https://rei.esprint.tech
Vol. 5 N° 1, enero-junio 2026 (1007-1021)
ISSN: 2960-8317
1007
Artículo de revisión
Pronóstico de la demanda en sistemas de producción MTS:
Evaluación de modelos de series de tiempo y modelos
matemáticos
Demand forecasting in MTS production systems: evaluation of time series and
mathematical models
Johanna Graciela Briones Franco*
Universidad de Guayaquil
Guayaquil - Ecuador
johanna.brionesf@ug.edu.ec
https://orcid.org/0000-0003-4659-5372
Byron Daniel Erazo Rodríguez
Escuela Superior Politécnica de Chimborazo
Riobamba - Ecuador
erazodaniel97@gmail.com
https://orcid.org/0009-0001-3339-9017
Edison Hernán Morales Machado
Escuela Superior Politécnica de Chimborazo
Riobamba - Ecuador
edisonh.morales@espoch.edu.ec
https://orcid.org/0009-0005-6590-7409
Marco Antonio Santillán Tasigchana
Escuela Superior Politécnica de Chimborazo
Riobamba - Ecuador
santillant@espoch.edu.ec
https://orcid.org/0009-0005-3248-0410
*Correspondencia:
johanna.brionesf@ug.edu.ec
Cómo citar este artículo:
Briones, J., Erazo, B., Morales, E., &
Santillán, M. (2026).
Pronóstico de la
demanda en sistemas de producción MTS:
Evaluación de modelos de series de tiempo
y modelos matemáticos. Esprint
Investigación, 5(1), 1007-1021.
https://doi.org/10.61347/ei.v5i1.322
Recibido: 13 de mayo de 2026
Aceptado: 17 de junio de 2026
Publicado: 22 de junio de 2026
Resumen: El pronóstico de la demanda constituye el primer eslabón de la planificación
en los sistemas de producción Make-to-Stock, donde la fabricación se anticipa a los
pedidos y un error de estimación se traduce en quiebres de inventario o en exceso de
producto terminado. El objetivo de este estudio fue evaluar y comparar modelos de series
de tiempo para el pronóstico de la demanda en un entorno de producción Make-to-Stock,
con el fin de optimizar la planificación de la producción. Se comparó siete modelos de
series de tiempo y suavizamiento (promedio móvil simple, promedio móvil ponderado,
suavizamiento exponencial simple, método de Holt, Holt-Winters aditivo, Holt-Winters
multiplicativo y descomposición) sobre la demanda mensual de una empresa industrial
de producción en línea de bienes de consumo masivo, a lo largo de cuarenta y ocho
meses. La serie se dividió en treinta y seis meses de entrenamiento y doce de validación,
y el desempeño se midió mediante la desviación absoluta media, el error cuadrático
medio, el error porcentual absoluto medio y la señal de rastreo. Los resultados mostraron
una superioridad neta de los modelos que incorporan estacionalidad, con errores
porcentuales cercanos al 2,4 %, frente a valores superiores al 7,8 % en los métodos que la
ignoran. Aunque la descomposición alcanzó el menor error de magnitud, la señal de
rastreo evidenció un sesgo de subestimación, por lo que se seleccionó Holt-Winters
multiplicativo al combinar exactitud y ausencia de sesgo. Con este modelo se proyectó la
demand
a de 2026 como insumo para la planificación. El estudio confirma que los
modelos clásicos, interpretables y de bajo costo computacional, resultan suficientes para
sustentar decisiones de producción en contextos de demanda continua y estacional.
Palabras clave: Holt-Winters, Make-to-Stock, planificación de la producción, pronóstico
de demanda, series de tiempo.
Abstract: Demand forecasting constitutes the first step in planning within Make-to-Stock
production systems, where manufacturing is carried out in anticipation of orders and estimation
errors result in stockouts or excess finished goods. The objective of this study was to evaluate and
compare time series models for demand forecasting in a Make-to-Stock production environment,
in order to optimize production planning. Seven time series and smoothing models were compared
(simple moving average, weighted moving average, simple exponential smoothing, Holt’s method,
additive Holt-Winters, multiplicative Holt-Winters, and decomposition) using monthly demand
data from a manufacturing company operating in a mass consumer goods production line over a
period of forty-eight months. The series was divided into thirty-six months for training and twelve
months for validation, and performance was measured using mean absolute deviation, mean
squared error, mean absolute percentage error, and tracking signal. The results showed a clear
superiority of models that incorporate seasonality, with percentage errors close to 2.4%, compared
to values above 7.8% in methods that ignore it. Although decomposition achieved the lowest
magnitude error, the tracking signal revealed a tendency toward underestimation; therefore, the
multiplicative Holt-Winters model was selected, as it combined accuracy with the absence of bias.
Using this model, demand for 2026 was forecast as input for production planning. The study
confirms that classical, interpretable, and low-computational-cost models are sufficient to support
production decision-making in contexts of continuous and seasonal demand.
Keywords: Demand forecasting, Holt-Winters, Make-to-Stock, production planning, time
series.
Copyright: Derechos de autor 2026 Johanna
Graciela Briones Franco, Byron Daniel Erazo
Rodríguez,
Edison Hernán Morales
Machado,
Marco Antonio Santillán
Tasigchana.
