Unidad 2 pronóstico de la demanda 2 PRONOSTICOS DE LA DEMANDA “Pronosticar es el arte y ciencia de predecir acontecimientos ftros! Las decisiones empresariales siempre se toman con informaci"n insficiente y con n mar# mar#en en de ince incert rtid idm m$r $re e mayor mayor o menor menor%% depen dependi dien endo do del del tiem tiempo po y los los recrsos &e se destinan a la $'s&eda y el an(lisis de la informaci"n informaci"n)) De$emos entonces esta$lecer al#nas sposiciones y actar) Sa$emos &e nnca ocrrir( e*actamente lo pronosticado+ entonces% ,para &pronosticar. Por&e Por&e nece necesi sita tamo moss na ciert cierta a $ase $ase /an& /an&e e sea sea m0ni m0nima ma/% /% n crite criteri rio% o% na na 1stificaci"n para el crso de acci"n &e decidimos tomar) Por&e a partir del pron"stico &e #eneremos% estaremos decidiendo d"nde alocar nestros recrsos financieros% tecnol"#icos y manos)
2)3 IMPORTANCIA ESTRAT45ICA DEL PRON6STICO El pron"stico es la $ase de la planeaci"n corporati7a a lar#o pla8o) En las (reas fncionales de finan8as y conta$ilidad% los pron"sticos proporcionan el fndamento para la planeaci"n de prespestos y control de costos) El mar9etin# depende del pron"stico de 7entas para planear prodctos ne7os+ el personal de prodcci"n y operaciones tili8a los pron"sticos para tomar decisiones peri" peri"di dicas cas &e &e comp compren rende den n la selecc selecci" i"n n de proce proceso sos% s% la plan planeac eaci" i"n n de las las capacidades y la distri$ci"n de las instalaciones% as0 como para tomar decisiones continas cerca de la planeaci"n de la prodcci"n% la pro#ramaci"n y el in7entario) El pron"stico de la demanda consiste en estimar las 7entas de n prodcto drante n determinado periodo ftro)
/ ) 2)2 CARACTER:STICAS DE LA DEMANDA Satisfacer las necesidades del cliente y &e el ne#ocio o empresa prospere comercial y financieramente) El mercado est( s1eto a di7ersos factores de diferente 0ndole% al#nos de ellos son controla$les por la empresa y otros no tanto) Este se di7ide en distintos factores; 3) Estacionalidad; refle1a na proyecci"n de la demanda en n periodo espec0fico del a
ariaci"n aleatoria; altas y $a1as del prodcto ?>enta@% sin &e esta se peda predecir con e*actitd+ lo con7eniente ser( monitorearlo y prepararse con in7entario para amorti#ar el efecto de la demanda) ) >ariaci"n c0clica; las oscilaciones de lar#a draci"n alrededor de la cr7a de tendencia% esto &iere decir n ascenso y descenso de na serie de tiempo en periodos mayores de 3 aOS Prodce datos descripti7os de las propias pala$ras de las personas y la condcta o$ser7ada)
Tipos de m-todos; 2)=)3 Conslta de fer8a de 7entas)
es n sistema de informaci"n &e se sa mar9etin# y administraci"n &e atomati8an al#nas fnciones de 7entas) Estimaci"n de las (reas de 7entas como n todo) Costo de $a1o a medio) Pron"sticos de 7entas% administraci"n de "rdenes y conocimiento del prodcto) ?Lle7a n istorial el cal es my importante@) 2)=)2 Opini"n e1ecti7a)
Los e*pertos de alto ni7el se a#rpan con modelos estad0sticos) Costo de $a1o a medio) Las posiciones esconden intereses personales% o no se mencionan por contrariar a la mayor0a) 5erentes de mercadotecnia% finan8as y prodcci"n preparan pron"sticos a corto y mediano pla8o) 2)=)= M-todo Delpi) S o$1eti7o es la ad&isici"n de n consenso $asado en la discsi"n entre e*pertos) Es n proceso repetiti7o) Consta de estos pasos; Ela$oraci"n de cestionario Re7isar informaci"n
