1
! El punto de inicio inicio de prácticamente todos los
sistemas de planificación planificación se da a partir de la demanda real o esperada de o esperada de los clientes. ! En casi todos los casos el tiempo necesario necesario para
generar y entregar el producto o servicio excederá excederá la la expectativa del cliente. producción tendrá ! Para evitar que esto suceda, la producción que dar principio antes antes de que se conozca la demanda real del del consumidor. ! La producción La producción deberá iniciar a a partir de la demanda
esperada, es decir, de un pr esperada, pron onos osti tico co de la demanda.. demanda 2
¿Qué es la pronóstico? " Arte y ciencia de
predecir acontecimientos futuros. " Base de todas las
decisiones empresariales:
3
#
Producción.
#
Inventario.
#
Personal.
#
Instalaciones.
¡Venderá 200 millones de pesos!
Tipos de horizontes temporales del pronóstico • Pronóstico a corto plazo: – Cobertura de hasta un año, generalmente inferior a los tres meses. – Programación de trabajos, asignación de tareas. • Pronóstico a medio plazo: – Entre tres meses y tres años. – Planificación de las ventas, de la producción y del presupuesto. • Pronósticos a largo plazo: – Periodos superiores a tres años. – Planificación de nuevos productos, localización de las instalaciones. 4
Pronósticos a corto plazo frente a pronósticos a largo plazo • Los pronósticos a medio y largo plazo tratan de asuntos más extensos, y apoyan las decisiones de gestión que conciernen a la planificación y los productos, las plantas y los procesos. • Los pronósticos a corto plazo normalmente emplean metodologías diferentes a las utilizadas en los pronósticos a largo plazo. • Los pronósticos a corto plazo tienden a ser más exactos que los realizados a largo plazo. 5
La influencia del ciclo de vida del producto • Las etapas de introducción y crecimiento necesitan pronósticos más largos que los de madurez y declive. • Las pronósticos son útiles para proyectar – los diferentes niveles de personal – los diferentes niveles de inventarios – los diferentes niveles de capacidad de producción mientras el producto pasa de la primera a la última etapa. 6
Estrategia durante el ciclo de vida de un producto Introducción Mejor periodo para aumentar la cuota de mercado a l e a d í s ñ a a i g p e m t o a r c t s E
Es vital planear la I + D
Crecimiento
Madurez
Buen momento para cambiar el precio o la imagen de calidad
Mal momento para cambiar la imagen, el precio o la calidad
Fortalecer el segmento mercado
de
CD-ROM
Ventas Impresoras a color
Declive Es vital controlar el costo
Los costos competitivos son ahora muy importantes Defender la posición en el mercado Fax Restaurantes para comer en el coche
Disquetes de 3 1/2 Furgoneta s
Internet
HDTV
a l e d s a O i g D e t a r t s E
7
La planificación y desarrollo del producto son vitales
EL pronóstico es muy importante
Cambios frecuentes en planificación del producto y proceso
Fiabilidad del producto y proceso
Lotes de producción pequeños Altos costes de producción
Posibilidades y mejoras del producto competitivas Aumento de la capacidad
Número de modelos limitado
Cambio de tendencia para centrarse en el producto
Atención a la calidad
Atención a la distribución
Estandarización Cambios de producto menos rápidos; más cambios minuciosos Capacidad óptima Estabilidad creciente del proceso de producción Grandes lotes de producción Mejora del producto y reducción de costos
Poca diferenciación del producto Minimización de costos Sobrecapacidad en la industria Eliminación de productos que no proporcionan un margen aceptable Reducción de capacidad
Tipos de pronósticos
• Pronósticos económicos: – Dirigidos al ciclo empresarial, por ejemplo, las tasas de inflación, la masa monetaria, etc.
• Pronósticos tecnológicos: – Predicen el progreso tecnológico. – Predicen el nacimiento de nuevas ventas.
• Pronósticos de demanda: – Predicen las ventas ya existentes. 8
Siete etapas en el sistema de pronóstico
• Determinar la utilización del pronóstico. • Seleccionar los artículos en los que se va a realizar el pronóstico. • Determinar el horizonte temporal del pronóstico. • Seleccionar el(los) modelo(s) de pronóstico. • Recogida de datos. • Realizar el pronóstico. 9
• Validar e implementar los resultados.
Demanda de un producto representada en un periodo de 4 años con tendencia de crecimiento y estacionalidad o i c i v r e s o o t c u d o r p l e d a d n a m e D
Picos estacionales
Línea de demanda actual
Variación aleatoria Primer año
10
Componente de tendencia
Segundo año
Demanda media en cuatro años Tercer año
Cuarto año
Demanda real frente a los métodos de media móvil y media móvil ponderada 35 s a30 t n e25 v e d20 a d15 n a 10 m e D5
Media móvil ponderada Ventas reales
Media móvil
0 Ene.Feb.Mar. Abr.May.Jun. Jul. Ago.Sep.Oct.Nov. Dic. Mes 11
Realidades sobre el pronóstico • Raras veces los pronósticos son perfectos. • La mayoría de las técnicas de pronóstico asumen que existe cierta estabilidad sostenida al sistema. • Tanto las predicciones de familias de productos como las predicciones en conjunto son más precisas que los pronósticos de productos individuales. 12
Enfoques del pronóstico
Métodos cualitativos Métodos cuantitativos " Se emplean cuando
la situación no es clara y hay pocos datos: o
o
Productos nuevos. Nueva tecnología.
" Requieren intuición
y experiencia: #
13
Por ejemplo, el pronóstico de las ventas a través de Internet.
" Se emplean cuando
la situación es estable y existen datos históricos : o
o
Productos existentes. Tecnología actual.
" Requieren ténicas
matemáticas: #
Por ejemplo, el pronóstico de las ventas de televisiones en color.
Visión global de los métodos cualitativos • Jurado de opinión ejecutiva: – Se agrupan las opiniones de un grupo de expertos de alto nivel o de directivos, a menudo en combinación con modelos estadísiticos. • Proposición de personal comercial: – Las estimación de las ventas esperadas por los vendedores se revisan para ver si se pueden llevar a cabo y luego se obtiene un pronóstico global. • Método Delphi: – Proceso de grupo que permite a los expertos realizar los pronósticos. • Estudio de mercado del consumidor: – Requiere información de los clientes. 14
Jurado de opinión ejecutiva " Requiere un pequeño grupo de directivos: #
El grupo establece una estimación conjunta de la demanda.