Esta obra está bajo una licencia internacional
Creative Commons Atribución-
NoComercial 4.0.
Esprint Investigación
https://rei.esprint.tech
Vol. 5 N° 1, enero-junio 2026 (1007-1021)
ISSN: 2960-8317
Johanna Graciela Briones Franco, Byron Daniel Erazo Rodríguez, Edison Hernán Morales Machado, Marco Antonio Santillán Tasigchana 1008
1. Introducción
La función de producción en las empresas manufactureras contemporáneas se fundamenta en la
capacidad de anticipar la demanda del mercado antes de que esta se materialice. En los sistemas de
producción bajo la estrategia Make-to-Stock (MTS), esta capacidad no constituye únicamente una
ventaja operativa, sino el eje central del sistema productivo. A diferencia de los modelos Make-to-
Order, donde la producción se activa a partir de pedidos confirmados, el enfoque MTS implica una
producción anticipada e independiente de la demanda específica, generando inventarios de producto
terminado disponibles para satisfacer la demanda inmediata del consumidor. Esta lógica de
producción basada en inventarios traslada la incertidumbre hacia el sistema productivo y asigna al
pronóstico de demanda un rol crítico en el equilibrio entre sobreinventario y desabastecimiento
(Kumar et al., 2024).
La vigencia de los modelos clásicos de pronóstico sigue siendo relevante. Diversos estudios han
evaluado el suavizamiento exponencial de Holt-Winters frente a modelos autorregresivos integrados
de media móvil en la gestión de inventarios, evidenciando que ambos enfoques mantienen un
desempeño competitivo bajo distintas condiciones de estabilidad económica, dependiendo de las
características de la serie analizada (Kumar et al., 2024). De manera complementaria, la evidencia en el
sector energético muestra que los modelos de suavizamiento, combinados con técnicas de regresión,
pueden alcanzar niveles de precisión comparables a enfoques más complejos (Rao et al., 2023).
En contraste, la última década ha evidenciado un crecimiento significativo de los enfoques
basados en aprendizaje automático y aprendizaje profundo. Modelos como redes LSTM, máquinas
de soporte vectorial, métodos de boosting y arquitecturas híbridas han sido aplicados con éxito en
la predicción de demanda, especialmente en contextos con relaciones no lineales y patrones
temporales complejos (Lei et al., 2025; Douaioui et al., 2024). Sin embargo, la literatura también señala
que los modelos estadísticos clásicos como SARIMAX y Holt-Winters mantienen ventajas en
términos de interpretabilidad, eficiencia computacional y estabilidad predictiva frente a alternativas
más complejas (Wang et al., 2021).
Esta coexistencia de enfoques confirma que no existe un modelo de pronóstico universalmente
superior para todas las situaciones, puesto que el desempeño depende de las características
específicas de la serie de demanda, tales como tendencia, estacionalidad, aleatoriedad e intermitencia
(Douaioui et al., 2024).
A pesar del amplio desarrollo de la literatura, persiste una brecha relevante. La mayoría de los
estudios recientes se concentra en entornos con alta disponibilidad de datos y alta complejidad
analítica, mientras que muchas empresas manufactureras de bienes de consumo masivo requieren
modelos que combinen precisión, interpretabilidad y facilidad de implementación. Adicionalmente,
persiste el uso de métodos no sistemáticos basados en juicio experto, lo que evidencia la necesidad
de enfoques metodológicos reproducibles y operativamente viables (Aidoo-Anderson et al., 2025).
En este contexto, el objetivo de este estudio fue evaluar y comparar modelos de series de tiempo
para el pronóstico de la demanda en un entorno Make-to-Stock, con el fin de optimizar la
planificación de la producción.
Esprint Investigación
https://rei.esprint.tech
Vol. 5 N° 1, enero-junio 2026 (1007-1021)
ISSN: 2960-8317
Johanna Graciela Briones Franco, Byron Daniel Erazo Rodríguez, Edison Hernán Morales Machado, Marco Antonio Santillán Tasigchana 1009
2. Metodología
La investigación adoptó un enfoque cuantitativo aplicado, con diseño no experimental y longitudinal,
mediante el análisis de una serie histórica de demanda. Se aplicaron diferentes modelos de pronóstico
de series de tiempo; se evaluó comparativamente su precisión predictiva y, a partir del modelo que
presentó el mejor desempeño, se generó el pronóstico operativo utilizado como insumo para la
planificación de la producción.
El estudio se desarrolló en una empresa industrial de producción en línea bajo estrategia Make-to-
Stock, perteneciente al sector de bienes de consumo masivo. Se analizó la demanda mensual durante
48 meses, comprendidos entre enero de 2022 y diciembre de 2025. El análisis exploratorio evidenció
una demanda media de 13.958 unidades mensuales, con valores que oscilaron entre 10.682 y 17.742
unidades, y un coeficiente de variación del 12,4%, lo que refleja una variabilidad moderada
característica de productos de rotación regular (ver Figura 1).
Figura 1
Comportamiento histórico de la demanda mensual y partición de la serie en entrenamiento y validación (enero 2022 –
diciembre 2025)
Nota. Elaboración propia a partir de la base de datos de demanda de la empresa. Los puntos en color rojo señalan los picos estacionales
correspondientes al mes de diciembre. La región sombreada delimita el periodo reservado para la validación de los modelos.
