Prácticamente todos los procesos logísticos están sujetos a algún tipo de estacionalidad. La humanidad y sus grupos sociales, desde la antigüedad, siempre han tenido sus actividades controladas por algún tipo de evento periódico: invierno y verano, meses del año, periodo semanal e incluso a lo largo de las horas del día.
Esta variación rítmica de la actividad tiene numerosas implicaciones, incluido un fuerte impacto en las operaciones logísticas. La demanda de productos y servicios generalmente está influenciada por componentes estacionales que deben ser tomados en cuenta para un uso más eficiente de los recursos y oportunidades disponibles. En este texto, después de discutir el concepto técnico de estacionalidad, presentaremos algunas formas más simples de medirlo. El uso de los denominados índices estacionales va más allá del simple proceso de previsión de la demanda, y se utiliza también para hacer un seguimiento de los resultados, una vez descontado el efecto estacional. El software de pronóstico puede ayudarnos con esta tarea. No obstante, siempre debemos intentar llevar el control del proceso de previsión, evitando que se vea como el resultado de una caja negra en la que se proporcionan valores sin que el usuario sepa cómo se han obtenido. Finalmente, vale la pena evaluar en qué situaciones se justificaría una mayor complejidad en el proceso de determinación de los índices estacionales, en lugar de utilizar métodos más simples y también más fáciles de entender.
CONCEPTO DE ESTACIONALIDAD
Al analizar una serie de datos de ventas de un producto o servicio, casi siempre observamos un movimiento periódico de esta serie a lo largo del tiempo. Este movimiento periódico, muchas veces asociado a los meses del año, caracteriza lo que llamamos el efecto o componente estacional. Ejemplos prácticos de este tipo de situaciones abundan: venta de bebidas y alimentos, consumo de combustible y electricidad, venta de electrodomésticos, ocupación hotelera, tráfico aéreo, atención médica hospitalaria y, muy especialmente, las ventas de fin de año.
De hecho, en nuestro sector minorista, diciembre es el mes más fuerte del año, con ventas que generalmente superan el promedio de los otros meses del año en un 50% o más. Esta fluctuación de la demanda al final del proceso (compra por parte del consumidor final) genera una onda que se propaga a lo largo de toda la cadena logística, con los desfases necesarios. Por ejemplo, para que el producto esté disponible para la venta durante la temporada navideña, debe haber sido producido y entregado en la tienda con mucha anticipación; a su vez, su pedido debe haber sido preparado aún antes, así como todos los insumos de la cadena productiva/logística deben haber sido debidamente previstos.
Desde el punto de vista de la producción y la logística, el mundo ideal sería aquel en el que la producción y demanda de un producto o servicio fuera lo más estable posible, requiriendo así una mínima intervención en el proceso. Pero, por suerte o por desgracia, ¡el mundo nunca es como nos gustaría que fuera!
Así, en nuestro día a día no solo tenemos que lidiar con las incertidumbres propias de un entorno económico de carácter aleatorio, sino que también tenemos que saber tener en cuenta la estacionalidad en nuestros planes y actuaciones. El primer problema es cómo medir la estacionalidad, que se ilustra mejor a través de un ejemplo.
ÍNDICE ESTACIONAL
El primer paso para analizar una serie de ventas, incluso antes de identificar su posible patrón estacional, es identificar su comportamiento general. Así, consideremos el caso de un producto, cuya serie de ventas pasadas, en unidades/trimestre, se muestra en la Tabla 1:
 |
Antes de utilizar una técnica cuantitativa en el estudio de una serie de ventas como esta, debemos representarla en un gráfico para que podamos identificar sus componentes. Mientras que otros componentes normalmente están presentes en una serie de ventas, como el nivel y la tendencia de las ventas, nuestra preocupación actual es el componente estacional. En este caso, ya se sabía que existía una fuerte estacionalidad en las ventas del producto, hecho que confirma el Gráfico 1:
 |
Observando este gráfico, notamos un movimiento de oscilación regular en las ventas a lo largo del año, siempre con un pico en el primer trimestre y un valor bajo en el tercer trimestre. Ahora bien, esta situación, propia de muchos productos y servicios, conduce necesariamente a numerosos desafíos logísticos, como el abastecimiento de materias primas que también puede tener un suministro estacional, la definición de una política de almacenamiento/producción adecuada a los costos involucrados y a las características de la coyuntura, una estrategia de distribución que involucre a operadores logísticos, distribuidores y clientes e incluso una política de precios. Para que toda esta preparación sea posible, es necesaria una forma de medir la estacionalidad, que se realiza a través de los llamados índices estacionales.