" Combina la experiencia directiva con
modelos estadísticos. " Es bastante rápido. " Desventaja del
pensamiento en grupo . 15
© 1995 Corel Corp.
Proposición de personal comercial " Cada vendedor estima las
ventas que hará. " Se combinan con los
pronósticos a niveles de comuna y con los nacionales.
Ventas
" El representante de ventas
conoce las necesidades de los consumidores. " Tiende a ser bastante
optimista. © 1995 Corel Corp.
16
Método Delphi
• Proceso de grupo iterativo. • 3 tipos de participantes: – Los que toman decisiones. – El personal de plantilla.
Los que toman decisiones Personal de plantilla
(¿Ventas?) (Habrá 50 ventas)
(¿Qué ventas
habrá? cuestionarios)
– Los que responden.
• Reduce el “
pensamiento en grupo”. 17
Los que responden
(Habrá 45, 50, 55 ventas)
Estudio de mercado $ Preguntar a los
consumidores sobre sus futuros planes de compra.
¿Cuántas horas utilizará Internet la próxima semana?
$ Lo que dicen los
consumidores y lo que luego hacen suele diferir. $ A veces es difícil
18
contestar a las preguntas del estudio.
© 1995 Corel Corp.
Visión global de los métodos cuantitativos
% Enfoque simple % Medias móviles
Modelos de series temporales
% Alisado exponencial % Proyección de tendencia % Regresión lineal
19
Modelos asociativos
Métodos de pronóstico cuantitativos (no simples) Pronóstico cuantitativo
20
Modelos de series
Modelos
temporales
asociativos
Media
Alisado
Proyección
móvil
exponencial
de tendencia
Regresión lineal
¿Qué son las series temporales? " Es una secuencia de datos uniformemente
espaciada: # Se obtiene observando las variables en periodos de tiempo regulares. " Se trata de una pronóstico basado en los datos
pasados: # Supone que los factores que han influido en el pasado lo sigan haciendo en el futuro. " Ejemplo:
Año:
1993 1994
Ventas: 78,7 21
63,5
1995 1996 1997 89,7
93,2
92,1
Descomposición de una serie temporal
Tendencia
Estacionalidad
22
Ciclos
Variaciones aleatorias
Tendencia $ Es el movimiento gradual de ascenso o
descenso de los datos a lo largo del tiempo. $ Los cambios en la población, ingresos, etc.
influyen en la tendencia. $ Varios años de duración.
Respuesta
23
Mes, trimestre, año
© 1984-1994 T/Maker Co.
Estacionalidad & Muestra de datos de ascenso o descenso
que se repite. & Se puede ver afectada por la climatología, las
costumbres, etc. & Se produce dentro de un periodo anual. Verano Respuesta © 1984-1994 T/Maker Co.
24
Mes, trimestre
Ciclos ! Movimientos de ascenso o descenso que se
repiten. ! Se pueden ver afectados por interacciones
de factores que influyen en la economía. ! Suelen durar de 2 a 10 años. Respuesta
Ciclo
Mes, trimestre, año 25
Variaciones aleatorias saltos” en los datos causados por el azar y situaciones inusuales.
' Son
“
' Son debidas a variaciones aleatorias o a situaciones
imprevistas: • Huelga. • Maremoto.
' Son de corta duración
y no se repiten.
26
© 1984-1994 T/Maker Co.
Modelos de series temporales " Cualquier valor que aparezca en una serie
temporal es la multiplicación (o suma) de los componentes de la serie temporal. " Modelo multiplicativo: !Y i = T i x Si x C i x R i
(si los datos son
mensuales o trimestrales). T: tendencia; S: estacionalidad; C: ciclos; R: variaciones aleatorias
" Modelo aditivo: !Y i = T i + Si + C i + R i
mensuales o trimestrales). 27
(si los datos son
Enfoque simple " Suponer que la demanda en el próximo periodo será igual a la demanda del periodo más reciente: "
Por ejemplo, si en mayo hubo 48 ventas, en junio habrá 48 ventas.
" Es el modelo con la mejor relación eficacia-costo y eficiencia. © 1995 Corel Corp.
28
Medias móviles " Las medias móviles son una serie de operaciones aritméticas. " Se utilizan si no hay tendencia o si ésta es escasa. " Se suelen utilizar para el alisado:
• Proporciona una impresión general de los datos a lo largo del tiempo. " Ecuación:
$ demanda de n periodos previos MM = n
MM = 29
At !n
+ A
t !n+1
n
+
! + A !
t 1
Ejemplo de media móvil Usted es el director de una tienda de un museo que vende réplicas. Quiere predecir las ventas (000) del año 2000 mediante una media móvil de 3 meses. 1995 4 1996 6 1997 5 1998 3 1999 7
© 1995 Corel Corp.
30
Solución de la media móvil
Año
1995 1996 1997 1998 1999 2000 31
Respuesta Yi 4 6 5 3 7 ND
Media móvil total (n=3) ND ND ND 4+6+5=15
Media móvil (n=3) ND ND ND 15/3 = 5
Solución de la media móvil
Año Respuesta Yi 1995 1996 1997 1998 1999 2000 32
4 6 5 3 7 ND
Media móvil total (n=3) ND ND ND 4+6+5=15 6+5+3=14
Media móvil (n=3) ND ND ND 15/3 = 5 14/3=4 2/3
Solución de la media móvil
Año
1995 1996 1997 1998 1999 2000
33
Respuesta Yi 4 6 5 3 7 ND
Media móvil total (n=3) ND ND ND 4+6+5=15 6+5+3=14 5+3+7=15
Media móvil (n=3) ND ND ND 15/3=5,0 14/3=4,7 14/ 15/3=5,0
Gráfico de la media móvil
Gráfico Media Móvil 8
Ventas reales
7 6 5
s a t n4 e V3
Pronóstico
2 1 0 1995
34
1996
1997
1998
1999
2000
Para la demanda de los doce periodos presentados en la siguiente tabla determinar el pronóstico de promedio móvil de tres per iodos
!"#$%&%
(")*+&*
!#%+6789% &" :#%)"&$% )6;$< &" =#"7 :"#$%&%7
,
-.