Reali8ar otro cestionario Conclsiones a partir de la e*plotaci"n estad0stica de los datos o$tenidos) Es a lar#o pla8o) S costo 7a de medio a alto) 2)=) In7esti#aci"n del mercado; Proceso de recopilaci"n% procesamiento y an(lisis de informaci"n) Plan estrat-#ico% preparar el lan8amiento del prodcto o soportar el desarrollo de los prodctos lan8ados) A7eri#ar en el consmidor+ ($itos Necesidades Moti7aciones 5stos Deseos 2)=) Analo#0a ist"rica; tili8a n ciclo de 7ida de n prodcto tili8ado para lan8amientos de prodctos ne7os) Informaci"n $asada en prodctos similares)
2) M4TODOS CBANTITATI>OS Los m-todos cantitati7os o tam$i-n llamados casales% se emplean cando se dispone de datos ist"ricos y la relaci"n entre el factor &e se intenta pronosticar y otros factores e*ternos o internos pede identificarse) Las relaciones de ese tipo se e*presan en t-rminos matem(ticos y selen ser my comple1as) 2))3 Modelos de series de tiempo)
t-cnica de pron"stico &e emplea na serie de datos pntales ist"ricos para o$tener el pron"stico) /Modelos asociati7os; los modelos casales como la re#resi"n lineal% incorporan las 7aria$les o factores &e peden inflir en la cantidad por pronosticar) /Pron"sticos de series de tiempo; se $asa en na secencia de datos pntales separados a inter7alos i#ales) /Descomposici"n de na serie de tiempo; na serie de tiempo tiene componentes+ Las tendencias La estacionalidad Los ciclos Las 7ariaciones aleatorias
2))3)3 Enfo&e simple Spone &e la demanda en el pr"*imo periodo ser( i#al a la demanda del periodo m(s reciente) Es la me1or predicci"n para los precios de insmos% acciones% etc) &e coti8an) Por&e si el mercado realmente creyera &e en n tiempo 7aldr( m(s% comprar0a tanto oy &e ar0a lle7ar el precio a ese 7alor esperado) Por e1emplo% si oy la acci"n de Microsoft coti8a a BFS 2G% ,c(nto predice &e 7a a 7aler ma
Promedio m"7il ponderado; en el m-todo de promedio m"7il simple% todas las demandas tienen la misma ponderaci"n en el promedio% es decir% 3n) En el m-todo de promedio m"7il ponderado% cada na de las demandas ist"ricas &e inter7ienen en el promedio pede tener s propia ponderaci"n) E1emplo+ en n modelo cn promedio m"7il
ponderado de tres periodos% al periodo m(s reciente se le pede asi#nar na ponderaci"n de G)G% al se#ndo se le asi#na na ponderaci"n de G)=G% y al tercero na de )2G) El promedio se o$tiene mltiplicando la ponderaci"n de cada periodo por el 7alor correspondiente a dico periodo y finalmente los prodctos; 2))3)= Sa7i8aci"n e*ponencial El m-todo de sa7i8aci"n e*ponencial es n m-todo de promedio m"7il ponderado my refinado &e permite calclar el promedio de na serie de tiempo% asi#nando a las demandas recientes mayor ponderaci"n &e a las demandas anteriores) Es el m-todo de pron"stico formal &e se sa m(s a mendo% por s simplicidad y por la redcida cantidad de datos &e re&iere) Este m-todo solo re&iere = tipos de datos; el pron"stico del 'ltimo periodo% la demanda de ese periodo y n par(metro sa7i8ador% alfa J% cyo 7alor flct'a entre G y 3)G) La si#iente es na ecaci"n e&i7alente; K t3 K t J ?Dt Kt@
Esta forma de la ecaci"n mestra &e el pron"stico para el periodo si#iente es i#al al pron"stico del periodo actal m(s na proporci"n del error del pron"stico correspondiente al mismo periodo actal)
“La sa7i8aci"n e*ponencial tiene las 7enta1as de ser sencilla y re&erir n m0nimo de datos) S tili8aci"n es econ"mica y% por lo tanto% my atracti7a para las empresas &e reali8an miles de pron"sticos para cada periodo de tiempo!)