En principio, hay dos formas de representar un efecto estacional:
- A través de un componente aditivo
- A través de un componente multiplicativo
El componente aditivo, como su nombre lo indica, tiene como principio la suma (suma) de las cuotas asociadas a cada período estacional, trimestre en este caso. El componente multiplicativo se caracteriza por el uso de un factor multiplicativo para cada período, generalmente en forma de porcentaje. Discutiremos, a continuación, cada una de estas representaciones, presentando también posibles formas de cálculo.
COMPONENTE ADITIVO
El componente aditivo (relacionado con la operación de suma o adición) está representado por un valor fijo para cada trimestre que se suma (o resta) al valor base de las ventas de un período determinado. Entonces, por ejemplo, las ventas del primer trimestre de un año podrían verse como las ventas promedio del año más, digamos, 129 unidades, mientras que las ventas más bajas del tercer trimestre podrían verse como las ventas promedio del año menos 150 unidades. De la misma forma, tendríamos un valor a aplicar a los demás trimestres del año. En base a esta formulación, consideraremos como una aproximación que el efecto del trimestre es siempre el mismo para cada uno de los trimestres de cada año. Así, el aumento de las ventas del primer trimestre es, en promedio, de 129 unidades, cualquiera que sea el año considerado, mientras que las ventas del tercer trimestre están siempre 150 unidades por debajo del promedio trimestral. Si esa es una buena descripción de las ventas reales es otra historia, ¡pero hemos tenido un buen comienzo de todos modos!
Entonces, ¿cómo podríamos calcular este efecto estacional aditivo?
No existe una única forma de hacerlo, pero una regla a seguir es que la suma de los efectos estacionales a lo largo del año sea neutra, en este caso igual a cero. Teniendo esta regla como base, una forma sencilla de calcular los índices estacionales de cada trimestre (sin preocuparse por la tendencia de la serie) sería calculando el promedio de aumento/disminución de las ventas de cada trimestre del año, como se ejemplifica en la tabla 2:
 |
En esta tabla, definida por las diferencias entre los valores de venta de cada trimestre y el promedio de ventas del año respectivo, la suma de los valores de cada columna, referentes al mismo año, es cero. Así, para el primer trimestre de 1992, el valor 125 indica que el nivel de ventas de este trimestre estuvo 125 unidades por encima del promedio del año, mientras que el valor de –25 para el segundo trimestre nos dice que las ventas de este período fueron 25 unidades por debajo de la media del mismo año. Ahora, tomando el promedio de los valores para cada uno de los trimestres (promedio de las filas de la tabla), tendremos una buena estimación del efecto estacional aditivo para cada trimestre.
Así, en base a los resultados obtenidos y asumiendo que las ventas estimadas para el próximo año promediarían 700 unidades por trimestre, nuestra previsión desestacionalizada sería de 829 (700+129) para el primer trimestre, 650 (700-50) para el segundo , 550 (700-150) para el tercero y finalmente 771 (700+71) para el cuarto.
Naturalmente, las cifras obtenidas son solo previsiones, pero debidamente ajustadas a las expectativas de nivel de ventas esperado y componentes estacionales. Continuando con nuestro análisis, supongamos ahora que las ventas reales del primer trimestre del próximo año fueron de 850 unidades. Como este valor superó nuestras previsiones, tenemos dos posibles explicaciones para el hecho: o el nivel de ventas aumentó o la estacionalidad fue más fuerte de lo esperado. En cualquier caso, este hallazgo solo fue posible después de haber aislado los dos componentes de las ventas: el nivel y la estacionalidad.
Pero, el procedimiento presentado no es la única forma de calcular índices estacionales aditivos. La teoría estadística de las previsiones propone otras opciones de cálculo que, en general, son muy complejas y poco aportan a métodos más sencillos como el que hemos visto aquí. De hecho, aunque distintas metodologías arrojan resultados diferentes al estudiar la misma serie de ventas, los valores obtenidos con métodos más sofisticados, cuando se aplican a este mismo caso, no difieren sustancialmente de los obtenidos con este simple cálculo de promedios, que en además de más fácil también es más intuitivo.
De hecho, la principal crítica al uso de componentes aditivos no reside en el procedimiento de cálculo de los índices estacionales, sino en su aplicabilidad práctica. Hay pocas situaciones del mundo real en las que un efecto estacional, como una gráfica que suma o resta cada período, es una descripción adecuada del comportamiento de las ventas. La forma más intuitiva y habitual es considerar la estacionalidad no como un efecto absoluto que se suma o se resta a las ventas, sino como un efecto multiplicativo y relativo, un porcentaje que se aplica a cada período específico, ya sea para aumentar las ventas en ese período. en relación con el promedio, o para reducir las ventas en el período debido a una baja estacionalidad. Entonces, en lugar de pensar en las ventas de un período como 150 unidades más, sería mejor pensar en ellas como, digamos, 40% por encima del promedio. Es esta idea de componentes multiplicativos la que discutiremos a continuación.
