GESTIÓN DE LA PRODUCCIÓN I UNIDAD 2:
PRONÓSTICO DE LA DEMANDA Presenta: ING
Una serie de tiempo se basa en una secuencia de datos puntuales igualmente espaciados (semanales, mensuales, trimestrales, etc.). Los datos para los pronósticos de series de tiempo implica que los valores futuros solo se predicen a partir de los valores pasados y que se pueden ignorar otras variables, sin importar que tan
Son innumerables las aplicaciones que se pueden citar, en distintas áreas del conocimiento, tales como, en economía, física, geofísica, química, electricidad, en demografía, en marketing, en telecomunicaciones, en transporte, etc.
Económicas
Físicas Geofísica Demográficas Marketing
- Precios de un artículo - Tasas de desempleo - Tasa de inflación - Índice de precios, etc. - Meteorología - Cantidad de agua caída - Temperatura máxima diaria - Velocidad del viento (energía eólica) - Energía solar, etc. - Series sismologías - Tasas de crecimiento de la población - Tasa de natalidad, mortalidad - Resultados de censos poblacionales Series de demanda gastos ofertas
La es el movimiento gradual, hacia arriba o hacia abajo, de los datos en el tiempo. Los cambios en el ingreso, la población, la distribución de edades o los puntos de vista culturales pueden ser causantes del movimiento en una tendencia.
La es un patrón de datos que se repite después de un periodo de días, semanas, meses o trimestres. Existen seis patrones comunes en la estacionalidad:
Semana
día
7
Mes
semana
4- 4 ½
Mes
día
28-31
Año
trimestre
4
Año
mes
12
Año
semana
52
Los restaurantes y las peluquerías por ejemplo, experimentan estaciones semanales, donde los sábados son el pico del negocio. Los distribuidores de cerveza pronostican patrones anuales, con estaciones mensuales. Cada una de las tres estaciones – Mayo, Julio y
Los son patrones, detectados en los datos, que ocurren cada cierta cantidad de años. Usualmente están sujetos al ciclo comercial y son de gran importancia para el análisis y la planeación del negocio a corto plazo. La predicción de los ciclos de negocio es difícil por que estos pueden verse afectados por los acontecimientos políticos o la turbulencia internacional. Las variaciones aleatorias ( ) son señales generadas en los datos por casualidad o por situaciones inusuales. No siguen un patrón discernible, por lo tanto
El pronóstico de los promedios móviles usa un número de valores de datos históricos reales para generar un pronóstico. Los promedios móviles son útiles si suponemos que la demanda del mercado permanecerá relativamente estable en el tiempo. Matemáticamente, el promedio móvil (que sirve como estimación de la demanda del siguiente periodo) se expresa como: ó =
Donde n es el número de periodos incluidos en el
La tienda de suministros para jardín Donna quiere hacer un pronóstico con el promedio móvil de 3 y 6 meses, incluyendo un pronóstico para las ventas de cobertizos el próximo enero. Las ventas de cobertizos para almacenamiento se muestra en la columna media de la siguiente tabla. Enero Febrero Marzo Abril Mayo Junio Julio Agosto Septiembre Octubre
10 12 13 16 19 23 26 30 28 18
Cuando se presenta una tendencia o un patrón localizable, puede utilizarse ponderaciones para dar más énfasis a los valores recientes. Esta practica permite que las técnicas de pronósticos respondan mas rápido a los cambios, puesto que puede darse mayor peso a los periodos más recientes. La elección de las ponderaciones es un tanto arbitraria porque no existe formula establecida. Por lo tanto, decidir que ponderaciones requiere de cierta experiencia. ó =
La tienda para jardín de Donna, quiere pronosticar las ventas de cobertizos ponderando los 3 últimos meses, dando mas peso a los datos recientes para hacerlos mas significativos.
3 2 1 6
Último mes Hace dos meses Hace tres meses Suma de ponderaciones
3(ventas del ultimo mes) + 2(ventas de hace 2 meses ) + 1(venta de hace tres meses) Suma de las ponderaciones
Enero Febrero Marzo Abril Mayo Junio Julio Agosto Septiembre Octubre
10 12 13 16 19 23 26 30 28 18
Las ventas mensuales de Telco baterries, Inc., fueron como sigue:
a) Realice un promedio móvil simple de 3 y 5 meses. b) Realice un promedio móvil ponderado empleando 0.1, 0.1, 0.1, 0.2, 0.2 y 0.3 con las ponderaciones más alta a los meses más recientes. c) ¿Cuál de los tres promedios es el mejor?
Enero Febrero Marzo Abril Mayo Junio Julio Agosto Septiembre Octubre
20 21 15 14 13 16 17 18 20 20
Tanto los promedios móviles simples como los ponderados son efectivos para para suavizar las fluctuaciones repentinas en el patrón de la demanda con el fin de obtener estimaciones estables, sin embargo, los promedios móviles presentan tres problemas 1.
Aumentar el tamaño de n (número de periodos promediados) suaviza de mejor manera las fluctuaciones, pero resta sensibilidad al método ante cambio reales en los datos.
2.
Los promedios móviles no reflejan bien las tendencias. Por que son promedios, siempre se quedarán en niveles pasados, no predicen los cambios hacia niveles más altos ni más bajos. Es decir, retrasan los valores reales. 3.