2))3) Tendencia Lineal
Consiste en conocer si los 7alores a$soltos o relati7os de n concepto an crecido o disminido en el tiempo% partiendo de n periodo considerado $ase) Pede referirse a cifras ist"ricas o la determinaci"n de cifras estimadas para el ftro)
2))2 Relaciones casales
2))2)3 Re#resi"n simple En el Modelo de Re#resi"n es my importante identificar c(l es la 7aria$le dependiente y c(l es la 7aria$le independiente) En el Modelo de Re#resi"n Simple se esta$lece &e H es na fnci"n de s"lo na 7aria$le independiente% ra8"n por la cal se le denomina tam$i-n Re#resi"n Di7ariada por&e s"lo ay dos 7aria$les% na dependiente y otra independiente y se representa as0; H f ?@ H est( re#resando por ANQLISIS ESTAD:STICO; RE5RESI6N LINEAL SIMPLE En el estdio de la relaci"n fncional entre dos 7aria$les po$lacionales% na 7aria$le % llamada independiente% e*plicati7a o de predicci"n y na 7aria$le H% llamada dependiente o 7aria$le respesta% presenta la si#iente notaci"n; Ha$e Donde; a es el 7alor de la ordenada donde la l0nea de re#resi"n se intercepta con el e1e H)
$ es el coeficiente de re#resi"n po$lacional ?pendiente de la l0nea recta@ e es el error SBPOSICIONES DE LA RE5RESI6N LINEAL Los 7alores de la 7aria$le independiente son fi1os% medidos sin error) La 7aria$le H es aleatoria Para cada 7alor de % e*iste na distri$ci"n normal de 7alores de H ?s$po$laciones H@ Las 7ariancias de las s$po$laciones H son todas i#ales) Todas las medias de las s$po$laciones de H est(n so$re la recta) Los 7alores de H est(n normalmente distri$idos y son estad0sticamente independientes) ESTIMACI6N DE LA ECBACI6N DE RE5RESI6N MBESTRAL Consiste en determinar los 7alores de a y $ a partir de la mestra% es decir% encontrar los 7alores de a y $ con los datos o$ser7ados de la mestra) El m-todo de estimaci"n es el de M0nimos Cadrados% mediante el cal se o$tiene; Le#o% la ecaci"n de re#resi"n mestral estimada es; e se interpreta como; a es el estimador de a Es el 7alor estimado de la 7aria$le H cando la 7aria$le G $ es el estimador de $ % es el coeficiente de re#resi"n Est( e*presado en las mismas nidades de H por cada nidad de ) Indica el n'mero de nidades en &e 7ar0a H cando se prodce n
cam$io% en na nidad% en ?pendiente de la recta de re#resi"n@) Bn 7alor ne#ati7o de $ ser0a interpretado como la ma#nitd del decremento en H por cada nidad de amento en ) 2))2)2 Re#resi"n m'ltiple Este tipo se presenta cando dos o m(s 7aria$les independientes inflyen so$re na 7aria$le dependiente) E1emplo; H f?*% % 8@) Btili8amos re#resi"n m'ltiple cando estdiamos la posi$le relaci"n entre 7arias 7aria$les independientes y otra 7aria$le dependiente)
Al aplicar el an(lisis de re#resi"n m'ltiple lo m(s frecente es &e tanto la 7aria$le dependiente como las independientes sean 7aria$les continas medidas en escala de inter7alo o ra8"n) No o$stante% ca$en otras posi$ilidades; ?3@ tam$i-n podremos aplicar este an(lisis cando relacionemos na 7aria$le dependiente contina con n con1nto de 7aria$les cate#"ricas+ ?2@ o $ien% tam$i-n aplicaremos el an(lisis de re#resi"n lineal m'ltiple en el caso de &e relacionemos na 7aria$le dependiente nominal con n con1nto de 7aria$les continas)
La anotaci"n matem(tica del modelo o ecaci"n de re#resi"n lineal m'ltiple es la &e si#e; Ha$ 3*3 $2*2 ))) $n*n e " presente a $ 3pasado $2ftro e en donde;
H es la 7aria$le a predecir+ a% $ 3*3% $2*2))) $n*n% son par(metros desconocidos a estimar+ y e es el error &e cometemos en la predicci"n de los par(/ metros) Aplicaciones de la re#resi"n m'ltiple
