estacionalidad. El método de suavización exponencial con tendencia
En industrias como la panadería, donde las fluctuaciones estacionales
son pronunciadas, los modelos que ajustan las fluctuaciones
estacionales son esenciales. Estos modelos aseguran que las
predicciones tengan en cuenta los picos y caídas de demanda
relacionados con festividade s u otros eventos cíclicos recurrentes
(Brockwell & Davis, 2016).
Finalmente, evaluar la precisión de un modelo de pronóstico es crucial
para asegurar que este se ajuste adecuadamente a los datos reales. Para
esto, se utilizan métricas como la Desviación Absoluta Media (MAD),
el Error Cuadrático Medio (MSE) y el Error Porcentual Absoluto
Medio (MAPE). Estas herramientas permiten comparar los valores
predichos con los reales y evaluar el rendimiento del modelo. El
MAPE, en particular, es útil ya que expresa el error en términos
porcentuales, facilitando la interpretación y comparación entre
diferentes modelos (Kourentzes & Petropoulos, 2019).
En la Panificadora Fito Pan S.R.L., la implementación de un modelo
de pronóstico de demanda contribuiría a la mejora de la planificación
operativa y la gestión de inventarios. El uso de modelos de promedios
El objetivo general de este paper es proponer e implementar un
móviles o suavizamiento exponencial permitiría ajustar la producción
modelo de pronóstico de demanda en la Panificadora Fito Pan S.R.L.
diaria y semanal, minimizando el desperdicio de productos
para optimizar la gestión de inventarios y reducir los costos asociados.
perecederos y optimizando los niveles de inventario. Asimismo, en un
Para alcanzar este objetivo, se plantea evaluar el sistema actual de
sector con marcada estacionalidad, la aplicación de modelos de
gestión de inventarios en la empresa, identificar las deficiencias y
proyección de tendencias y ajuste estacional garantizaría que la
desafíos que enfrentan en la planificación de demanda.
empresa pueda prever con precisión los picos de demanda durante
Además, se propone investigar y seleccionar un modelo de pronóstico
eventos clave, reduciendo costos operativos y mejorando la eficiencia
adecuado que se ajuste a las necesidades específicas de la
en la cadena de suministro.
panificadora, con el fin de mejorar la precisión en la previsión de
Fito Pan S.R.L., una panificadora con más de veinte años de
demanda. Finalmente, se busca implementar el modelo propuesto y
experiencia en el mercado, se encuentra operando en un entorno
medir su impacto en la reducción de costos de inventarios y en la
altamente competitivo y volátil. Las fluctuaciones en los precios de
eficiencia operativa de la empresa.
las materias primas, como la harina y otros insumos esenciales, junto
Problemática: La Panificadora Fito Pan S.R.L., con más de veinte años
con los cambios en el poder adquisitivo de los consumidores, generan
de experiencia en el mercado, enfrenta costos de inventario excesivo,
una alta variabilidad en la demanda de sus productos. A pesar de
ya que este no cuenta con un pronóstico adecuado. Actualmente, la
contar con una trayectoria consolidada, la empresa enfrenta
empresa toma decisiones basadas únicamente en datos históricos, sin
dificultades para mantener un control eficiente sobre sus inventarios,
emplear modelos avanzados de pronóstico. Esto genera situaciones de
lo que ha derivado en problemas de sobrestock o quiebres de stock
sobreproducción, que inmovilizan capital al mantener inventarios
que afectan su rentabilidad.
excesivos, y quiebres de stock en momentos de alta demanda, lo que
Actualmente, Fito Pan no dispone de un sistema avanzado de
afecta directamente la satisfacción del cliente y provoca pérdida de
previsión de demanda, lo que hace que las decisiones relacionadas con
ventas.
la producción y la gestión de inventarios se basen en estimaciones
Además, el entorno económico en el que opera Fito Pan está marcado
poco precisas o en datos históricos que no reflejan adecuadamente las
por fluctuaciones en los precios
fluctuaciones del mercado. Esta situación ha ocasionado costos
de las materias primas y el poder adquisitivo de los consumidores.
innecesarios, tanto por mantener inventarios excesivos que generan
Este contexto volátil hace que sea más difícil anticipar la demanda,
inmovilización de capital, como por la falta de producto en momentos
especialmente durante periodos de estacionalidad y eventos
de alta demanda, lo que reduce la satisfacción del cliente y la
recurrentes como festividades. A esto se suman los retos que impone
capacidad competitiva de la empresa frente a grandes cadenas
la competencia de grandes cadenas de panificación, que han adoptado
panificadoras.
sistemas más sofisticados para la gestión de inventarios y la previsión
Para hacer frente a estos desafíos, es necesario implementar un modelo
de demanda.
de pronóstico de demanda que permita a Fito Pan optimizar su
La falta de un sistema de pronóstico adecuado no solo incrementa los
planificación de inventarios, anticiparse a los cambios en el mercado
costos operativos debido al manejo ineficiente de inventarios, sino que
y reducir los costos asociados a la mala gestión de existencias.
también disminuye la capacidad competitiva de la empresa en el
El problema, entonces, se plantea ¿La implementación de sistema de
mercado local. Ante esta situación, es necesario desarrollar e
pronósticos de demanda permitirá reducir los costos de inventarios en
implementar un modelo de pronóstico de demanda que permita
la empresa?
optimizar la gestión de inventarios, reducir los costos asociados y
La hipótesis es; La implementación de sistema de pronósticos de
mejorar la eficiencia en la planificación operativa de la empresa,
demanda reduce los costos de inventarios en la panificadora Fito Pan
ajustando los niveles de producción y evitando pérdidas innecesarias
S.R.L. de productos perecederos.
Figura 1.
2. MATERIALES Y MÉTODOS
Diagrama de Ishikawa 2.1. Diseño de la investigación

