Promedio Movil vs Suavizamiento Exponencial: Elegir un Pronostico de Demanda

Casi todo lo que se planea en una operacion depende de un numero que todavia no existe: cuantas piezas se van a pedir la semana que viene, cuanto inventario conviene tener a la mano, cuantas personas hay que agendar en el turno. Ese numero es el pronostico de demanda, y de que tan bien lo estimes dependen los faltantes, el exceso de inventario y las horas extra que nadie queria pagar. Por eso vale la pena entender las dos herramientas mas comunes para producirlo, porque casi cualquier hoja de calculo o sistema de planeacion se apoya en alguna de las dos.

El promedio movil y el suavizamiento exponencial parten de la misma idea: mirar lo que ya paso para estimar lo que sigue. La diferencia esta en como reparten la atencion entre el pasado reciente y el pasado lejano, y esa diferencia decide cual conviene segun el patron que tenga tu demanda. En esta guia vemos las formulas, un ejemplo trabajado con numeros reales, como leer el resultado y los errores que mas se repiten cuando se elige a ciegas.

Que es un promedio movil

Un promedio movil simple pronostica el siguiente periodo como el promedio de las ultimas n demandas reales. Todas esas n observaciones pesan lo mismo. Si eliges una ventana de tres periodos, cada uno aporta un tercio; si eliges seis, cada uno aporta un sexto. Cuando llega un dato nuevo, entra al promedio y el mas viejo sale, asi que la ventana se va desplazando periodo a periodo. De ahi el nombre.

La ventana n es la unica perilla que ajustas. Una ventana corta reacciona rapido a los cambios pero tiembla con el ruido; una ventana larga suaviza mejor el ruido pero tarda mas en darse cuenta cuando la demanda de verdad cambio de nivel. Como cada periodo pesa igual, el metodo no distingue entre un dato de la semana pasada y uno de hace dos meses, y ese detalle es justo el que lo mete en problemas cuando hay tendencia.

Que es el suavizamiento exponencial

El suavizamiento exponencial simple corrige esa ceguera. En lugar de promediar por parejo, arrastra el pronostico anterior y lo empuja hacia el dato mas reciente. La formula es:

F(t+1) = alfa x D(t) + (1 – alfa) x F(t)

Aqui F(t+1) es el pronostico del siguiente periodo, D(t) es la demanda real que acabas de observar, F(t) es el pronostico que ya tenias y alfa es una constante entre 0 y 1. Si desarmas la formula hacia atras, cada demanda pasada pesa un poco menos que la anterior, y ese peso cae de forma geometrica. Los datos viejos nunca desaparecen del todo, pero cuentan cada vez menos. Por eso el metodo se llama exponencial.

El alfa es la perilla. Un alfa alto, cerca de 1, hace que el pronostico persiga el dato mas reciente y reaccione rapido a los cambios. Un alfa bajo, cerca de 0, produce una linea muy suave que casi no se mueve, ideal cuando la serie es estable y solo quieres filtrar el ruido. Cuando la demanda ademas tiene una tendencia clara, el metodo de Holt agrega un segundo termino que estima la pendiente, de modo que el pronostico no solo sigue el nivel sino tambien la direccion.

Como calificar cualquier pronostico

Antes de decidir entre un metodo y otro necesitas una forma justa de compararlos, y esa forma es medir el error dentro de la muestra. Para cada periodo restas el pronostico de la demanda real y obtienes el error de ese periodo. Con esos errores construyes cuatro numeros que dicen casi todo:

El sesgo merece atencion aparte. MAD, MAPE y RMSE te dicen que tan grandes son los errores, pero no si estan repartidos parejo. El sesgo si. Un sesgo positivo grande significa que el metodo pronostica de menos una y otra vez, que es la firma tipica de un promedio movil corriendo detras de una demanda que sube. Un buen pronostico tiene errores chicos y ademas un sesgo cercano a cero.

Ejemplo trabajado con numeros reales

Tomemos una serie de demanda que sube de forma clara a lo largo de doce periodos: 20, 24, 22, 26, 25, 29, 27, 31, 30, 34, 33, 37. A simple vista se nota que sube, con algo de ruido encima. Vamos a pronosticar el siguiente periodo con los dos metodos y a compararlos con las metricas de arriba.

Con un promedio movil simple de ventana n = 3, el pronostico del siguiente periodo sale en 34.67. El RMSE del ajuste es 3.35 y el sesgo es de +25.7. Ese sesgo tan positivo es la evidencia dura de lo que ya sospechabas: como la serie sube y el promedio siempre mira hacia atras, el pronostico se queda corto casi todo el tiempo. El metodo reacciona, pero siempre un paso tarde.

Con suavizamiento exponencial simple y un alfa optimizado de 0.76, el pronostico del siguiente periodo sale en 36.04, con un RMSE de 2.92. Ese alfa alto tiene sentido: cuando hay tendencia, conviene perseguir el dato reciente, y por eso el optimizador se fue tan arriba. El resultado queda mas cerca de donde de verdad va la serie y el error es menor que el del promedio movil.