-
-/
0
--
.
-1
-.>5
1
,2
-.>0
/
0,
-->5
3
-/
-1>5
4
,4
-1>0
2
-2
-1>5
,5
-.
-.>0
,,
05
-0>3
,-
-0
-3>3
,0
Promedio móvil de tres periodos 35 30
s25 e d20 a d i 15 n U10
Demanda
5 0 1
2
3
4
5
6
7
8
9 10 11 12 13
Promedio móvil de tres periodos
Periodo
-1>3
La línea de pronóstico es más suave que la línea de la demanda. Mientras más periodos se utilicen para el cálculo, el resultado será más suave. El pronóstico siempre quedará rezagado en relación con toda demanda real. 35
Para la demanda de los once periodos presentados en la siguiente tabla determinar el pronóstico de promedio móvil de tres per iodos
!"#$%&%
Promedio móvil de una tendencia
,
,0
-
,1
0
,4
.
--
,1>0
1
-3
,4>0
/
0,
-->0
3
0/
-/>3
s e40 d a30 d i n20 U
4
.,
0,>0
10
2
.1
0/>5
0
,5
1-
.5>3
,,
13
./>5
,-
36
(")*+&*
!#%+6789% &" :#%)"&$% )6;$< &" =#"7 :"#$%&%7
60 50
Demanda Pronóstico
1
2
3
4
5
6
7
8
9
10 11 12
Periodo
1,>0
El pronóstico está rezagado de manera constante respecto de la tendencia de la información. El modelo de promedios móviles simples no es adecuado para pronosticar la demanda cuando está sigue una tendencia o patrón cíclico regular.
Método de la media móvil ponderada " Se utiliza cuando se presenta una tendencia:
• Los datos anteriores suelen carecer de importancia. " Las ponderaciones se basan en la intuición:
• Suelen estar entre 0 y 1, y a la suma de 1,0. " Ecuación: Media móvil ponderada =
!
(ponderación para el periodo n) (demanda en el periodo n) !
ponderaciones n
F t
37
=
W 1 At !1 + W 2 At !2
+
! + W A ! n
t n
donde
!W i
=
1
i 1 =
Cada uno de los pesos (W) es menor a uno, pero su suma total debe ser equivalente a 1.
Demanda actual, media móvil y media móvil ponderada 35 30
s a t n 25 e v e d 20 a d 15 n a m10 e D 5
Media móvil ponderada Ventas reales
Media móvil
0
l . o . p . c t . o v . i c e . e b . a r . b r . a y . u n . J u n E F M A M J A g S e O N D Mes
38
Ejemplo: Tomando los mismos puntos de datos que en el primer ejemplo (los puntos de datos de promedios móviles de tres periodos), aplicando un promedio móvil ponderado, con pesos de 0,5, 0,3 y 0,2 (con el peso 0,5 aplicado a la información de la demanda más reciente)
!"#$%&%
(")*+&*
!#%+6789% &" :#%)"&$% )6;$< :%+&"#*&% &" =#"7 :"#$%&%7
,
-.
-
-/
0
--
.
-1
-0>/
1
,2
-.>0
/
0,
-,>.
3
-/
-/>-
4
,4
-/>,
2
-2
-0>5
5
,5
-.
-1>,
0
,,
05
-.>0
,-
-0
-4>5
,0
Promedio ponderado de tres periodos 35 30 25
s e d20 a d i 15 n U
Demanda Promedio ponderado de tres periodos
10
1
2
3
4
5
6
7
8
9
10 11 12 13
Periodos
-1>0
El pronóstico se encuentra suavizado, y también está rezagado respecto de los cambios reales de la demanda. 39
Demanda real frente a métodos media móvil y media móvil ponderada 35 30 25 s e d20 a d i n15 U
10 5 0 1
2
3
4
5
6
7
8
9
10
11
12
13
Periodos
Demanda
40
Promedio móvil de tres periodos
Promedio ponderado de tres periodos
Inconvenientes de los métodos de media móvil " Al aumentar
n veces, las previsiones son menos sensibles a los cambios.
" No es posible predecir bien la
tendencia. " Se necesitan muchos datos
históricos. 41
© 1984-1994 T/Maker Co.
Alisado exponencial " Es una técnica de pronóstico de media móvil
ponderada: !Las ponderaciones disminuyen
exponencialmente. !Se ponderan más los datos más recientes.
" Se necesita una constante de alisado ( %): # Toma valores entre 0 y 1. # Se escoge de forma subjetiva.
" Necesita una cantidad reducida de datos
históricos. 42
Ecuaciones del alisado exponencial " F t
= F t -1 + %( At -1 - F t -1)
" F t = % At - 1 + %(1-%) At - 2 + %(1- %)2! At - 3
+ %(1- %)3 At - 4 + ... + %(1- %)t-1! A0 ( (
43
F t = Valor del pronóstico At = Valor real
(
% = Constante de alisado
(
Se utiliza para calcular el pronóstico.
Ejemplo de alisado exponencial Usted está organizando una reunión. Desea predecir el número de personas que asistirán en el año 2000 mediante el alisado exponencial ( % = 0,10). El pronóstico para 1995 fue de 175. 1995 1996 1997 1998 1999 44
180 168 159 175 190
Solución del alisado exponencial
F t = F t -1 + Año
45
180
1996
168
1997
159
1998
175
1999
190
2000
ND
( At -1 - F t -1) Pronóstico, F t (" = 0,10)
Real
1995
!
175,00 (Dado) 175,00 +
Solución del alisado exponencial
F t = F t -1 + Año
46
Real
1995
180
1996
168
1997
159
1998
175
1999
190
2000
ND
!
( At -1 - F t -1) Pronóstico, F t (" = 0,10) 175,00 (Dado)
175,00 + 0,10(
Solución del alisado exponencial
F t = F t -1 + Año
47
Real
1995
180
1996
168
1997
159
1998
175
1999
190
2000
ND
!
( At -1 - F t -1) Pronóstico, F t (" = 0,10) 175,00 (Dado)
175,00 + 0,10(180 -
Solución del alisado exponencial
F t = F t -1 + Año
48
Real
1995
180
1996
168
1997
159
1998
175
1999
190
2000
ND
!