2.1.1 Tipo de investigación

El diseño de la investigación es de tipo aplicada, dado que busca Operacionalización de variables
resolver un problema práctico en la gestión de inventarios de la
panificadora. El enfoque es cuantitativo porque se emplean datos
históricos para construir el modelo de pronóstico. Además, el diseño
es no experimental y transaccional, ya que no se manipulan las
variables, y los datos fueron recolectados en un período específico.

2.1.2. Unidad de análisis

La unidad de análisis es el área de producción y ventas de la
Panificadora Fito Pan S.R.L., haciendo un enfoque en los productos
de mayor rotación tales como los panes. Se utilizaron datos de ventas
recolectados a partir de los reportes mensuales de la empresa dentro
de un periodo de 12 meses.

2.2. Técnicas de recolección de datos

Los datos utilizados para este estudio se obtuvieron a partir de los
registros históricos de ventas de la panificadora, los cuales fueron
recopilados a través de:
Tabla 1.
Técnicas e instrumentos de recolección de datos

Técnica Instrumento
Ficha de 3. RESULTADOS
Observación
observación
Entrevista Guía de entrevista Para realizar el pronóstico de la demanda, se aplicaron cinco
Recopilación Reportes de ventas metodologías: Promedio Móvil Ponderado, Regresión Lineal,
documental e inventarios Proyección de Tendencia, Pronóstico Estacional Trimestral y Método
de Winters. Tras analizar los resultados, el Método de Winters
presentó la menor desviación absoluta media (MAD) y mejor ajuste a
2.3. Análisis e interpretación de la información las fluctuaciones estacionales en comparación con los demás. Por ello,
se selecciona como el método más adecuado para el pronóstico de la
Figura 2.
demanda.
Flujo de la información y procesamiento de datos
3.1 Datos de planificación
Recojo de la
información El pronóstico de demanda se realizó utilizando datos
Tabulación de datos
históricos mensuales del periodo enero a diciembre, como se
muestra en la Tabla 3. La demanda se expresa en miles de
Análisis de datos
unidades vendidas por mes. Estos datos reflejan variaciones
Comparación de estacionales que se tuvieron en cuenta en la selección del
errores de pronóstico
modelo de pronóstico. El objetivo del análisis es optimizar la
Selección del
método óptimo planificación de la producción para evitar faltantes y
minimizar excedentes, garantizando un equilibrio eficiente
Propuesta de mejora
entre oferta y demanda
Discusión

Conclusiones
Tabla 3.
Demanda Mensual (en miles de unidades)

2.4 Matriz de operacionalización de variables

Se presenta en la Tabla 2, las variables planteadas: el sistema de

pronóstico de demanda como variable independiente y los
costos de inventario en conjunto a la eficiencia operativa como
las variables dependientes. Estas permiten evaluar el impacto
que tendrá el modelo de pronóstico en la optimización de
inventarios y reducción de costos en la panificadora Fito Pan
S.R.L