Ahora cuidado, porque el resultado se voltea cuando la serie es plana y estable. Si la demanda oscila alrededor de un nivel fijo sin tendencia, un alfa chico o una ventana larga ganan, porque no hay nada que perseguir y lo unico que quieres es filtrar el ruido. Un alfa alto en una serie plana solo copia el ruido y empeora el pronostico. La leccion es directa: ajusta el metodo al patron y quedate con el que tenga el menor error en tu propia serie, en vez de usar siempre n = 3 por costumbre.

Como leer y aplicar el resultado

El numero del pronostico es solo el principio. Lo que de verdad usas para planear son tres lecturas juntas. Primero, el nivel: el valor puntual que alimenta la orden de compra o el plan de produccion. Segundo, el error tipico, que suele leerse del RMSE o del MAD y que te dice cuanto colchon de inventario de seguridad necesitas para absorber la variacion. Tercero, el sesgo, que te avisa si el metodo esta descompuesto de forma sistematica y hay que cambiarlo.

Un patron util es este: si el RMSE es aceptable pero el sesgo se dispara, no aumentes el inventario de seguridad para tapar el hueco. Eso solo esconde el problema y cuesta dinero. Cambia el metodo. Un sesgo que crece periodo tras periodo casi siempre significa que hay una tendencia que tu modelo no esta capturando, y la respuesta es pasar a suavizamiento con Holt o a una regresion, no comprar mas stock.

Errores comunes al elegir

El primero es fijar la ventana o el alfa una vez y no volver a mirarlos. La demanda cambia de comportamiento con las estaciones, las promociones y el ciclo de vida del producto, y un parametro que servia hace un ano hoy puede estar de mas. Conviene reoptimizar cada cierto tiempo.

El segundo es comparar metodos con la metrica equivocada. Si mezclas productos de alto y bajo volumen, el MAD te enganara porque los articulos grandes dominan la suma; ahi el MAPE o el WMAPE son mas justos. Y si un faltante grande te cuesta mucho mas que varios chicos, el RMSE describe mejor tu dolor real que el MAD.

El tercero es ignorar el sesgo. Es facil enamorarse de un RMSE bonito y no notar que el metodo pronostica de menos mes tras mes. Ese sesgo se convierte en faltantes cronicos que ninguna metrica de tamano de error alcanza a gritarte por si sola.

Cuando ninguno de los dos alcanza

El promedio movil y el suavizamiento exponencial simple son excelentes para series de nivel, con o sin algo de ruido. Pero se quedan cortos frente a dos patrones. Uno es la tendencia sostenida: ahi conviene el metodo de Holt, que suaviza nivel y pendiente por separado, o una regresion lineal que ajusta una recta a los datos. El otro es la estacionalidad, esos picos y valles que se repiten cada cierto numero de periodos; para eso se usan indices estacionales o el metodo de Holt-Winters, que agrega un tercer componente.

Tambien es buena idea clasificar tus articulos por que tan predecibles son antes de elegir metodo. Un analisis XYZ separa la demanda estable de la erratica, y esa etiqueta te dice de entrada si vale la pena afinar un modelo o si el articulo es tan volatil que ningun pronostico lo va a domar y conviene manejarlo por politica de inventario en lugar de por pronostico.

Tres consejos de experto

Deja que el error elija por ti

No discutas entre promedio movil y suavizamiento en abstracto. Corre los dos sobre tu historia real, calcula MAD, MAPE, RMSE y sesgo, y quedate con el ganador. Reserva una parte de la serie como prueba fuera de muestra para no premiar a un metodo solo porque memorizo el pasado.

Optimiza alfa, no lo adivines

El clasico alfa de 0.2 es un punto de partida, no una respuesta. Un buscador que minimiza el error suele encontrar un valor bastante distinto, como el 0.76 del ejemplo. Deja que los datos fijen el alfa y revisalo cuando el comportamiento de la demanda cambie.

Vigila el sesgo con una senal de rastreo

Ademas de las metricas de tamano, monitorea una senal de rastreo que acumula el sesgo dividido entre el MAD. Cuando se sale de un limite razonable, es la alarma de que el metodo se descompuso y hay que reajustarlo, muchas veces porque aparecio una tendencia nueva.

Calculadoras gratis de pronosticos y analitica

Si quieres reproducir los numeros de esta guia sin armar una hoja de calculo, estas herramientas gratuitas hacen las cuentas por ti. Para el tema de este articulo, la Calculadora de Suavizamiento Exponencial (SES y Holt, con Alfa y Beta Optimizados) y la Calculadora de Pronostico de Promedio Movil (Simple y Ponderado) son el punto de partida directo: pegas tu serie y comparas los dos metodos lado a lado.