( At -1 - F t -1) Pronóstico, F t (" = 0,10) 175,00 (Dado)
175,00 + 0,10(180 - 175,00)
Solución del alisado exponencial
F t = F t -1 + Año
49
Real
1995
180
1996
168
1997
159
1998
175
1999
190
2000
ND
!
( At -1 - F t -1) Pronóstico, F t (" = 0,10) 175,00 (Dado)
175,00 + 0,10(180 - 175,00) = 175,50
Solución del alisado exponencial
F t = F t -1 + Año
50
Real
!
( At -1 - F t -1) Pronóstico, F t (" = 0,10)
1995
180
175,00 (Dado)
1996
168
175,00 + 0,10(180 - 175,00) = 175,50
1997
159
175,50 + 0,10(168 - 175,50) = 174,75
1998
175
1999
190
2000
ND
Solución del alisado exponencial
F t = F t -1 + Año
51
Real
!
( At -1 - F t -1) Pronóstico, F t (" = 0,10)
1995
180
175,00 (Dado)
1996
168
175,00 + 0,10(180 - 175,00) = 175,50
1997
159
175,50 + 0,10(168 - 175,50) = 174,75
1998
175
174,75 + 0,10(159 - 174,75)= 173,18
1999
190
2000
ND
Solución del alisado exponencial
F t = F t -1 + Año
52
Real
!
( At -1 - F t -1) Pronóstico, F t (" = 0,10)
1995
180
175,00 (Dado)
1996
168
175,00 + 0,10(180 - 175,00) = 175,50
1997 1998
159
175,50 + 0,10(168 - 175,50) = 174,75
175
174,75 + 0,10(159 - 174,75) = 173,18
1999
190
173,18 + 0,10(175 - 173,18) = 173,36
2000
ND
Solución del alisado exponencial
F t = F t -1 + Año
53
Real
!
( At -1 - F t -1) Pronóstico, F t (" = 0,10)
1995
180
175,00 (Dado)
1996
168
175,00 + 0,10(180 - 175,00) = 175,50
1997
159
175,50 + 0,10(168 - 175,50) = 174,75
1998
175
174,75 + 0,10(159 - 174,75) = 173,18
1999
190
173,18 + 0,10(175 - 173,18) = 173,36
2000
ND
173,36 + 0,10(190 - 173,36) = 175,02
Gráfico del alisado exponencial
Gráfico alisado exponencial 195 190 185 180 175 s a170 t n e V165
160 155 150 145 140 1995
1996
1997
1998 Año
Real
54
Pronótico
1999
2000
Ejemplo de alisado exponencial Para la siguiente demanda del producto “XX”, determine la demanda para el periodo 13, considerando el alisado exponencial con ! = 0,2, 0,5 y 0,8 Suavizado exponencial ! = 0,2
!"#$%&%
(")*+&* ,
-.
-
-/
0
--
.
-1
-.@.
1
,2
-.@1
/
0,
-0@.
3
-/
-.@2
4
,4
-1@,
2
-2
-0@3
,5
-.
-.@4
,,
05
-.@/
,-
-0
-1@3
,0
55
67*8$9*&% ":;%+"+<$*= > ? 5@-1
-1@-
Suavisado exponencial 35
s30 e25 d20 a d i 15 n10 U 5 0 1
2
3
4
5
6
7
8
9
10
11
12
Periodo Demanda
Suavizado exponencial ! = 0,2
13
Ejemplo de alisado exponencial Suavizado exponencial ! = 0,5
!"#$%&% , 0 . 1 / 3 4 2 ,5 ,, ,,0
56
(")*+&* -. -/ --1 ,2 0, -/ ,4 -2 -. 05 -0
67*8$9*&% ":;%+"+<$*= > ? 5@1 -1 -0@1 -.@0 -,@/ -/@0 -/@--@, -1@1 -.@4 -3@. -1@-
Suavisado exponencial 35
s30 e25 d20 a d i 15 n10 U 5 0 1
2
3
4
5
6
7
8
9
10
11
12
Periodo Demanda
Suavizado exponencial ! = 0,5
13
Ejemplo de alisado exponencial Suavizado exponencial ! = 0,8
!"#$%&% , 0 . 1 / 3 4 2 ,5 ,, ,,0
57
(")*+&* -. -/ --1 ,2 0, -/ ,4 -2 -. 05 -0
67*8$9*&% ":;%+"+<$*= > ? 5@4
Suavisado exponencial -1 --@/ -.@1 -5@, -4@4 -/@/ ,2@3 -3@, -.@/ -4@2 -.@-
35
s30 e25 d20 a d i 15 n10 U 5 0 1
2
3
4
5
6
7
8
9
10
11
12
Periodo Demanda
Suavizado exponencial ! = 0,8
13
Ejemplo de alisado exponencial Suavizado exponencial
35 30 25
s e d20 a d i 15 n U 10 5 0 1
2
3
4
5
6
7
8
9
10
11
12
Periodo
58
Demanda
Suavizado exponencial ! = 0,2
Suavizado exponencial ! = 0,5
Suavizado exponencial ! = 0,8
13
Efectos del pronóstico de la constante de alisado
F t =
At - 1 + (1- ) At - 2 + (1- )2 At - 3 + ... Ponderaciones
=
Periodo anterior Hace 2 periodos Hace 3 periodos
(1 = 0,10 = 0,90
59
10%
)
(1 -
)2
Efectos del pronóstico de la constante de alisado
F t =
At - 1 + (1- ) At - 2 + (1- )2 At - 3 + ... Ponderaciones
=
Periodo anterior Hace 2 periodos Hace 3 periodos
(1 = 0,10 = 0,90
60
10%
9%
)
(1 -
)2
Efectos del pronóstico de la constante de alisado
F t =
At - 1 + (1- ) At - 2 + (1- )2 At - 3 + ... Ponderaciones Ponderaciones
=
Periodo anterior Hace 2 periodos Hace 3 periodos
(1 = 0,10 = 0,90
61
10%
9%
)
(1 8,1%
)2
Efectos del pronóstico de la constante de alisado
F t =
At - 1 + (1- ) At - 2 + (1- )2 At - 3 + ... Ponderaciones
=
Periodo anterior Hace 2 periodos Hace 3 periodos
(1 -
62
= 0,10
10%
= 0,90
90%
9%
)
(1 8,1%
)2
Efectos del pronóstico de la constante de alisado
F t =
At - 1 + (1- ) At - 2 + (1- )2 At - 3 + ... Ponderaciones
=
Periodo anterior Hace 2 periodos Hace 3 periodos
(1 -
63
= 0,10
10%
9%
= 0,90
90%
9%
)
(1 8,1%
)2
Efectos del pronóstico de la constante de alisado
F t =
At - 1 + (1- ) At - 2 + (1- )2 At - 3 + ... Ponderaciones
=
Periodo anterior Hace 2 periodos Hace Hace33periodos periodos 2
(1 -
64
)