Tabla 2.
 Pronostico Error
DEMANDA Error de Error Error
MESES de Absoluto MAD
DEMANDA (En miles)
produccion
pronostico Acumulado Absoluto
Acumulado
MESES Enero 90.00 95.21
(En miles) Febrero 121.00 103.77 17.23 17.23 17.23 17.23 17.23
Marzo 107.00 112.33 -5.33 11.90 5.33 22.56 11.28
Abril 165.00 120.89 44.11 56.01 44.11 66.67 22.22
Enero 90.00 Mayo 99.00 129.45 -30.45 25.56 30.45 97.12 24.28
Junio 130.00 138.01 -8.01 17.55 8.01 105.13 21.03
Febrero 121.00 Julio 110.00 146.57 -36.57 -19.02 36.57 141.70 23.62
Agosto 190.00 155.13 34.87 15.85 34.87 176.57 25.22
Marzo 107.00 Septiembre 128.00 163.69 -35.69 -19.84 35.69 212.26 26.53
Octumbre 181.00 172.25 8.75 -11.09 8.75 221.01 24.56
Abril 165.00 Noviembre 157.00 180.81 -23.81 -34.90 23.81 244.82 24.48
Diciembre 230.00 189.37 40.63 5.73 40.63 285.45 25.95
Mayo 99.00 197.93 26.0

Junio 130.00
Para realizar el pronóstico, se utilizaron los datos históricos de ventas
Julio 110.00
de la empresa, que se presentan en la Tabla 3. El modelo de regresión
Agosto 190.00 lineal fue aplicado para determinar la relación entre el tiempo y la
Septiembre 128.00 demanda de ventas.
Octumbre 181.00
El pronóstico para el mes de enero es de 198 unidades.
Noviembre 157.00
Diciembre 230.00 En la Tabla 4, se muestran los cálculos realizados para ajustar la línea
de regresión, resultando en la siguiente ecuación de pronóstico:
3.2. Pronostico
Para realizar el pronóstico de la demanda, se aplicaron cinco
metodologías: Promedio Móvil Ponderado, Regresión Lineal,
Pronóstico Estacional de 4 meses, suavizamiento exponencial y el
Método de Winters. Cada uno de estos métodos fue evaluado con base
donde 86.65 es la intersección y 8.56 es la pendiente.
en su precisión, considerando métricas como el Error Absoluto Medio
(MAD), el Error Cuadrático Medio (MSE) y Error Porcentual La tendencia lineal estimada se grafica en la Figura 4 mostrando un
Absoluto Medio (MAPE). comportamiento creciente.

Figura 3. Figura 4.

Ventas Históricas Mensuales

METODO DE REGRESION LINEAL
Ventas Históricas Mensuales 250.00

250 200.00
VENTAS

200 150.00
DEMANDA (En
150 100.00 miles)
100
50.00 Pronostico de
50
0.00 produccion
0
1 3 5 7 9 11
MESES

Dado que el Método de Winters permitió capturar tanto las tendencias

como los patrones estacionales presentes en los datos históricos, se
considera el más idóneo para los fines de este análisis.

3.2.1. Regresión Lineal

Tabla 4.