Partición de la serie y estrategia de validación
Para evaluar la capacidad predictiva real de los modelos, la serie se dividió en dos subconjuntos: 36
meses de entrenamiento, correspondientes al periodo 2022–2024, y 12 meses de validación,
correspondientes a 2025. El primer subconjunto se utilizó para estimar los parámetros de cada modelo,
mientras que el segundo permitió contrastar los pronósticos con la demanda observada y calcular las
métricas de error sobre datos no utilizados en el ajuste.
Esta proporción 75 %–25 % permitió evaluar un ciclo estacional completo y reducir el efecto de
posibles valores atípicos mensuales. Una vez seleccionado el modelo de mejor desempeño, este se
reentrenó utilizando los 48 meses disponibles, y posteriormente se proyectó hacia el año 2026. De este
modo, la validación correspondiente a 2025 funcionó como conjunto de prueba para la comparación
de modelos, mientras que el pronóstico de 2026 constituyó el insumo operativo para la planificación
de la producción.
Esprint Investigación
https://rei.esprint.tech
Vol. 5 N° 1, enero-junio 2026 (1007-1021)
ISSN: 2960-8317
Johanna Graciela Briones Franco, Byron Daniel Erazo Rodríguez, Edison Hernán Morales Machado, Marco Antonio Santillán Tasigchana 1010
Modelos de pronóstico aplicados
Con base en el comportamiento identificado en la serie, caracterizado por tendencia creciente,
estacionalidad anual y fluctuaciones irregulares de menor magnitud, se aplicaron siete métodos de
pronóstico de demanda con distintos niveles de complejidad. La selección incluyó modelos clásicos de
suavizamiento, como el promedio móvil y el suavizamiento exponencial simple, fundamentados en
los aportes de Brown (1959), así como métodos orientados a capturar tendencia y estacionalidad, entre
ellos los modelos de Holt y Holt-Winters, sustentados en Holt (2004) y Winters (1960).
De manera complementaria, la comparación entre técnicas básicas, modelos estacionales y
descomposición de series temporales se apoyó en enfoques metodológicos contemporáneos sobre
pronóstico y planificación de operaciones (Hyndman & Athanasopoulos, 2021; Kumar et al., 2024; Park
& Yang, 2024).
Promedio móvil simple
=
1
Promedio móvil ponderado
=
,
= 1
Suavizamiento exponencial simple
=
+ (1 )
Método de Holt (suavizamiento exponencial doble)
=
+ (1 )(
+
)
= (
) + (1 )
=
+
Holt-Winters aditivo
= (
) + (1 )(
+
)
= (
) + (1 )
= (
) + (1 )
=
+
+
Holt-Winters multiplicativo
=
+ (1 )(
+
)
= (
) + (1 )
=
+ (1 )
= (
+
)
Esprint Investigación
https://rei.esprint.tech
Vol. 5 N° 1, enero-junio 2026 (1007-1021)
ISSN: 2960-8317
Johanna Graciela Briones Franco, Byron Daniel Erazo Rodríguez, Edison Hernán Morales Machado, Marco Antonio Santillán Tasigchana 1011
Descomposición de series de tiempo
=
×
×
Métricas de evaluación del desempeño
La selección de múltiples métricas responde a la recomendación metodológica de evitar la evaluación
de la exactitud predictiva mediante un único indicador, debido a que cada medida captura una
dimensión distinta del error, tal como señalan Hyndman y Koehler (2006) y Hyndman y
Athanasopoulos (2021). En este sentido, la desviación absoluta media permitió cuantificar la magnitud
promedio del error en unidades de demanda, mientras que el error cuadrático medio penalizó con
mayor intensidad las desviaciones elevadas.
Por su parte, el error porcentual absoluto medio facilitó la interpretación relativa del error y la
comparación del desempeño entre modelos, criterio también utilizado en estudios recientes de
pronóstico aplicado, como los de Park y Yang (2024) y Rao et al. (2023). Adicionalmente, se incorporó
la señal de rastreo para identificar la presencia de sesgo sistemático, el cual puede generar
sobreestimaciones o subestimaciones que afectan la planificación de inventarios, tal como se reconoce
en aplicaciones recientes de planificación basadas en pronósticos de demanda (Kumar et al., 2024).
Desviación absoluta media (MAD)
=
1
|
|
Error cuadrático medio (MSE)
=
1
(
)
Error porcentual absoluto medio (MAPE)
=
1
|
|
× 100
Señal de rastreo (TS)
=
()
3. Resultados
Promedio móvil simple
La Figura 2 muestra cómo el pronóstico reacciona tarde ante las subidas y bajadas, y no anticipa el
pico estacional de fin de año. Su error porcentual fue del 8,54%, con MAD de 1.277,86 unidades y
MSE de 2.040.479. La señal de rastreo, de 2,09, se mantiene dentro de control, lo que descarta un
sesgo marcado.
Esprint Investigación
https://rei.esprint.tech
Vol. 5 N° 1, enero-junio 2026 (1007-1021)
ISSN: 2960-8317
Johanna Graciela Briones Franco, Byron Daniel Erazo Rodríguez, Edison Hernán Morales Machado, Marco Antonio Santillán Tasigchana 1012
Figura 2
Pronóstico mediante promedio móvil simple frente a la demanda real (validación 2025)
Nota. Elaboración propia a partir de la base de datos de la empresa. La línea punteada separa el entrenamiento (2022–2024) de la validación
(2025).