(1 (1 - )2
= 0,10
10%
9%
8,1%
= 0,90
90%
9%
0,9%
)
Si se selecciona
Trate de minimizar la desviación absoluta media (DAM)
Si:
Error de pronóstico = pronóstico = demanda demanda - pronóstico pronóstico
Entonces:
DAM =
65
$ errores de pronóstico n
Alisado exponencial con ajuste de tendencia
pronóstico incluyendo la tendencia (PITt) = pronóstico alisada exponencialmente (Ft) + tendencia alisada exponencialmente (Tt)
PIT PIT t
66
=
F t
+
T t
Alisado exponencial con ajuste de tendencia F t = (demanda real del último periodo) + (1- )(pronóstico del último periodo + tendencia estimada del último periodo) o F t = (At-1) + (1- )Ft-1 + Tt-1
Tt = (pronóstico del periodo actual - pronóstico del último periodo) + (1- )(tendencia estimada del último periodo) o T t = (Ft - Ft-1) + (1- )Tt-1
67
Alisado exponencial con ajuste de tendencia ' Ft = pronóstico alisada exponencialmente
de la serie de datos en el periodo t. ' Tt = tendencia alisada exponencialmente en
el periodo t. ' At = demanda real en el periodo t. ' % = constante de alisado para la media. ' & = constante de alisado para la tendencia.
68
Ejemplo de alisado exponencial con ajuste de tendencia Un gran fabricante utiliza el alisado exponencial para realizar un pronóstico de demanda de una pieza de un equipo de control de contaminación. Parece que está presente una tendencia al alza.
?"7 @=A C+" D"E ?*# BE# ?*F GH+ GH< BI% J": K9=
(")*+&* #"*< B= ,,3 -5 ,2 -. -, 0, -4 0/
A las constantes de alisado se les asignan valores de ! = 0,2 y " = 0,4. Se supone que el pronóstico inicial para el mes 1 fue de 11 unidades, y la tendencia en este periodo fue de 2 unidades. 69
A"B CDE G+" H"I A*# FI# A*J K7+ K7= FL% 6"; M
(")*+&* #"*= FD ,,3 -5 ,2 -. -, 0, -4 0/
!#%+NBO<% P"+&"+<$* !#%+NBO<% *=$B*&% Ht *=$B*&*@ PD !QPD ,, ,-@45 ,1@,4 ,3@4,2@2, --@1, -.@,, -3@,. -2@-4
[email protected]
,@2-@,5 -@0-@-0 -@04 -@53
[email protected] -@0-@/4
,.@3,3@-4 -5@,. --@,. -.@42 -/@,4 -2@12 0,@/5 01@,/
Pronóstico con Tendencia 40 o35 t c u30 d o r 25 p l e d20 a d15 n a m10 e D
5 0 Ene
Feb
Mar
Abr
May
Jun
Jul
Ago
Tiempo (mes) Demanda real At
70
Pronóstico PITt
Sep
Oct
Comparación de pronósticos Pronóstico con Tendencia
40
o35 t c u30 d o r 25 p l e20 d a d15 n a 10 m e D 5 0 Ene
Feb
Mar
Abr
May
Jun
Jul
Ago
Tiempo (mes)
Demanda real At
71
Pronóstico PITt
Alisado exponencial
Sep
Oct
Proyecciones de Tendencias " Está técnica ajusta una línea de tendencia a una serie de datos
históricos, y proyecta la línea hacia el futuro para realizar pronósticos a medio o largo plazo. " Se desarrollan ecuaciones matemáticas de tendencia (ej.
Exponencial y cuadratica), o bien solamente tendencias líneales (línea recta). " Para desarrollar una recta de tendencia líneal, se puede aplicar el
Método de los Mínimos Cuadrados. " El resultado de este enfoque es una línea recta que minimiza la
suma de los cuadrados de las distancias verticales o desviaciones de la recta a cada una de las observaciones reales. 72
Método de mínimos cuadrados e t n e i Observación Desviación d n real (valor y) e p e d ) Desviación Desviación e y l b s a e Desviación r i Punto en r l Desviación a o v a la línea v a ( l de Desviación e tendencia d Desviación (error) s ! e y = a + bx r o l a Periodo de tiempo V 73
Análisis de regresión lineal
• Se usa para prever la línea de tendencia lineal. • Supone una relación entre la variable de respuesta, y , y el periodo de tiempo, x , que es una función lineal: y i !
a
bx i
• Se calcula mediante el método de los mínimos cuadrados: – Minimiza la suma de errores cuadrados. 74
Ecuaciones de mínimos cuadrados
Ecuación:
yi ˆ
a + bxi
=
n
" x i y i ! nx y
Pendiente:
b = i =1
n
" x i2 ! nx 2
i =1
Corte con el eje Y: a y=
=
y ! bx
Valor calculado de la variable a predecir (variable dependiente) a = Corte en el eje y b = Pendiente de la recta de regresión x = Variable dependiente ˆ
75
Tabla de cálculo
X i X 1
2 Yi
X iY i
Y1
X 1
2
Y1
2
X 1Y 1
X 2
2
Y2
2
X 2Y 2
X 2
Y2
:
:
:
:
:
Yn
2 X n
2 Yn
X nY n
!Yi
2 ! X i
2 !Yi
! X iY i
X n ! X i
76
Yi
2 X i
Modelo del análisis de regresión lineal Yi !
a
bX i
b > 0 a b < 0 a
Modelo de pronóstico del análisis de regresión lineal La demanda de energía eléctrica a lo largo del periodo 2008 – 2014 se muestra en la siguiente tabla, en megavatios. Realizar un pronóstico de la demanda del año 2015, ajustando los datos a una tendencia de línea recta.