COMPONENTE DE MULTIPLICACIÓN
Una alternativa a los efectos aditivos es el uso de componentes multiplicativos. En este caso, un efecto estacional neutral multiplicativo correspondería a un índice estacional igual a 1 (100%), un índice mayor a 1, digamos 1.50 (150%), correspondería a un período con estacionalidad 50% mayor que un mes promedio o día. La representación de la estacionalidad como un efecto multiplicativo es una mejor manera de traducir la idea de que la estacionalidad de las ventas sería un efecto proporcional al nivel de ventas, que es la práctica común en la mayoría de las empresas.
Al igual que ocurre con el componente aditivo, no existe una forma única de calcular sus valores, pero también es válida la regla básica de que la suma de los efectos estacionales a lo largo del año es neutra; en este caso, al ser efectos que multiplican el nivel medio de ventas, su media debe ser igual a 1 para que se neutralice el efecto estacional a lo largo de un año. Teniendo este principio como base, podemos calcular los índices estacionales multiplicativos para los mismos datos previamente estudiados con el modelo aditivo.
En este caso, necesitamos un valor que sirva de base para calcular los efectos estacionales de cada trimestre. Una buena opción (¡incluso las hay mejores!) es tomar la relación de las ventas de cada trimestre con el respectivo promedio del año. La Tabla 3 ilustra la aplicación de esta idea a nuestra serie:
 |
En esta tabla, definida al dividir los valores de ventas de cada trimestre por las respectivas ventas promedio del mismo año, el promedio de los valores de cada columna, referentes al mismo año, es uno (100%). Así, para el primer trimestre de 1992, el valor 133% indica que el nivel de ventas en este trimestre estuvo 33% por encima del promedio del año, mientras que el valor 93% para el segundo trimestre nos dice que las ventas en este período fueron el 93% de la media anual, es decir un 7% por debajo de esta media. Ahora, como hicimos en el caso anterior de los efectos aditivos, sacamos la media de los valores de cada uno de los trimestres (media de las filas de la tabla). Con esto tendremos una buena estimación del efecto estacional multiplicativo de cada trimestre.
Entonces, con base en los resultados obtenidos y asumiendo que las ventas estimadas para el próximo año promediarían nuevamente 700 unidades por trimestre, nuestro pronóstico desestacionalizado sería de 903 (700*129%) unidades para el primer trimestre, 623 (700*89% ) para el segundo, 455 (700*65%) para el tercero y finalmente 819 (700*117%) para el cuarto trimestre. En comparación con los valores ajustados en el caso aditivo, observamos que nuestros pronósticos ahora están más cargados tanto para los trimestres más fuertes (primer trimestre) como para los trimestres más débiles (segundo y tercero); esto se debe a que los cálculos se realizan con base en el nivel de ventas estimado para el próximo año que, en este caso, es un valor por encima del promedio pasado a medida que las ventas aumentan con el tiempo. La Tabla 4 resume esta comparación:
 |
Aquí nuevamente, podremos evaluar el resultado de las ventas futuras en relación con lo que esperábamos. Entonces, ¿una venta de 850 unidades en el próximo trimestre sería un buen resultado o no? En este caso, a diferencia del modelo aditivo, la respuesta sería no, ¡ya que esperábamos una venta de 903 unidades! Naturalmente, como vivimos en un mundo de incertidumbres, un resultado como este, a pesar de estar por debajo de las expectativas, sería absolutamente normal debido a los elementos aleatorios presentes en el entorno empresarial.
El uso de componentes multiplicativos también tiene una ventaja adicional sobre los componentes aditivos, ya que permiten una mejor comparación de la estacionalidad entre diferentes productos, diferentes sectores de actividad o incluso diferentes establecimientos. Esta comparación solo sería posible con la adopción de índices estacionales estandarizados (con promedio unitario) a lo largo del año, de lo contrario no tendríamos una base de referencia común.