Promedio móvil ponderado
La Figura 3 evidencia un pronóstico que se ajusta con mayor rapidez a los cambios de nivel; sin
embargo, mantiene el rezago característico de los promedios móviles y no logra capturar el repunte
registrado al final del año.
Figura 3
Pronóstico mediante promedio móvil ponderado frente a la demanda real (validación 2025)
Nota. Elaboración propia a partir de la base de datos de la empresa. La línea punteada separa el entrenamiento (2022–2024) de la validación
(2025).
Suavizamiento exponencial simple
Este modelo presenta una señal de rastreo de −5,45, fuera del rango de control, como se observa en la
Figura 4; además, registra un error porcentual absoluto medio (MAPE) de 8,76 %, lo que confirma su
limitada pertinencia para series con tendencia creciente y patrón estacional.
Esprint Investigación
https://rei.esprint.tech
Vol. 5 N° 1, enero-junio 2026 (1007-1021)
ISSN: 2960-8317
Johanna Graciela Briones Franco, Byron Daniel Erazo Rodríguez, Edison Hernán Morales Machado, Marco Antonio Santillán Tasigchana 1013
Figura 4
Pronóstico mediante suavizamiento exponencial simple frente a la demanda real (validación 2025)
Nota. Elaboración propia a partir de la base de datos de la empresa. La línea punteada separa el entrenamiento (2022–2024) de la validación
(2025).
Método de Holt
Se capturó la tendencia creciente; sin embargo, al omitir el componente estacional, generó una
proyección ascendente que sobreestimó la demanda durante gran parte del año 2025, como se observa
en la Figura 5. Este comportamiento produjo la señal de rastreo más extrema del estudio (−12,00), así
como los mayores errores entre los modelos exponenciales, con un MAPE de 11,62 %, un MAD de
1.661,45 unidades y un MSE de 3.727.367.
Figura 5
Pronóstico mediante el método de Holt frente a la demanda real (validación 2025)
Nota. Elaboración propia a partir de la base de datos de la empresa. La línea punteada separa el entrenamiento (2022–2024) de la validación
(2025).
Holt-Winters aditivo
Incorporó tanto la tendencia como la estacionalidad, logrando un ajuste cercano a la demanda real
observada en 2025, como se evidencia en la Figura 6. Sus indicadores de desempeño fueron
considerablemente inferiores a los de los modelos previos, con un MAPE de 2,49 %, un MAD de 374,54
Esprint Investigación
https://rei.esprint.tech
Vol. 5 N° 1, enero-junio 2026 (1007-1021)
ISSN: 2960-8317
Johanna Graciela Briones Franco, Byron Daniel Erazo Rodríguez, Edison Hernán Morales Machado, Marco Antonio Santillán Tasigchana 1014
unidades y un MSE de 182.518. Asimismo, la señal de rastreo de 0,16 evidenció un pronóstico
prácticamente insesgado.
Figura 6
Pronóstico mediante Holt-Winters aditivo frente a la demanda real (validación 2025)
Nota. Elaboración propia a partir de la base de datos de la empresa. La línea punteada separa el entrenamiento (2022–2024) de la validación
(2025).
Holt-Winters multiplicativo
Al considerar la estacionalidad como proporcional al nivel de la demanda, se obtuvo un ajuste cercano
a la serie real correspondiente a 2025, como se observa en la Figura 7. Sus indicadores de desempeño
fueron los mejores en términos relativos, con un MAPE de 2,43 %, un MAD de 365,59 unidades y un
MSE de 191.731. Asimismo, la señal de rastreo de 0,73 se mantuvo próxima a cero y dentro del rango
de control, lo que evidencia un pronóstico preciso y sin sesgo relevante.
Figura 7
Pronóstico mediante Holt-Winters multiplicativo frente a la demanda real (validación 2025)
Nota. Elaboración propia a partir de la base de datos de la empresa. La línea punteada separa el entrenamiento (2022–2024) de la validación
(2025).
Esprint Investigación
https://rei.esprint.tech
Vol. 5 N° 1, enero-junio 2026 (1007-1021)
ISSN: 2960-8317
Johanna Graciela Briones Franco, Byron Daniel Erazo Rodríguez, Edison Hernán Morales Machado, Marco Antonio Santillán Tasigchana 1015
Descomposición de series de tiempo
El último modelo descompone la serie en sus componentes de tendencia, estacionalidad e
irregularidad para la reconstrucción del pronóstico. La Figura 8 evidencia un ajuste muy cercano a la
demanda real observada en 2025, con una adecuada captura tanto del valle inicial como del repunte
de diciembre.
En términos de magnitud del error, este modelo presenta los mejores resultados del estudio, con un
MAPE de 2,40 %, un MAD de 364,79 unidades y un MSE de 234.572. No obstante, la señal de rastreo
se incrementa a 3,05, valor que, si bien se mantiene dentro del rango de control, se aproxima a su límite
superior y sugiere una leve tendencia a la subestimación en la segunda mitad del año.
