Error de pronóstico=Demanda real – valor valor pronosticado Para qué calcular el error pronóstico el error de pronóstico de demanda? demanda ? Su cálculo nos permite tomar decisiones Qué utilidad tiene calcular el frente a qué método de pronóstico es el mejor y mejor y logran detectar cuando algo en nuestra previsión de la demanda no está marchando bien, con lo que conseguimos cambiar el rumbo de nuestras d ecisiones a fin tomar las mejores elecciones. Cuál es la causa del error de pronóstico Hay dos fuentes de error en pronósticos: Sesgados y aleatorios. aleatorios . El primero, también llamado sistemático es ocasionado por un error constante, por ejemplo una mala interpretación de la demanda, usar variables incorrectas o con relaciones equivocadas. Este tipo de error se verá minimizado de acuerdo a la experticia del administrador de operaciones. El error aleatorio es aquel que no tiene explicación, es decir, es el error originado por factores imprevisibles y por ende no se conoce qué es lo que lo causa. Con esto en mente, debemos tener claro que siempre va a haber error en el cálculo de un pronóstico de demanda.. En la práctica, se intenta minimizar ambos tipos de errores eligiendo el mejor método de demanda pronóstico, y es por eso que existen la medición del error en pronósticos de demanda demanda.. Suma acumulada de errores de pronóstico (CFE) Es la medida más básica de todas y es la que da origen a las demás. Es la suma acumulada de los errores de pronóstico. Nos permite evaluar el sesgo del pronóstico. pronóstico . Por ejemplo, si a través de los periodos el valor real de la demanda siempre resulta superior al valor de pronóstico, la CFE será más grande, indicando la existencia de un error sistemático en el cálculo de cálculo de la demanda.
Desviación media absoluta (MAD) pronóstico o dicho de otra forma, la medición del tamaño del error en Mide la dispersión del error de pronóstico o unidades. Es el valor absoluto de la diferencia entre la demanda real y el pronóstico, dividido sobre el número
de periodos. Error cuadrático medio (MSE) Al igual que la DAM, el MSE es una medida de dispersión del error de pronóstico, pronóstico , sin embargo esta medida maximiza el error al elevar al cuadrado, castigando aquellos periodos donde la diferencia fue más alta a comparación de otros. En consecuencia, se r ecomienda el uso del MSE par a periodos con desviaciones
pequeñas. Error porcentual medio absoluto (MAPE) El MAPE nos entrega la desviación en términos porcentuales y porcentuales y no en unidades como las anteriores medidas. Es el promedio del error absoluto o diferencia entre la demanda real y el pronóstico, expresado
como un porcentaje de los valores reales. Otros autores le llaman Porcentaje de error medio absoluto (PEMA) o lo manejan como EPAM. (PEMA) o
Error de pronóstico MAD/MEAN, GMRAE y SMAPE Existen otras medidas de error de pronóstico menos comunes, generalmente variaciones de MAPE y MAD. El MAD/MEAN actúa sobre datos intermitentes y de bajo volumen, mientras el GMRAE es usado para evaluar el grado de error del pronóstico fuera de la muestra. En pronóstico experto hay más información sobre estas y otras medidas de error como SMAPE. Cómo calcular las medidas de error de pronóstico En este ejemplo de errores de pronóstico, tomamos la empresa IngE que vende televisores y su
demanda a través del año fue la siguiente: Igualmente a través del año la empresa pronosticó la demanda con el método de promedio
móvil simple. Estos fueron los resultados: Para calcular cada una de las medidas de error mostradas hasta ahora: En una columna para cada periodo calculamos el error de pronóstico hallando la resta entre la demanda real y el pronóstico. En otra columna restamos en valor absoluto la demanda real con el pronóstico para cada periodo. Lo que en otras palabras vendría siendo el valor absoluto del error de pronóstico. Esto lo hacemos para calcular el MAD. En otra columna elevamos al cuadrado el error de pronóstico de cada periodo. Esto lo hacemos para calcular el MSE. En otra columna, dividimos la demanda real / mad. Hacemos la suma de los resultados que obtuvimos para cada periodo en cada columna. Lo descrito anteriormente en nuestro ejercicio sería algo como esto:
Los cálculos se realizan a partir del periodo 4, debido a que nuestro promedio móvil simple tiene n=3, por ende en los tres primeros periodos no tenemos pronóstico de demanda.
Hecho esto, ya estamos a un paso de obtener nuestras medidas de error. Teniendo en cuenta que el número de periodos que pronosticamos es de 9: La suma acumulada de errores de pronóstico es 26. Ya la teníamos calculada al hacer la sumatoria en la columna de error de pronóstico. La desviación absoluta media (MAD) la calculamos dividiendo 97,33 entre 9. El error cuadrático medio (MSE) lo calculamos dividiendo 1079,56 entre 9. Dividimos 183% entre 9 para calcular el error porcentual absoluto medio (MAPE) Esto es lo que obtenemos:
Cómo interpretar las medidas de error de pronóstico Las medidas de error de pronóstico calculadas para un solo método en un solo período de tiempo carecen de significado. Su utilidad radica cuando comparamos las medidas de error con las medidas de otros métodos de pronóstico o con otros períodos de tiempo. ¿Cómo sería esto en nuestro ejemplo? Para nuestro siguiente ejemplo vamos a considerar únicamente métodos de pronóstico cuantitativos: Promedio móvil simple y ponderado y suavización exponencial simple y doble. La demanda la calculamos a partir del periodo 4 hasta el período 15. El n a usar en el promedio simple es de 3. En el promedio ponderado usaremos pesos de 40%, 30% y 30% para el periodo más reciente, intermedio y más lejano respectivamente. La constante de suavización alfa en el alisado exponencial será de 0,4. La constante de suavización alfa y delta en el alisado exponencial doble ambas serán de 0,3.
Vale decir que no jugué mucho con estos datos y coloqué los primeros valores que se me vinieron a la mente. Pues bien, los pronósticos calculados con cada método serían:
Con estos datos ya tenemos para determinar por medio de las medidas de error, cuál es el mejor método durante los 12 periodos de medición:
Inicialmente analicemos la demanda. La demanda presenta picos y fondos mostrando tant o tendencias crecientes como decrecientes. Esto se ve reflejado en los métodos de suavización que responden mejor a las medidas de MAD, MSE y MAPE comparados a los promedios. En este sentido, si le hubiera asignado al promedio ponderado un mayor peso para los datos más recientes, se lograría obtener mejores medidas de MAPE, MSE y MAD. Y por supuesto los suavizamientos son métodos susceptibles de ser mejorados. La definición de las constantes de suavización por ensayo y error seguro nos habría entregado mejores métricas. Al observar el CFE inferimos que hay un grado de error de sistematización en las suavizaciones y es necesario cambiar las constantes de suavizamiento. Debido a esto los promedios se ven mejor en esta medida. Hecho esto y considerando la naturaleza de los datos a tener tendencias crecientes y decrecientes, yo me quedaría con el método de suavización exponencial ajustada.