Método de Regresión Lineal

3.2.2. Promedio Móvil Ponderado

Tabla 5.
Promedio Móvil Ponderado Índice de estacionalidad
PRONOSTI Error
MESES
DEMANDA
(En miles)
CO (En
Error de Error
pronostico Acumulado
Error
Absoluto
Absoluto MAD Indice de estacionalidad
miles) Acumulado
Enero 90.00 0.00 mes1 0.80
Febrero 121.00 0.00
Marzo 107.00 0.00 mes2 1.04
Abril 165.00 107.80 57.20 57.20 57.20 57.20 57.20
Mayo 99.00 138.80 -39.80 17.40 39.80 97.00 48.50 mes3 0.84
Junio 130.00 120.40 9.60 27.00 9.60 106.60 35.53
Julio 110.00 127.70 -17.70 9.30 17.70 124.30 31.08 mes4 1.32
Agosto 190.00 113.80 76.20 85.50 76.20 200.50 40.10
Septiembre 128.00 154.00 -26.00 59.50 26.00 226.50 37.75
Octumbre 181.00 143.00 38.00 97.50 38.00 264.50 37.79 Para el pronóstico estacional, se consideraron los datos históricos de
Noviembre 157.00 166.90 -9.90 87.60 9.90 274.40 34.30
Diciembre 230.00 158.40 71.60 159.20 71.60 346.00 38.44 los últimos años, dividiéndolos en ciclos estacionales de 4 meses. El
ajuste del pronóstico y los cálculos del índice estacional se muestran
El pronóstico se realizó utilizando el método de Promedio Móvil en la Tabla 6 y Tabla 7 respectivamente.
Ponderado, con pesos asignados según la relevancia de los períodos El pronóstico para el mes de enero es de 149 unidades.
históricos considerados. Se consideraron los valores; 0.2; 0.3; 0.5 La Figura 6 muestra la evolución de las ventas ajustadas
como coeficientes de ponderación. estacionalmente, revelando que el comportamiento de la demanda
El pronóstico para el mes de enero es de 198 unidades. sigue un patrón describe el patrón observado: estacional/repetitivo.
En la Figura 5, se presenta la comparación entre los valores históricos Figura 6.
y el pronóstico realizado, observándose que la demanda describe la
tendencia detectada en la gráfica. MÉTODO ESTACIONAL DE 4
Figura 5.
MESES
PROMEDIO MOVIL PONDERADO 300.00

VENTAS
250 200.00
200 100.00
VENTAS

150
0.00
100
1 2 3 4 5 6 7 8 9 10 11 12
50
MESES
0
1 2 3 4 5 6 7 8 9 10 11 12
3.2.4. Método de Holt-Winters
MESES
Tabla 8.
3.2.3. Pronóstico Estacional de 4 meses
Parámetros de Pronóstico
Tabla 6.
Índices
Pronóstico Estacional de 4 meses Factores
estacionales
Valor Venta
MESES
DEMANDA
Prom Movil Prom Movil Irregular Desestacionalizada
α (suavizado) 0.53 1.00
(En miles)
de 4 meses centrado Estacional X
Enero 90.00
(Y)
112.67 1
β (suavizado de tendencia) 0.10 1.00
Febrero
Marzo
121.00
107.00
120.75
123.00 121.875 0.88
116.47
126.81
2
3
γ (suavizado de estacionalidad) 1.00 1.00
Abril 165.00 125.25 124.125 1.33 125.39 4
Mayo 99.00 126.00 125.625 0.79 123.94 5
Junio 130.00 132.25 129.125 1.01 125.13 6
Julio 110.00 139.50 135.875 0.81 130.37 7
Tabla 9.
Agosto 190.00 152.25 145.875 1.30 144.39 8
Septiembre 128.00 164.00 158.125 0.81 160.25 9 Método de Holt-Winters
Octubre 181.00 174.00 169 1.07 174.22 10
Noviembre 157.00 186.07 11 Pronostico Error
Diciembre 230.00 174.79 12 DEMANDA Error de Error Error
MESES de Absoluto MAD
(En miles) pronostico Acumulado Absoluto
Enero 148.72 13 produccion Acumulado
Febrero 200.67 14 Enero 90.0
Marzo 168.86 15 Febrero 121.0 90.0 31.0 31.0 31.00 31.00 31.00
Abril 272.52 16 Marzo 107.0 108.1 -1.1 29.9 1.07 32.07 16.04
Abril 165.0 109.1 55.9 85.9 55.94 88.01 29.34
Mayo 99.0 143.2 -44.2 41.6 44.23 132.24 33.06
Junio 130.0 138.6 -8.6 33.1 8.57 140.81 28.16
Julio 110.0 119.1 -9.1 23.9 9.13 149.94 24.99
Agosto 190.0 138.1 51.9 75.9 51.93 201.86 28.84
Septiembre 128.0 118.1 9.9 85.7 9.88 211.74 26.47
Octubre 181.0 169.1 11.9 97.6 11.86 223.61 24.85
Noviembre 157.0 157.0 0.0 97.6 0.00 223.61 22.36
Diciembre 230.0 230.0 0.0 97.6 0.00 223.61 20.33