Adicionalmente, el modelo de descomposición ofrece la ventaja de desagregar la contribución de
cada componente de la serie, lo que permite una interpretación más detallada del comportamiento de
la demanda más allá de la precisión predictiva puntual.
Figura 8
Pronóstico mediante descomposición de series de tiempo frente a la demanda real (validación 2025)
Nota. Elaboración propia a partir de la base de datos de la empresa. La línea punteada separa el entrenamiento (2022–2024) de la validación
(2025).
Comparación de modelos y selección
La selección del modelo, sin embargo, no depende exclusivamente de la magnitud del error. Como se
observa en la Tabla 1, el modelo de descomposición presenta el menor MAPE; no obstante, su señal de
rastreo (3,05) se aproxima al límite superior del rango de control, lo que evidencia una tendencia a la
subestimación, especialmente relevante en sistemas Make-to-Stock debido a su asociación con posibles
quiebres de inventario.
Por su parte, el modelo aditivo exhibe el pronóstico más insesgado (TS = 0,16), aunque con un MAPE
ligeramente superior. En contraste, el modelo Holt-Winters multiplicativo logra un equilibrio entre
ambos criterios, con un MAPE de 2,43 % —uno de los mejores del estudio— y una señal de rastreo de
0,73, cercana a cero y dentro del rango de control.
De acuerdo con el criterio integral de exactitud y ausencia de sesgo definido en la metodología, se
selecciona el modelo Holt-Winters multiplicativo como el más adecuado para la planificación de la
producción. Esta elección es consistente con la naturaleza de la serie analizada, caracterizada por una
Esprint Investigación
https://rei.esprint.tech
Vol. 5 N° 1, enero-junio 2026 (1007-1021)
ISSN: 2960-8317
Johanna Graciela Briones Franco, Byron Daniel Erazo Rodríguez, Edison Hernán Morales Machado, Marco Antonio Santillán Tasigchana 1016
estacionalidad cuya amplitud crece proporcionalmente con el nivel de la demanda, comportamiento
que la formulación multiplicativa reproduce por construcción.
Tabla 1
Comparación del desempeño de los modelos de pronóstico en el periodo de validación (2025)
Modelo MAD MSE MAPE (%) TS
Descomposición 364.79 234,572 2.40 3.05
Holt-Winters multiplicativo 365.59 191,731 2.43 0.73
Holt-Winters aditivo 374.54 182,518 2.49 0.16
Promedio móvil ponderado 1,171.77 1,778,516 7.86 1.97
Promedio móvil simple 1,277.86 2,040,479 8.54 2.09
Suavizamiento exponencial simple 1,261.13 2,382,219 8.76 -5.45
Método de Holt 1,661.45 3,727,367 11.62 -12.00
Nota. Elaboración propia. MAD y MSE se expresan en unidades y unidades al cuadrado; MAPE en porcentaje. La fila resaltada corresponde
al modelo seleccionado. TS = señal de rastreo.
Pronóstico operativo para 2026
Una vez seleccionado el modelo, Holt-Winters multiplicativo se reentrenó utilizando los 48 meses
disponibles con el fin de proyectar la demanda correspondiente al año 2026. Como se observa en la
Figura 9, el pronóstico reproduce el patrón histórico de la serie, evidenciando un valle en febrero, un
crecimiento progresivo hacia mediados de año y un pico en diciembre.
Asimismo, se incorpora una banda de ±1 MAD como margen esperado de error. Las proyecciones
mensuales fluctúan entre 13.291 y 18.697 unidades, con una media estimada de 16.061 unidades y un
total anual proyectado de 192.732 unidades.
Figura 9
Pronóstico operativo de la demanda para 2026 mediante Holt-Winters multiplicativo
Nota. Elaboración propia a partir de la base de datos de la empresa. La banda sombreada representa el margen de ±1 MAD del modelo. La
línea punteada separa la demanda histórica del horizonte pronosticado.
Esprint Investigación
https://rei.esprint.tech
Vol. 5 N° 1, enero-junio 2026 (1007-1021)
ISSN: 2960-8317
Johanna Graciela Briones Franco, Byron Daniel Erazo Rodríguez, Edison Hernán Morales Machado, Marco Antonio Santillán Tasigchana 1017
4. Discusión
El hallazgo central de este estudio, referido a la superioridad de los modelos que incorporan
estacionalidad frente a aquellos que no lo hacen, coincide con la evidencia consolidada en la literatura
reciente sobre pronóstico de demanda. La diferencia superior a cinco puntos porcentuales en el MAPE
entre Holt-Winters y los promedios móviles confirma que, cuando la serie presenta patrones estacionales
definidos, la selección del modelo constituye un factor determinante en la calidad del pronóstico.
Estudios comparativos previos han reportado conclusiones equivalentes al contrastar distintas
familias de modelos sobre series reales de consumo y energía, evidenciando la superioridad de
aquellos capaces de representar adecuadamente la estructura de tendencia y estacionalidad (Park &
Yang, 2024; Rao et al., 2023). En la misma línea, revisiones sistemáticas del área destacan que la
adecuación entre las características de la serie y el modelo es más determinante que la sofisticación
metodológica en sí misma (Douaioui et al., 2024).
