Las series de tiempo son técnicas de pronósticos que generan sus resultados únicamente sobre la historia de la demanda de un articulo. Típicamente los métodos de series de tiempo capturan los componentes estructurales en la historia- tales como los niveles de venta, tendencia y patrones estacionales- una vez se tienen estos se extrapolan en el futuro y se genera el pronóstico. Usualmente cuando los datos no poseen los componentes de tendencia ni de estacionalidad, una serie de tiempo generara un pronóstico lineal horizontal reflejando el nivel de ventas actual. Sin embargo una línea horizontal es un pronóstico poco probable, este tipo de pronósticos requieren una explicación que permita distinguir entre un escenario futuro y un pronostico estadístico. El presente artículo escrito por Eric Stellwagen vicepresidente y cofundador de BFS hace parte de la publicación Forecasting 101 de BFS y explica cuando una línea recta horizontal es un pronóstico adecuado.

El presente artículo corresponde a una síntesis del escrito por Rob Dhuyvetter en la publicación de Foresight de octubre de 2005, Rob es analista directivo en la empresa J.R. Simplot, localizada en Boise, Idaho. Los últimos años ha trabajando con la división de alimentos de la empresa tratando de mejorar el proceso de pronóstico, y su uso en todos los eslabones de la cadena de suministro. Rob tiene un M.A. en matemáticas de la universidad del estado de Minesota y un M.S. en ingeniería industrial y administración de sistemas, mientras enseña estadísticas en la universidad de Lincoln Nebraska. En el artículo Rob comparte sus ideas y experiencia sobre la combinación de los pronósticos cuantitativos y cualitativos en J.R. Simplot. Su recomendación principal es: que el empleo de los métodos cualitativos no se limiten al ajuste de las salidas de modelos de pronóstico estadísticos, sino que hagan parte del desarrollo del modelo de pronóstico estadístico. La clave para lograr esto es la comunicación oportuna con ventas y marketing, y documentar el proceso.

El presente artículo fue escrito por Nada R Sanders quien es profesora de administración de operaciones y logística del Raj Soin College of Bussiness de la Wright State University. También ha escrito numerosos artículos para diversas publicaciones de operaciones y logística. Dado su nivel de experticia en pronósticos aplicados a los negocios y en el campo de planeación de la demanda consideramos de gran valor el contenido de este artículo.

En la primera parte de "Dinamizando el Proceso de Pronóstico"  publicación de MHD Supply Chain Solutions se realizó de forma general un análisis sobre la importancia y los beneficios de elevar el nivel de exactitud del pronóstico, en la segunda entrega revisamos en detalle como Cardinal Health logro dinamizar su proceso de pronóstico y elevar su exactitud. En esta tercera y última entrega estudiaremos el caso de Freedom Furniture una empresa Australiana del sector Retail.

En la primera parte de "Dinamizando el Proceso de Pronóstico" publicación de MHD Supply Chain Solutions se realizó de forma general un análisis sobre la importancia y los beneficios de elevar el nivel de exactitud del pronóstico. En esta segunda entrega revisaremos en detalle como Cardinal Health, empresa Australiana dedicada al suministro de bienes y distribución de servicios para la Industria Hospitalaria; logro dinamizar su proceso de pronóstico y elevar su exactitud.

El presente artículo corresponde a la tercera parte de la serie “Mas allá de la Automatización del Pronóstico” de la publicación Forecasting 101 de BFS, en la primera parte se presento de forma general los pros y los contras de la automatización del pronostico, en la segunda entrega se describió en detalle un tipo particular de modelos avanzados como lo son los modelos con eventos; los cuales son una buena alternativa para mejorar los resultados del pronostico en aquellos datos cuyo comportamiento es influenciado por situaciones particulares como promociones, huelgas, días festivos móviles, etc.

En esta entrega examinaremos otro modelo personalizado como lo es el modelamiento Top Down. La estructura de Top Down se aplica a datos de conjunto de nivel agregado para mejorar los pronósticos de niveles inferiores.

El presente artículo corresponde a la segunda parte de la serie “Mas allá de la Automatización del Pronóstico” de la publicación Forecasting 101 de BFS, en la primera parte se presento de forma general los pros y los contras de la automatización del pronostico. En esta ocasión exploraremos los modelos con eventos un avanzado modelo de pronósticos que usualmente mejora los resultados obtenidos con los métodos automatizados de series de tiempo que son influenciados históricamente por eventos tales como promociones, huelgas, días festivos móviles en el tiempo, etc.

Ante la situación actual muchas empresas son concientes de que el presente año presentara una contracción en el consumo, es por esta razón que consideramos importante compartir con ustedes los principales beneficios de anticiparse al futuro e implementar un correcto proceso de pronóstico y planeación de la demanda para poder hacer frente a esta situación.

El presente articulo corresponde a un resumen ejecutivo del artículo Ventas y Planificación de Operaciones escrito por George Palmatier de Oliver Wight el cual consideramos de gran aporte para aquellas empresas que se encuentran en el proceso de implementación del SOP (Sales Operating Planning)