78
Año
Demanda de energía eléctrica
2008
74
2009
79
2010
80
2011
90
2012
105
2013
142
2014
122
2015
Con serie de datos a lo largo del tiempo, se transforma los valores de x (tiempo), designando a 2008 como año 1, a 2009 como año 2, y así sucesivamente !"# 9::; 9::? 9:<: 9:<< 9:<9 9:
x
$%&'#(# (% *'%+,# -./ < 9 A > @ B = D. E 9;
! x =
28 =
n
b
=
79
4
y
! y =
7
=
.9 < > ? ? 9 D. E <>:
692 =
=
7
n
! xy " nxy ! x 2 " nx 2
a y ! bx =
=
0%+12(1 (% %2%&341 %567*&'71 -8/ => =? ;: ?: <:@ <>9 <99 D8 E B?9
3.063 " (7)(4)(98,86) =
2
140 " (7)(4 )
98,86 ! 10, 54(4)
=
98,86
295 =
56, 70
.8 => <@; 9>: AB: @9@ ;@9 ;@> D.8 E AC:BA
=
28
10,54
La ecuación de los mínimos cuadrados es:
ˆ = 56,70 + 10,54 x y La demanda proyectada para 2015, considerando este año como x=8 es: Demanda en 2015 = 56,70 + 10,54(8) = 141,02 ó 142 megavatios La demanda proyectada para 2016, considerando este año como x=9 es: Demanda en 2016 = 56,70 + 10,54(9) = 151,56 ó 152 megavatios
Tendencia demanada de energía 160 140
a í g r120 e n100 e e d 80 a d 60 n a m40 e D20 0 2008
2009
2010
2011
2012
2013
2014
2015
Año Demanda Energía
Tendencia de Energía
2016
Modelo estacional multiplicativo estación” sumando la demanda de esa estación cada año y dividiéndola entre el número de años de datos disponibles. " Calcular la demanda media a lo largo de todas las estaciones dividiendo la demanda media total anual entre el número de estaciones. " Calcular un índice estacional dividiendo la demanda histórica real de esa estación (calculado en la etapa 1) entre la demanda media a lo largo de todas las estaciones. " Encontrar la demanda histórica media para cada
“
" Estimar la demanda anual de todo el año próximo. " Dividir esta estimación de la demanda anual total entre el número
de estaciones y entonces multiplicarla por el índice estacional de esa estación. Esto proporciona la pronóstico estacional . 82
Las ventas mensuales de un producto “YY” en un distribuidor durante el periodo 2000 – 2002, se dan en la tabla siguiente. Determine los índices de estacionalidad, si se espera que la demanda anual del producto para el año 2003 sea de 1200 unidades.
Correlación
• El coeficiente de correlación se identifica normalmente como r . – Los valores varían entre -1 y +1 . – Mide el grado de asociación.
• Se usa principalmente para comprender.
84
Modelo de regresión lineal
• Muestra la relación lineal entre las variables dependientes e independientes. – Ejemplo: ventas y publicidad (sin tiempo) Corte con el eje Y
^ Yi = a Variable dependiente
85
Pendiente
b Xi Variable independiente
Modelo de regresión lineal
Y
Yi = a
b Xi
Error
Error Línea de tendencia
^ =a Y i
b Xi
X Valor observado
Interpretación de los coeficientes
• Pendiente (b): – El cálculo de Y varía en b cada unidad extra en X. • Si b = 2, entonces las ventas (Y ) aumentarán en 2 por cada unidad extra en publicidad ( X ).
• Corte con el eje Y (a): – Valor medio de Y cuando X = 0. • Si a = 4, entonces las ventas medias (Y ) serán de 4 cuando la publicidad ( X ) sea 0. 87
Variación de los errores aleatorios
• Variación del Y real a partir del Y pronosticado. • Se mide mediante el error estándar de la estimación: – Muestra los errores de la desviación estándar. – SY,X
• Afecta a varios factores: – Significado del parámetro. – Precisión de la predicción. 88
Error estándar de la desviación
n
" (y i
S y, x
=
i =1
n!2 n
2
" yi
=
89
! yˆ i )2
i =1
!a
n "
i =1
y i ! b
n!2
n
" x i yi
i =1
Suposiciones de los mínimos cuadrados
• Se supone que la relación es lineal. Primero trace los datos, si existe la curva, utilice el análisis curvilineal. • Se supone que la relación sólo se sustenta dentro o justo fuera del campo de datos. No trate de predecir periodos de tiempo lejanos al campo de la base de datos.
90
• Se supone que las desviaciones que rodean a la línea de los mínimos cuadrados son aleatorias.
Fómula del coeficiente de correlación
n
n
n
i =1
i =1
i =1
n . x i yi - . x i . yi r =
91
& n 2 , n )2 # & n 2 , n )2 # $n . x i - * . x i ' ! $n . yi - * . yi ' ! + i =1 ( " % i =1 + i =1 ( " % i =1
Valores del coeficiente de correlación
Correlación negativa perfecta
-1,0
Sin correlación
-0,5
Aumento de la correlación negativa
0
Correlación positiva perfecta
+0,5
+1,0
Aumento de la correlación positiva
Coeficiente de correlación y modelo de regresión
Y
r=1
Y
r = -1
^= a +b X Y i i
^= a +b X Y i i X Y
r = 0,89
Y
^
r=0 ^
Yi = a + b Xi
Yi = a + b Xi
X 93
X
X
Guía para elegir el modelo de pronóstico
• Usted quiere conseguir: – Ninguna conducta o dirección del error de pronóstico. ^
• Error = (Y i - Y i ) = (Real - pronóstico). • Se observa en las representaciones de los errores a lo largo del tiempo.
– Un error de pronóstico más pequeño: • Error cuadrado medio (ECM). • Desviación media absoluta (DAM).
94
Diagrama de dispersión
Ventas 4 3 2 1 0 92
Ventas frente a tiempo
93
94
95
Periodo de tiempo 95
96
Conducta del error de pronóstico
Error
Tendencia no totalmente justificada
0
Error 0
Tiempo (años)
96
Conducta deseada
Tiempo (años)
Ecuaciones del error de pronóstico
• Error cuadrado medio (ECM): n
-
$ (y i
ECM =
i =1
yi ) 2
2
ˆ
=
n
$ errores de pronóstico n
• Desviación absoluta media (DAM): n
DAM
$| y i
= i =1
n
97
-
yˆ
i
|
=
$ |errores de pronóstico n
|
Ejemplo de selección del modelo de pronóstico Usted es el analista de marketing. Ha previsto las ventas con un modelo lineal y alisado exponencial. ¿Qué modelo usará?