El pronóstico fue realizado utilizando el método de Holt-Winters, que

considera tanto la tendencia como la estacionalidad de los datos. Los
parámetros utilizados para el suavizado y los resultados obtenidos se
Tabla 7. muestran en la Tabla 8 y 9 respectivamente.
El pronóstico para el mes de Enero es de 149 unidades. Tabla 11.
La Figura 7 ilustra la comparación entre los datos históricos y el
pronóstico generado, observándose un ajuste bueno según la MSE (Mean Square Error)
demanda.
REGRES PROMED ESTACIO PRONÓS SUAVIZAD
Figura 7. IÓN POR IO NAL TICO DE O
MINIMO MOVIL CADA 4 WINTERS EXPONEN
S PONDER MESES CIAL
MÉTODO DE HOLT-WINTERS CUADRA ADO
DOS
300
250 853.06 1673.85 918.41 830.84 1532.03
200
Ventas

El método de Holt-Winters muestra el menor MSE (830.84), lo que

150
Demanda indica que tiene la mejor precisión en términos de la diferencia
100
cuadrática promedio entre las predicciones y los valores reales. Por
50 Pronóstico
otro lado, el método de Promedio Móvil Ponderado presenta el mayor
0
error cuadrático medio (1673.85), sugiriendo que este enfoque es
0 5 10 15 20
menos efectivo para capturar la variabilidad en los datos.
Meses
3.3.2. Error Porcentual Absoluto Medio

3.2.5. Método de Suavizado Exponencial Tabla 12.

Tabla 10. MAPE (Mean Absolute Percentage

Suavizamiento Exponencial Error)
MESES
DEMANDA PRONOSTICO Error de Error Error
Error
Absoluto MAD
REGRES PROMED ESTACIO PRONÓS SUAVIZAD
(En miles) (En miles) pronostico Acumulado Absoluto
Acumulado ION POR IO NAL TICO DE O
Enero 90.00 150.00 MINIMO MOVIL CADA 4 WINTERS EXPONEN
Febrero 121.00 132.00 -11.00 -11.00 11.00 11.00 11.00
Marzo 107.00 128.70 -21.70 -32.70 21.70 32.70 16.35 S PONDER MESES CIAL
Abril 165.00 122.19 42.81 10.11 42.81 75.51 25.17 CUADRA ADO
Mayo 99.00 135.03 -36.03 -25.92 36.03 111.54 27.89
Junio 130.00 124.22 5.78 -20.15 5.78 117.32 23.46 DOS
Julio 110.00 125.96 -15.96 -36.10 15.96 133.28 22.21
Agosto 190.00 121.17 68.83 32.73 68.83 202.11 28.87
Septiembre 128.00 141.82 -13.82 18.91 13.82 215.93 26.99
Octumbre 181.00 137.67 43.33 62.24 43.33 259.25 28.81
Noviembre 157.00 150.67 6.33 68.57 6.33 265.58 26.56 16.67 18.10 15.77 13.47 18.28
Diciembre 230.00 152.57 77.43 146.00 77.43 343.01 31.18

Con un MAPE de 13.47, el método de Holt-Winters también destaca

Para el pronóstico, se aplicó el método de Suavizado Exponencial con por ser el más preciso al tener el porcentaje promedio de error absoluto
un factor de suavizado α igual a valor de 0.3. Los cálculos y resultados más bajo. Esto sugiere que es el más adecuado para predecir la
se encuentran en la Tabla 10. demanda en comparación con los otros métodos. El Suavizado
El pronóstico para el mes de enero es de 176 unidades. Exponencial y el Promedio Móvil Ponderado presentan valores más
En la Figura 8, se muestra cómo el método suaviza las fluctuaciones altos, lo que indica una menor precisión en sus pronósticos.
en los datos históricos, reflejando un comportamiento describe la
tendencia observada.