Un aspecto relevante identificado en este estudio es el papel de la señal de rastreo en la selección
del modelo final. Aunque la descomposición presentó el menor error de magnitud, su tendencia a la
subestimación la hace menos adecuada que Holt-Winters multiplicativo en un entorno Make-to-Stock.
Esta distinción resulta crítica, ya que gran parte de la literatura aplicada prioriza métricas de magnitud
como el MAPE o el RMSE, relegando frecuentemente el análisis del sesgo (Wang et al., 2021;
Aldahmani et al., 2024).
Sin embargo, en contextos de inventario, el sesgo sistemático tiene implicaciones operativas
directas, debido a que la subestimación genera quiebres de stock, mientras que la sobreestimación
incrementa los costos de almacenamiento. Por ello, el control del sesgo resulta tan relevante como la
precisión del pronóstico (Kumar et al., 2024). En este sentido, la utilización conjunta de múltiples
indicadores de error se alinea con las recomendaciones metodológicas clásicas de evaluación de
pronósticos (Hyndman & Koehler, 2006; Hyndman & Athanasopoulos, 2021).
El estudio también se inserta en el debate contemporáneo sobre la vigencia de los modelos clásicos
frente a las técnicas de aprendizaje automático y aprendizaje profundo. La literatura reciente ha
explorado arquitecturas avanzadas como redes recurrentes, modelos basados en atención, aprendizaje
por refuerzo y redes neuronales sobre grafos, que muestran mejoras significativas en escenarios de alta
complejidad y disponibilidad de datos (Lei et al., 2025; Yang et al., 2025; Theodoridis & Tsadiras, 2025;
Sifuentes-Domínguez et al., 2026).
No obstante, estas técnicas requieren altos volúmenes de datos, infraestructura computacional
avanzada y capacidades técnicas especializadas, lo que limita su aplicabilidad en muchas empresas
manufactureras de producción en línea. Asimismo, sacrifican interpretabilidad, un aspecto clave para
la toma de decisiones operativas. La evidencia empírica indica que, en numerosos contextos, los
modelos estadísticos clásicos mantienen un equilibrio superior entre precisión, costo computacional y
transparencia (Park & Yang, 2024; Kontopoulou et al., 2023). Los resultados obtenidos en este estudio
respaldan esta conclusión, al demostrar que un modelo de baja complejidad computacional puede
alcanzar errores inferiores al 2,5 % sin requerir infraestructura especializada.
Sin embargo, la idoneidad de los modelos clásicos depende de la naturaleza de la demanda. En
series con alta intermitencia, como repuestos o productos de baja rotación, los métodos tradicionales
de suavizamiento pierden efectividad y requieren enfoques especializados (Fan et al., 2023; Hong et
al., 2023). Esta dependencia del patrón de demanda también ha sido evidenciada en la industria
automotriz, donde las características del producto condicionan la selección del método de pronóstico
Esprint Investigación
https://rei.esprint.tech
Vol. 5 N° 1, enero-junio 2026 (1007-1021)
ISSN: 2960-8317
Johanna Graciela Briones Franco, Byron Daniel Erazo Rodríguez, Edison Hernán Morales Machado, Marco Antonio Santillán Tasigchana 1018
(Fu et al., 2026; Ranabhatt et al., 2025). En contraste, la demanda continua y estacional analizada en
este estudio se ubica en el dominio donde los modelos de suavizamiento estacional presentan mejor
desempeño, lo que explica los resultados obtenidos.
Los hallazgos obtenidos refuerzan la concepción del pronóstico como el primer eslabón del proceso
de planificación de la producción, y no como un fin aislado. La proyección de la demanda para 2026
derivada del modelo seleccionado constituye un insumo fundamental para la planificación del plan
maestro de producción, la gestión de materiales y el dimensionamiento de inventarios de seguridad,
integración que ha sido identificada como crítica para el desempeño de la cadena de suministro
(Harshvardhan et al., 2025; Basavaraju & Fatahi Valilai, 2025; Goel et al., 2024). Esta articulación resulta
especialmente relevante en pequeñas y medianas empresas, donde la ausencia de procesos sistemáticos
de pronóstico limita la eficiencia operativa y la competitividad (Aidoo-Anderson et al., 2025).
Este estudio presenta ciertas limitaciones que deben ser consideradas. En primer lugar, el análisis
se basa en una única serie de demanda agregada, lo que limita la generalización de los resultados a
contextos con patrones distintos, como demanda intermitente o no estacional. En segundo lugar, el
conjunto de modelos evaluados se restringe a técnicas clásicas de series de tiempo, sin incluir enfoques
de aprendizaje automático que podrían aportar mejoras en presencia de variables exógenas. En tercer
lugar, el pronóstico se construyó exclusivamente a partir de datos históricos de demanda, sin
incorporar factores externos como precios, promociones o condiciones macroeconómicas.
Finalmente, la validación se realizó en un único horizonte temporal, por lo que futuras
investigaciones podrían fortalecer la robustez del análisis mediante esquemas de validación cruzada
en ventanas múltiples. Estas limitaciones no invalidan los hallazgos, sino que delimitan su alcance y
abren nuevas líneas de investigación.
5. Conclusiones
El presente estudio aplicó y evaluó comparativamente siete modelos de series de tiempo y
suavizamiento para el pronóstico de la demanda en una empresa de producción en línea bajo estrategia
Make-to-Stock, con el propósito de seleccionar el modelo más adecuado para optimizar la planificación
de la producción.