Finalmente, volvemos a tener otras opciones para el cálculo de índices estacionales multiplicativos como los métodos conocidos como descomposición clásica o suavización exponencial de Holt Winters. Aunque estos métodos son más sofisticados y por lo tanto proporcionan resultados más precisos, su aplicación a nuestro ejemplo conduce a resultados muy cercanos a los obtenidos con un simple cálculo de promedios. Y este es un hallazgo empírico al que han llegado los autores de trabajos de previsión de ventas: en general, los métodos relativamente simples proporcionan resultados casi tan buenos como los métodos más sofisticados, muchas veces sin compensar el precio de una mayor complicación matemática y dificultad de comprensión.
CONCLUSIÓN
Como hemos visto, la estacionalidad se puede cuantificar fácilmente ya sea para generar pronósticos o para comparar resultados de diferentes períodos o diferentes productos. Con sentido común y el uso correcto de conceptos estadísticos básicos como el cálculo de promedios, podemos obtener valores casi tan buenos como los que brindan los sofisticados y costosos software de pronóstico y, aún mejor, podemos hacer tales cálculos con una simple hoja de cálculo.
CAJA 1
¿VALE LA PENA UTILIZAR MÉTODOS MÁS SOFISTICADOS PARA DETERMINAR LOS ÍNDICES ESTACIONALES?
Aunque siempre hay ganancias en precisión con el uso de métodos más sofisticados, la práctica muestra que estas ganancias a menudo no son expresivas para justificar una mayor complejidad estadística, lo que requiere un conocimiento más profundo de las técnicas de pronóstico y también el uso de software más sofisticado. .cara y difícil. Está claro que, en general, vale la pena usar métodos más elaborados que los presentados aquí, particularmente en el caso de que los errores de pronóstico sean costosos. Este elevado coste puede ser generado por la pérdida derivada de una previsión pesimista por debajo de la real, cuando muchas veces tendremos que soportar mayores costes para hacer frente a las ventas o incluso por la pérdida de ventas por falta de capacidad productiva o de servicio. Pero también tenemos la pérdida derivada de una previsión optimista por encima de la real cuando tendremos que soportar un excedente de productos en stock que, para ser liberados, necesitarán una importante rebaja en los precios o incluso quedar obsoletos en el caso de productos altamente perecederos o, en el caso de servicios; como el transporte, en el que nuestra capacidad operativa se verá subutilizada con la consiguiente ociosidad.
CAJA 2
SOFTWARE DE PRONÓSTICO
Aunque existe una tendencia reciente hacia la integración de módulos de previsión en los sistemas ERP y de logística, hay varios productos en el mercado que abordan el problema de la previsión. Estos productos se clasifican en tres categorías: automáticos, semiautomáticos y manuales. El software automático, como su nombre lo indica, realiza prácticamente solo la tarea de analizar series y recomendar el método de pronóstico más adecuado a la situación en estudio en base a criterios estadísticos. Aunque representan una buena opción, suelen utilizarse como cajas negras en las que el usuario tiene poca o ninguna posibilidad de intervenir en el proceso, aceptando o rechazando los resultados. Uno de los productos más conocidos de esta categoría es el software Forecast Pro (www.pronósticopro.com) cuya versión más completa cuesta alrededor de US$1000,00. Forecast Pro incorpora un sistema experto para seleccionar el método de pronóstico más adecuado para cada serie analizada.
Los software de pronóstico semiautomático son, en principio, software estadístico como SPSS, SAS o software econométrico como EVIEWS. En este caso, el usuario hace una selección previa de los métodos a probar en su problema, dejando que el ordenador elija los parámetros óptimos que minimicen el error de predicción. La elección del método más adecuado la realiza el usuario en función de los resultados de las distintas pruebas. Finalmente, los software manuales son aquellos en los que el usuario define el método de pronóstico a probar y sus parámetros; el software se utiliza únicamente para evaluar el rendimiento del método propuesto. En este caso, se necesita un mayor conocimiento técnico por parte del usuario, pero en compensación existe un mayor control del proceso de pronóstico.
Referencias
Para un estudio más profundo de la determinación de los índices estacionales así como de las técnicas de predicción, indicamos tres textos, todos en inglés, pero de fácil lectura y adquisición. Una sugerencia para adquirir estos textos es a través de librerías electrónicas en Internet, como Amazon (www.amazon.com)
DeLurgio, SA Principios y aplicaciones de la previsión. Nueva York, McGrawHill, 1998.
Hanke, JE y Reitsch, A. G. Business Forecasting. 6.ª edición, Prentice Hall, 1998
Makridakis, S., Wheelwright, S. y Hyndman, RJ Pronósticos: métodos y aplicaciones. 3.ª edición, Nueva York: Wiley, 1998.
Mentzer, J. y Bienstock, C. Gestión de pronósticos de ventas. Sabio, 1998.