3.3.3. Desviación Absoluta Media

Figura 8.
Tabla 13

METODO DE SUAVIZAMIENTO MAD (Mean Absolute Deviation)

EXPONENCIAL
300.00 REGRES PROMED ESTACIO PRONÓS SUAVIZAD
ION POR IO NAL TICO DE O
200.00 MINIMO MOVIL CADA 4 WINTERS EXPONEN
VENTAS

S PONDER MESES CIAL

CUADRA ADO
100.00 DOS

0.00 25.95 38.44 25.73 20.33 31.18

1 2 3 4 5 6 7 8 9 10 11 12 El método de Holt-Winters nuevamente muestra el menor valor de
MESES MAD (20.33), lo que refuerza su precisión en la predicción de la
DEMANDA (En miles) PRONOSTICO (En miles) demanda al tener el menor desvío absoluto promedio. En contraste, el
método de Promedio Móvil Ponderado tiene el mayor MAD (38.44),
3.3. Evaluación lo que evidencia una mayor variabilidad en la precisión de sus
pronósticos.
3.3.1. Error Cuadrático Medio
Aunque las demás herramientas utilizadas (Promedio Móvil • Hyndman, R. J., & Athanasopoulos, G. (2018).
Ponderado, Regresión Lineal, Pronóstico Estacional Trimestral y Forecasting: Principles and Practice. OTexts.
Suavizamiento Exponencial) arrojaron resultados válidos, sus errores • Svetunkov, I. (2021). Forecasting and Analytics with
fueron mayores en comparación con el Método de Winters. Los Forecasting Additions. Business Expert Press.
cálculos detallados y resultados de estas metodologías se presentan en • Brockwell, P. J., & Davis, R. A. (2016). Introduction to
los Anexos A-D. Time Series and Forecasting. Springer.
Después de analizar los resultados, se seleccionó el Método de • Kourentzes, N., & Petropoulos, F. (2019). Improving
Winters como el más adecuado, ya que presentó la menor desviación forecasting by estimating time series structural
y el mejor ajuste a las fluctuaciones estacionales components across multiple horizons. European Journal
of Operational Research, 273(1), 234-248.
4. DISCUSION Y CONCLUSIONES

La implementación de un modelo de pronóstico de demanda en Fito

Pan S.R.L. ha sido clave para mejorar la precisión en la planificación
de inventarios y producción. A través de esta herramienta, la
panificadora ha logrado ajustar sus niveles de producción de acuerdo
con la estacionalidad de la demanda, lo que ha resultado en una
reducción significativa de los costos asociados al almacenamiento de
inventarios y la minimización de desperdicios. La selección del
Método de Holt-Winters fue particularmente eficaz, dado que
demostró una baja desviación absoluta media (MAD), lo cual permitió
reflejar con mayor precisión las fluctuaciones de la demanda en el
tiempo.
En el contexto de la panificación, caracterizado por una volatilidad de
mercado notable, el uso de un pronóstico de demanda avanzado se ha
convertido en una ventaja competitiva. Este modelo le ha permitido a
Fito Pan reducir tanto la acumulación de productos innecesarios como
los faltantes en los picos de demanda, optimizando así sus recursos
financieros y materiales. Esto es especialmente valioso en una
industria en la que las fluctuaciones de la demanda afectan
directamente los márgenes de rentabilidad y la eficiencia operativa de
las empresas.
La implementación del modelo de pronóstico de demanda ha
demostrado ser una estrategia efectiva para reducir costos en la
Panificadora Fito Pan S.R.L. Gracias al ajuste preciso de los niveles
de inventario y producción, la empresa ha optimizado el uso de su
capital, logrando un equilibrio entre oferta y demanda que minimiza
el desperdicio y reduce la inmovilización de recursos. Este enfoque
no solo ha fortalecido la rentabilidad de la empresa, sino que también
ha mejorado su capacidad de respuesta en un mercado cambiante.
Por último, considerando los resultados positivos en la línea de
productos de pan, se recomienda evaluar la aplicación de este modelo
en otras líneas de productos de la empresa. Ampliar el uso del modelo
de pronóstico a toda la gama de productos podría consolidar aún más
la eficiencia en la gestión de inventarios, lo que contribuiría a una
mejora integral de la competitividad y sostenibilidad operativa de la
empresa en el largo plazo.

REFERENCIAS

• Kumar, S., Stecke, K. E., & Suri, R. (2021). Demand

forecasting for inventory management: A review and
some future directions. International Journal of
Production Research, 59(1), 12-34.
• Makridakis, S., Wheelwright, S. C., & Hyndman, R. J.
(2020). Forecasting: Methods and Applications. John
Wiley & Sons.
• Chase, R. B., & Jacobs, F. R. (2021). Operations and
Supply Chain Management. McGraw-Hill.