Se concluye que la capacidad de los modelos para incorporar la estacionalidad constituye el principal
factor explicativo de su desempeño predictivo. En este sentido, los modelos que integran dicho
componente, particularmente Holt-Winters y la descomposición de series, redujeron el error porcentual
a valores cercanos al 2,4 %, en contraste con los métodos que no la consideran, los cuales superaron el 7,8
%. Esta diferencia evidencia que, en series con patrones estacionales definidos, la adecuación estructural
del modelo a la serie de demanda resulta determinante frente a otros criterios de selección.
Asimismo, se confirma que la evaluación del desempeño no debe basarse exclusivamente en
métricas de magnitud del error, ya que indicadores como la señal de rastreo permiten identificar sesgos
sistemáticos relevantes. En este caso, aunque el modelo de descomposición presentó el menor error,
evidenció una tendencia a la subestimación, mientras que Holt-Winters multiplicativo combinó alta
precisión con ausencia de sesgo, consolidándose como el modelo más adecuado para el entorno Make-
to-Stock.
El pronóstico generado para el año 2026, con una demanda media de 16.061 unidades mensuales y un
total anual aproximado de 192.700 unidades, proporciona un insumo cuantitativo para la planificación
del plan maestro de producción, la gestión de materiales y el dimensionamiento de inventarios de
seguridad, reforzando el papel del pronóstico como base operativa de la planificación productiva.
Esprint Investigación
https://rei.esprint.tech
Vol. 5 N° 1, enero-junio 2026 (1007-1021)
ISSN: 2960-8317
Johanna Graciela Briones Franco, Byron Daniel Erazo Rodríguez, Edison Hernán Morales Machado, Marco Antonio Santillán Tasigchana 1019
Finalmente, se observó que los modelos clásicos de series de tiempo, debido a su bajo costo
computacional e interpretabilidad, resultan suficientes para sustentar decisiones de producción en
contextos de demanda continua y estacional. No obstante, se recomienda ampliar el análisis hacia
escenarios multivariados, la incorporación de variables exógenas y el uso de técnicas de aprendizaje
automático para contextos de mayor complejidad.
Referencias
Aidoo-Anderson, A., Polychronakis, Y., Sapountzis, S., & Kelly, S. (2025). Investigating demand
forecasting practices and challenges in Ghana’s Manufacturing Pharmaceutical (MPharma)
small and medium enterprises (SMEs): Insights and recommendations. International Journal of
Production Research, 63(21), 7899–7920. https://doi.org/10.1080/00207543.2025.2508335
Aldahmani, E., Alzubi, A., & Iyiola, K. (2024). Demand forecasting in supply chain using uni-
regression deep approximate forecasting model. Applied Sciences, 14(18), 8110.
https://doi.org/10.3390/app14188110
Basavaraju, K., & Fatahi Valilai, O. (2025). Developing a demand planning strategy for joint forecasting
and employing analytical tool in an empirical case study. Discover Applied Sciences, 7(345).
https://doi.org/10.1007/s42452-025-06740-9
Brown, R. G. (1959). Statistical forecasting for inventory control. McGraw-Hill.
https://catalog.hathitrust.org/Record/001125212
Douaioui, K., Oucheikh, R., Benmoussa, O., & Mabrouki, C. (2024). Machine learning and deep
learning models for demand forecasting in supply chain management: A critical review. Applied
System Innovation, 7(5), 93. https://doi.org/10.3390/asi7050093
Fan, L., Liu, X., Mao, W., Yang, K., & Song, Z. (2023). Spare Parts Demand Forecasting Method Based
on Intermittent Feature Adaptation. Entropy, 25(5), 764. https://doi.org/10.3390/e25050764
Fu, W., Bian, H., Chen, J., & Jing, S. (2026). Tree-based machine learning intermittent demand
forecasting for spare parts in electric vehicle manufacturing. World Electric Vehicle Journal, 17(3),
127. https://doi.org/10.3390/wevj17030127
Goel, L., Nandal, N., Gupta, S., Karanam, M., Yeluri, L., Pandey, A., Rozhdestvenskiy, O., & Grabovy,
P. (2024). Revealing the dynamics of demand forecasting in supply chain management: A
holistic investigation. Cogent Engineering, 11(1), 2368104.
https://doi.org/10.1080/23311916.2024.2368104
Harshvardhan, M., Curtland, C., Hwang, J., VanDam, C., Ghozeil, A., Neto, P., Marie, F., & Liu, C.
(2025). Print demand forecasting with machine learning at HP Inc. INFORMS Journal on Applied
Analytics, 55(6), 469–483. https://doi.org/10.1287/inte.2024.0126
Holt, C. (2004). Forecasting seasonals and trends by exponentially weighted moving averages.