98
Año
Ventas reales
1995 1996 1997 1998 1999
1 1 2 2 4
Pronóstico del alisado Pronóstico del modelo exponencial lineal (0,9)
0,6 1,3 2,0 2,7 3,4
1,0 1,0 1,9 2,0 3,8
Evaluación del modelo lineal
^
Año
Yi
Yi
Error Error 2 |Error|
1992 1993 1994 1995 1996 Total
1 1 2 2 4
0,6 1,3 2,0 2,7 3,4
0,4 -0,3 0,0 -0,7 0,6 0,0
0,16 0,09 0,00 0,49 0,36 1,10
0,4 0,3 0,0 0,7 0,6 2,0
ECM = ! Error 2 / n = 1,10 / 5 = 0,220 DAM = ! |Error| / n = 2,0 / 5 = 0,400 99
Evaluación del modelo de alisado exponencial ^
Año
Yi
Yi
1995 1996 1997 1998 1999 Total
1 1 2 2 4
1,0 1,0 1,9 2,0 3,8
Error Error 2 |Error| 0,0 0,00 0,0 0,0 0,00 0,0 0,1 0,01 0,1 0,0 0,00 0,0 0,2 0,04 0,2 0,3 0,05 0,3
ECM = ! Error 2 / n = 0,05 / 5 = 0,01 DAM = ! |Error| / n = 0,3 / 5 = 0,06 100
Evaluación del modelo de alisado exponencial
Modelo de alisado exponencial: ECM = ! Error 2 / n = 0,05 / 5 = 0,01 DAM = ! |Error| / n = 0,3 / 5 = 0,06 Modelo lineal: ECM = ! Error 2 / n = 1,10 / 5 = 0,220 DAM = ! |Error| / n = 2,0 / 5 = 0,400 101
Señal de rastreo
• Mide el grado de precisión del pronóstico para predecir valores reales. • Suma actual de los errores de pronóstico (SAEP) dividida entre la desviación media absoluta (DAM): – Una buena señal de rastreo tiene valores bajos.
• Debe estar dentro de los límites de control superiores e inferiores. 102
Ecuación de la señal de rastreo
Señal de rastreo
SAEP
=
DAM
n
$ (y i
-
= i =1 DAM
=
$
yˆ
i
errores de pronóstico DAM
103
)
Cálculo de la señal de rastreo
Trim.
Demanda prevista
104
Demanda real
1
100
90
2
100
95
3
100 115
4
100 100
5
100 125
6
100 140
Error SAEP Error |Error| DAM absoluto acumulado
SR
Cálculo de la señal de rastreo
Trim. Demanda Demanda
prevista
105
Error SAEP Error |Error| DAM
real
1
100
90
2
100
95
3
100 115
4
100 100
5
100 125
6
100 140
absoluto acumulado
-10
Error = Real - pronóstico = 90 - 100 = -10
SR
Cálculo de la señal de rastreo
Trim. Demanda Demanda prevista
106
Error SAEP Error |Error| DAM
real
1
100
90
2
100
95
3
100 115
4
100 100
5
100 125
6
100 140
absoluto acumulado
-10
-10
SAEP = Errores = ND + (-10) = -10
SR
Cálculo de la señal de rastreo
Trim. Demanda Demanda prevista
107
Error SAEP Error |Error| DAM absoluto acumulado
real
1
100
90
2
100
95
3
100 115
4
100 100
5
100 125
6
100 140
-10
-10
10
Error absoluto = |Error| = |-10| = 10
SR
Cálculo de la señal de rastreo
Trim. Demanda Demanda prevista
108
Error SAEP Error |Error| DAM
real
1
100
90
2
100
95
3
100 115
4
100 100
5
100 125
6
100 140
SR
absoluto acumulado
-10
-10
10
10
|Error| acumulado = |Errores| = NA + 10 = 10
Cálculo de la señal de rastreo
Trim. Demanda Demanda prevista
109
Error SAEP Error |Error| DAM
real
1
100
90
2
100
95
3
100 115
4
100 100
5
100 125
6
100 140
absoluto acumulado
-10
-10
10
10 10,0
DAM = |Errores|/n = 10/1 = 10
SR
Cálculo de la señal de rastreo
Trim. Demanda Demanda prevista
110
Error SAEP Error |Error| DAM
real
1
100
90
2
100
95
3
100 115
4
100 100
5
100 125
6
100 140
SR
absoluto acumulado
-10
-10
10
10 10,0
SR = SAEP/DAM = -10/10 = -1
-1
Cálculo de la señal de rastreo
Trim. Demanda Demanda prevista
111
Error SAEP Error |Error| DAM
real
SR
absoluto acumulado
1
100
90
-10
2
100
95
-5
3
100 115
4
100 100
5
100 125
6
100 140
-10
10
10 10,0
Error = Real - pronóstico = 95 - 100 = -5
-1
Cálculo de la señal de rastreo
Trim. Demanda Demanda prevista
112
Error SAEP Error |Error| DAM
SR
absoluto acumulado
real
1
100
90
-10
-10
2
100
95
-5
-15
3
100 115
4
100 100
5
100 125
6
100 140
10
10 10,0
SAEP = Errores = (-10) + (-5) = -15
-1
Cálculo de la señal de rastreo
Trim. Demanda Demanda prevista
113
Error SAEP Error |Error| DAM
real
SR
absoluto acumulado
1
100
90
-10
-10
10
2
100
95
-5
-15
5
3
100 115
4
100 100
5
100 125
6
100 140
10 10,0
Error absoluto = |Error| = |-5| = 5
-1
Cálculo de la señal de rastreo
Trim. Demanda Demanda prevista
114
Error SAEP Error |Error| DAM
real
SR
absoluto acumulado
1
100
90
-10
-10
10
2
100
95
-5
-15
5
3
100 115
4
100 100
5
100 125
6
100 140
10 10,0
-1
15
Error acumulado = |Errores| = 10 + 5 = 15
Cálculo de la señal de rastreo
Trim. Demanda Demanda prevista
115
Error SAEP Error |Error| DAM
real
SR
absoluto acumulado
1
100
90
-10
-10
10
2
100
95
-5
-15
5
3
100 115
4
100 100
5
100 125
6
100 140
10 10,0 15
7,5
DAM = |Errores|/n = 15/2 = 7,5
-1
Cálculo de la señal de rastreo
Trim. Demanda Demanda prevista
116
Error SAEP Error |Error| DAM
real
SR
absoluto acumulado
1
100
90
-10
-10
10
2
100
95
-5
-15
5
3
100 115
4
100 100
5
100 125
6
100 140
10 10,0
-1
15
-2
SR = SAEP/DAM = -15/7,5 = -2
7,5
Representación de una señal de rastreo
+ M
Señal que supera el límite Señal de rastreo Límite de control superior
0 A
Intervalo aceptable
D
-
Límite de control inferior Tiempo
117
Señales de rastreo
160
3
pronóstico
140
l 120 a e r 100 a d 80 n a m 60 e D 40
2
o e r t 1 s a r 0 e d l a -1 ñ e S
Demanda real Señal de rastreo
-2
20 0
-3 0
2
4
Tiempo
118
6
8
Pronóstico en el sector servicios
• Presenta algunos retos poco comunes: • Especial necesidad de datos a corto plazo. • Las necesidades varían mucho en función de la industria y del producto. • Vacaciones y calendario. • Eventos poco comunes.