Para calificar cualquier pronostico usa la Calculadora de Error de Pronostico (MAD, MAPE, WMAPE, Sesgo y Senal de Rastreo). Cuando la serie tenga tendencia o estacionalidad, apoyate en la Calculadora de Pronostico por Regresion Lineal (Minimos Cuadrados, R2 e Intervalo de Prediccion), la Calculadora de Indice Estacional (Desestacionalizar y Pronostico Ajustado) y la Calculadora de Analisis XYZ (Clasificacion por Variabilidad de la Demanda y Matriz ABC-XYZ). Puedes ver todo el conjunto en el hub de Pronosticos y Analitica.

Preguntas frecuentes

Cual es la diferencia principal entre promedio movil y suavizamiento exponencial

El promedio movil pesa por igual las ultimas n demandas y olvida de golpe todo lo anterior. El suavizamiento exponencial da mas peso a lo reciente y va bajando el peso de los datos viejos de forma gradual, sin olvidarlos del todo. Por eso reacciona mas rapido a los cambios de nivel.

Que valor de n debo usar en un promedio movil

No hay un numero magico. Una ventana corta como 3 reacciona rapido pero tiembla con el ruido; una larga como 6 o 12 suaviza mejor pero tarda en notar los cambios. Prueba varias y quedate con la que de menor error en tu serie. Usar siempre n = 3 por defecto es justo el error que hay que evitar.

Que significa el alfa en el suavizamiento exponencial

Alfa es una constante entre 0 y 1 que controla que tan rapido reacciona el pronostico. Cerca de 1 persigue el dato mas reciente y responde rapido; cerca de 0 produce una linea muy suave que casi no se mueve. En series con tendencia suele convenir un alfa alto, y en series planas uno bajo.

Por que el suavizamiento gano en el ejemplo

Porque la serie 20, 24, 22, 26, 25, 29, 27, 31, 30, 34, 33, 37 tiene tendencia clara. El promedio movil de n = 3 se quedo en 34.67 con RMSE 3.35 y un sesgo de +25.7, corriendo detras de la subida. El suavizamiento con alfa 0.76 llego a 36.04 con RMSE 2.92, mas cerca de la tendencia.

Entonces el suavizamiento siempre es mejor

No. En una serie plana y estable ocurre lo contrario: un alfa chico o una ventana larga ganan, porque no hay tendencia que perseguir y lo unico util es filtrar el ruido. Un alfa alto sobre una serie plana solo copia el ruido. Cada metodo brilla con un patron distinto.

Que es el sesgo y por que importa tanto

El sesgo es la suma de los errores con su signo. Mide si el metodo se equivoca siempre hacia el mismo lado. Un sesgo muy positivo indica que pronosticas de menos periodo tras periodo, lo que se traduce en faltantes cronicos. Las metricas de tamano como RMSE no lo detectan, por eso hay que vigilarlo aparte.

Cuando uso MAD, MAPE o RMSE

MAD es el error promedio en unidades y es facil de explicar. MAPE lo expresa en porcentaje y sirve para comparar productos de distinto volumen. RMSE castiga mas los errores grandes, asi que conviene cuando un faltante gordo duele mucho mas que varios chicos. Muchas veces vale la pena mirar las tres juntas.

Que es el metodo de Holt y cuando lo necesito

Holt es una extension del suavizamiento exponencial que agrega un segundo termino para estimar la pendiente de la tendencia. Lo necesitas cuando la demanda sube o baja de forma sostenida y el suavizamiento simple se queda corto. Suaviza nivel y tendencia por separado para seguir mejor la direccion.

Como manejo la estacionalidad

El promedio movil y el suavizamiento simple no capturan picos y valles que se repiten. Para eso se usan indices estacionales, que ajustan el pronostico por temporada, o el metodo de Holt-Winters, que agrega un componente estacional al nivel y la tendencia. Una calculadora de indice estacional te deja desestacionalizar y volver a ajustar.

Cada cuanto debo reoptimizar los parametros

Depende de que tan seguido cambie tu demanda, pero revisar cada trimestre es un buen habito. Tambien conviene reajustar cuando una senal de rastreo se sale de sus limites, cuando entra una temporada nueva o cuando cambia el ciclo de vida del producto. Un parametro fijo por anos casi siempre queda desactualizado.

Elegir entre promedio movil y suavizamiento exponencial no es una cuestion de gustos ni de cual suena mas avanzado. Es una decision que tu propia serie ya tiene respondida: corre los dos, mide MAD, MAPE, RMSE y sesgo, y deja que el error mas bajo decida. Ajusta la ventana o el alfa al patron que veas, vigila el sesgo con una senal de rastreo y sube a Holt, regresion o indices estacionales cuando aparezcan tendencia o estacionalidad. Con esa disciplina, el numero que todavia no existe se vuelve mucho mas facil de acertar.