International Journal of Forecasting, 20(1), 5–10. https://doi.org/10.1016/j.ijforecast.2003.09.015
Hong, K., Ren, Y., Li, F., Mao, W., & Gao, X. (2023). Robust interval prediction of intermittent demand
for spare parts based on tensor optimization. Sensors, 23(16), 7182.
https://doi.org/10.3390/s23167182
Hyndman, R., & Athanasopoulos, G. (2021). Forecasting: Principles and practice (3.ª ed.). OTexts.
https://otexts.com/fpp3/
Esprint Investigación
https://rei.esprint.tech
Vol. 5 N° 1, enero-junio 2026 (1007-1021)
ISSN: 2960-8317
Johanna Graciela Briones Franco, Byron Daniel Erazo Rodríguez, Edison Hernán Morales Machado, Marco Antonio Santillán Tasigchana 1020
Hyndman, R., & Koehler, A. (2006). Another look at measures of forecast accuracy. International Journal
of Forecasting, 22(4), 679–688. https://doi.org/10.1016/j.ijforecast.2006.03.001
Kontopoulou, V., Panagopoulos, A., Kakkos, I., & Matsopoulos, G. (2023). A Review of ARIMA vs.
Machine Learning Approaches for Time Series Forecasting in Data Driven Networks. Future
Internet, 15(8), 255. https://doi.org/10.3390/fi15080255
Kumar, L., Khedlekar, S., & Khedlekar, U. (2024). A comparative assessment of holt winter exponential
smoothing and autoregressive integrated moving average for inventory optimization in supply
chains. Supply Chain Analytics, 8, 100084. https://doi.org/10.1016/j.sca.2024.100084
Lei, C., Zhang, H., Wang, Z., & Miao, Q. (2025). Deep Learning for Demand Forecasting: A Framework
Incorporating Variational Mode Decomposition and Attention Mechanism. Processes, 13(2), 594.
https://doi.org/10.3390/pr13020594
Park, M.-J., & Yang, H.-S. (2024). Comparative Study of Time Series Analysis Algorithms Suitable for
Short-Term Forecasting in Implementing Demand Response Based on AMI. Sensors, 24(22),
7205. https://doi.org/10.3390/s24227205
Ranabhatt, N., Barreto, S., Pimpão, M., & Prates, P. (2025). Demand Forecasting in the Automotive
Industry: A Systematic Literature Review. Forecasting, 7(4), 73.
https://doi.org/10.3390/forecast7040073
Rao, C., Zhang, Y., Wen, J., Xiao, X., & Goh, M. (2023). Energy demand forecasting in China: A support
vector regression-compositional data second exponential smoothing model. Energy, 263,
125955. https://doi.org/10.1016/j.energy.2022.125955
Sifuentes-Domínguez, S., Mejía-Muñoz, J.-M., Cruz-Mejía, O., Pizarro-Gurrola, R., Domínguez-Flores,
A.-S., & Ortega-Máynez, L. (2026). Predicting Demand in Supply Chain Management: A
Decision Support System Using Graph Convolutional Networks. Future Internet, 18(1), 26.
https://doi.org/10.3390/fi18010026
Theodoridis, G., & Tsadiras, A. (2025). Retail Demand Forecasting: A Comparative Analysis of Deep
Neural Networks and the Proposal of LSTMixer, a Linear Model Extension. Information, 16(7),
596. https://doi.org/10.3390/info16070596
Wang, C.-C., Chien, C.-H., & Trappey, A. (2021). On the Application of ARIMA and LSTM to Predict
Order Demand Based on Short Lead Time and On-Time Delivery Requirements. Processes, 9(7),
1157. https://doi.org/10.3390/pr9071157
Winters, P. (1960). Forecasting Sales by Exponentially Weighted Moving Averages. Management
Science, 6(3), 324–342. https://doi.org/10.1287/mnsc.6.3.324
Yang, Y., Wang, M., Wang, J., Li, P., & Zhou, M. (2025). Multi-Agent Deep Reinforcement Learning for
Integrated Demand Forecasting and Inventory Optimization in Sensor-Enabled Retail Supply
Chains. Sensors, 25(8), 2428. https://doi.org/10.3390/s25082428
Esprint Investigación
https://rei.esprint.tech
Vol. 5 N° 1, enero-junio 2026 (1007-1021)
ISSN: 2960-8317
Johanna Graciela Briones Franco, Byron Daniel Erazo Rodríguez, Edison Hernán Morales Machado, Marco Antonio Santillán Tasigchana 1021
Transparencia
Conflicto de interés
Los autores declaran que no existen conflictos de interés de naturaleza alguna como parte de la
presente investigación.
Fuente de financiamiento
Los autores financiaron completamente la investigación.
Contribución de autoría
Johanna Graciela Briones Franco: Conceptualización, metodología, validación, análisis formal,
investigación, visualización, redacción - preparación del borrador original, redacción - revisión y
edición, financiamiento, administración del proyecto, recursos, supervisión.
Byron Daniel Erazo Rodríguez: Conceptualización, metodología, validación, análisis formal,
investigación, gestión de datos, visualización, redacción - preparación del borrador original, redacción
- revisión y edición, financiamiento, recursos, supervisión.
Edison Hernán Morales Machado: Conceptualización, software, validación, investigación, gestión de
datos, redacción - preparación del borrador original, redacción - revisión y edición, financiamiento,
supervisión.
Marco Antonio Santillán Tasigchana: Conceptualización, validación, análisis formal, gestión de datos,
redacción - preparación del borrador original, redacción - revisión y edición, financiamiento, recursos.
Los autores contribuyeron activamente en el análisis de los resultados, revisión y aprobación del
manuscrito final.