119
Pronóstico de ventas por hora en un restaurante de comida rápida 20
a % t a 15 n í e d v l e e d d e a r 10 j o a t h n e n c r ú o g e 5 P s
0 +11-12
+1-2
11-12 12-1 1-2
+3-4
2-3
3-4
+5-6
4-5
(Hora de almuerzo)
+7-8
6-7
7-8
(Hora de la cena)
Hora del día 120
5-6
+9-10
8-9 9-10 10-11
Problema de aplicación
El plan de demanda de 10 periodos para cierto producto se presenta como 127,113, 121, 123, 117, 109, 131, 115, 127y 118 unidades. Pronostique la demanda para el periodo 11, utilizando cada uno de los siguientes métodos: promedio móvil de 3 meses; promedio móvil ponderado de 3 meses con pesos de 0,2, 0,3 y 0,5; suavización exponencial con una constante de suavización de 0,3, y regresión lineal. Calcule el MAD para cada método, a fin de determinar el método que sería preferible de acuerdo con las circunstancias. También calcule el sesgo en la información, si existe, para los cuatro métodos, y explique su significado. Considere que el valor de pronostico inicial de suavización exponencial corresponde a la demanda real del periodo anterior, que fue de 115 unidades. 121
Problema de aplicación
67)*?
!"#$%&%
(")*+&*
:-
J-
:J
,
,-3
,
,/,-2
,-3
-
,,0
.
,-3/2
--/
0
,-,
2
,./.,
0/0
.
,-0
,/
,1,-2
.2-
1
,,3
-1
,0/42
141
/
,52
0/
,,44,
/1.
3
,0,
.2
,3,/,
2,3
4
,,1
/.
,0--1
2-5
2
,-3
4,
,/,-2
,,.0
,5
,,4
,55
,02-.
,,45
11
,-5,
041
,../33
//53
1@1 ,-5@,
122
I? 5@5,4,4,4,4 ,-5 *?
Problema de aplicación
!"#$%&%
(")*+&*
,
,-3
,,1
,-5@5
-
,,0
,,4@/
,-5@5
0
,-,
,,/@2
,-5@,
.
,-0
,-5@0
,,2@4
,,4@,
,-5@,
1
,,3
,,2@5
,-5@.
,,2@/
,-5@,
/
,52
,-5@0
,,2@/
,,4@4
,-5@,
3
,0,
,,/@0
,,.@-
,,1@2
,-5@,
4
,,1
,,2@5
,-,@/
,-5@.
,-5@,
2
,-3
,,4@0
,,4@/
,,4@4
,-5@-
,5
,,4
,-.@0
,-.@-
,-,@0
,-5@-
,-5@5
,-5@,
,-5@0
,-5@-
,,
123
!A 0 A"B"B
!A! 0 A"B"B
67*8R G:;R
S"L#"B$N+
Problema de aplicación !"#$%&% , 0 . 1 / 3 4 2 ,5 ,,
(")*+&* ,-3 ,,0 ,-, ,-0 ,,3 ,52 ,0, ,,1 ,-3 ,,4
!A 0 A"B"B
,-5@0 ,,2@5 ,-5@0 ,,/@0 ,,2@5 ,,4@0 ,-.@0 ,-5@5 67)*? 67)*V+?
G##%#
FT6
!A! 0 A"B"B
G##%#
FT6
-@3 U-@5 U,,@0 ,.@3 U.@5 4@3 U/@0
-@3 -@5 ,,@0 ,.@3 .@5 4@3 /@0
,,2@4 ,-5@. ,,2@/ ,,.@,-,@/ ,,4@/ ,-.@,-5@,
0@U0@. U,5@/ ,/@4 U/@/ 4@. U/@-
0@0@. ,5@/ ,/@4 /@/ 4@. /@-
-@0 5@0
.2@3 3@,
,@/ 5@-
11@3@2
Método
124
67*8R G:;R ,,1 ,,4@/ ,,/@2 ,,4@, ,,2@/ ,,4@4 ,,1@2 ,-5@. ,,4@4 ,-,@0 ,-5@0
G##%#
FT6
.@2 U-@/ U2@4 ,1@, U1@. 4@U0@0
.@2 -@/ 2@4 ,1@, 1@. 4@0@0
3@, ,@5
.2@0 3@5
MAD
Promedio móvil de 3 meses
7,1
Promedio móvil ponderado de 3 meses
7,9
Suavización exponencial
7,0
Regresión lineal
6,0
S"L#"B$N+ ,-5@5 ,-5@5 ,-5@, ,-5@, ,-5@, ,-5@, ,-5@, ,-5@, ,-5@,-5@,-5@-
G##%#
FT6
-@2 U0@, U,,@, ,5@2 U1@, /@4 U-@-
-@2 0@, ,,@, ,5@2 1@, /@4 -@-
U5@2 U5@,
.-@/@5