Es cierto &e la re#resi"n m'ltiple se tili8a para la predicci"n de respestas a partir de 7aria$les e*plicati7as) Pero no es -sta realmente la aplicaci"n &e se le sele dar en in7esti#aci"n) Los sos &e con mayor frecencia encontraremos en las p$licaciones son los si#ientes; Identificaci"n de 7aria$les e*plicati7a Nos ayda a crear n modelo donde se seleccionen las 7aria$les &e peden inflir en la respesta% descartando a&ellas &e no aporten informaci"n) Detecci"n de interacciones entre 7aria$les independientes &e afectan a la 7aria$le respesta) Identificaci"n de 7aria$les confrosas; es n pro$lema dif0cil el de s detecci"n% pero de inter-s en in7esti#aci"n no e*perimental% ya &e el in7esti#ador frecentemente no tiene control so$re las 7aria$les independientes)
2) Monitoreo y control de los pron"sticos Los especialistas siempre est(n tratando de acer me1ores estimaciones acerca de lo &e ocrrir( en el ftro al afrontar la incertidm$re) El prop"sito fndamental de los pron"sticos es acer $enas estimaciones en las cales $asar
los modelos para la toma de decisiones) Los pron"sticos constityen la pro$lem(tica fndamental dentro de la #esti"n de la acti7idad de na empresa de$ido a la comple1idad de los pro$lemas encontrados cando se pronostica y a s impacto so$re todas las decisiones de la empresa)
Bna sitaci"n my particlar presenta la pre7isi"n de la demanda de pie8as de repesto% dada la #ran cantidad de srtidos &e se de$en proporcionar% el ele7ado #rado de 7aria$ilidad en la demanda de estas prodcciones y la importancia &e posee la disponi$ilidad de estas pie8as para el e&ipamiento &e las tili8a% ya &e la disponi$ilidad en tiempo de las mismas #aranti8a la continidad del proceso prodcti7o en el cal est- inmiscido el e&ipamiento &e la tili8a dentro de na determinada empresa) Es por ello% &e se de$e ase#rar n ele7ado ni7el de precisi"n en la pre7isi"n de la demanda de este tipo de prodctos) En este art0clo se presenta n procedimiento #eneral para la pre7isi"n de la demanda de las pie8as de repesto $asado en s fia$ilidad operacional a partir de la filosof0a &e caracteri8a al sistema y considerando la inflencia del mismo en el me1oramiento de la 5esti"n del Mantenimiento del e&ipamiento) Se#imiento de la implantaci"n del procedimiento) En consecencia% el contenido de cada no de ellos% plantea los pasos a desarrollar para pre7er la demanda de pie8as de repesto $asado en s fia$ilidad% lle#(ndose% en ocasiones% a definir las t-cnicas espec0ficas a tili8ar)
Panorama #eneral de los m-todos de pron"stico
Kia$ilidad; es la pro$a$ilidad de &e n item ?sistema o elemento@ realice satisfactoriamente la misi"n especificada% drante n per0odo determinado y $a1o n con1nto dado de condiciones operati7as) Patrones de Kallos; Drante d-cadas% la sa$idr0a con7encional s#er0a &e la me1or forma de optimi8ar el desempe
2) Pron"sticos con comptadora
En mcas aplicaciones de los pron"sticos a corto pla8o% las comptadoras son indispensa$les) Con frecencia% las empresas tienen &e preparar pron"sticos para cientos o inclso miles de prodctos o ser7icios en forma reiterada) Por e1emplo% na amplia red de instalaciones de ser7icio m-dico necesita calclar pron"sticos de la demanda de cada no de ss ser7icios en cada departamento) Esta operaci"n implica #randes 7ol'menes de datos &e de$en ser maniplados con frecencia) Los analistas tienen &e e*aminar las series de tiempo &e corresponden a cada prodcto o ser7icio a fin de ela$orar n pron"stico) E*isten mcos pa&etes de softare para pron"stico &e peden sarse en comptadoras de cal&ier tama
ttps;sites)#oo#le)comsiteaolcinanidad/2/nidad/2/pronostico/de/la/demanda