Los promedios móviles requieren amplios registros de datos
El suavizamiento exponencial es un sofisticado método de pronóstico de promedios móviles ponderado que sigue siendo bastante fácil de usar. Implica mantener muy pocos registros de datos históricos. La fórmula básica de suavizamiento exponencial se expresa como sigue. Nuevo Pronóstico = Pronóstico del mes anterior + α (Demanda real del mes anterior – pronóstico del periodo anterior) Ft = Ft-1 + α (A t-1 - Ft-1) Donde: Ft = Nuevo pronóstico. Ft-1 = Pronóstico del mes anterior. α = constante de suavizamiento.
La constante de suavizamiento se encuentra en un intervalo de .05 a .50 para aplicaciones de negocios. Puede cambiarse para dar más peso a datos recientes (cuando α es alta) o más peso a datos anteriores (si α es baja). La tabla siguiente ayuda a ilustrar este concepto. Por ejemplo, cuando casi por α = 0.5, podemos ver que el nuevo pronóstico se basa completo en la demanda de los últimos tres o cuatro periodos. Cuando α = 0.1, el pronóstico pone poco peso en la demanda reciente y toma en cuenta los valores histórico de muchos periodos.
Constante de suavizamiento α
= 0.1
Periodo más reciente (α)
2° periodo más reciente α (1-α)
.1
.09
3er. Periodo más reciente 2 α (1-α)
0.081
4° Periodo más reciente 3 α (1-α)
5° Periodo más reciente 4 α (1-α)
.073
.066
En enero, un vendedor de automóviles predijo que la demanda para febrero sería de 142 Ford Mustang. La demanda real en febrero fue de 153 automóviles. Usando la constante de suavizamiento que eligió la administración es de α = 0.20, el vendedor quiere pronosticar la demanda para marzo usando el modelo de suavizamiento exponencial. Si la constante de suavizamiento se cambia a 0.30 ¿Cuál es el nuevo pronóstico? Un centro de procesamiento de cheques usa el suavizamiento exponencial para pronosticar el número de cheques entrante cada mes. El número de cheques recibidos fue de 40 millones, aunque el pronóstico era de 42 millones. Se usó una constante de suavizamiento de 0.2 a) b)
¿Cuál es el pronóstico para julio? Si el centro recibió 45 millones de cheques el mes de Julio, ¿Cuál será el pronóstico para agosto?
El monitoreo y control del pronóstico comprende la supervisión y control de los pronósticos realizados para asegurar que se están llevando a cabo de manera adecuada. En la actualidad, la forma más usada para monitorear los pronósticos es el empleo de una señal de rastreo (Tracking Signal), la cual debe mantenerse dentro de los límites de control de rastreo (Tracking Control Limits) para que el modelo de pronóstico seleccionado siga siendo válido. De esta manera, cuando la señal de rastreo sobrepasa los límites de control, debe detenerse el proceso de pronóstico y volver a absorber la demanda e igualarla de manera más exacta (corrección del modelo y/o método de pronóstico).
La precisión general de cualquier modelo de pronóstico —promedios móviles, suavizamiento exponencial o cualquier otro— se determina comparando los valores pronosticados con los valores reales u observados. El error de pronóstico (o desviación) se define como: ó = −
= −
La primera medición del error global del pronóstico para un modelo es la . Su valor se calcula sumando los valores absolutos de los errores individuales del pronóstico y dividiendo entre el número de periodos de datos ( n ): =
− ó
El es una segunda forma de medir el error global del pronóstico. El MSE es el promedio de los cuadrados de las diferencias entre los valores pronosticados y observados. Su fórmula es: =
− ó
2
Un problema con MAD y con MSE es que sus valores dependen de la magnitud del elemento que se pronostica. Si el elemento pronosticado se mide en millares, los valores de MAD y MSE pueden ser muy grandes. Para eludir este problema, podemos emplear el . Éste se calcula como el promedio de las diferencias absolutas entre los valores pronosticados y los reales y se expresa como porcentaje de los valores reales. Es decir, si hemos pronosticado n periodos y los valores reales corresponden a n periodos, MAPE se calcula como:
=
− ó 100
Una vez que se obtiene un pronóstico, no debe olvidarse. Ningún administrador desea que le recuerden que su pronóstico fue terriblemente impreciso, pero la empresa necesita saber por qué la demanda real (o cualquiera que sea la variable que se examina) difiere de manera significativa de lo proyectado. Si quien pronostica suele ser acertado, esa persona casi siempre se asegura de que todos conozcan sus habilidades. Pocas veces se leen artículos en Fortune , Forbes o el Wall Street Journal , acerca de gerentes de finanzas que constantemente se alejen 25% en sus pronósticos del mercado de valores. Una manera de monitorear los pronósticos para asegurar que sean buenos es emplear una señal de control. Una es una medida de qué tan bien los pronósticos predicen los valores reales. Conforme se actualizan los pronósticos semanal, mensual o trimestralmente, los nuevos datos disponibles de la demanda se
La señal de control se calcula como la suma continua de errores del pronóstico (SCEP) dividida entre la desviación absoluta media (MAD) : ñ =
=
− ó
Los pronósticos en el sector servicios presenta retos inusuales. Una técnica importante en el sector comercial es el seguimiento de la demanda manteniendo buenos registros a corto plazo. Por ejemplo una peluquería para hombres espera picos en el flujo de trabajo los viernes y los sábados. De hecho muchas peluquerías cierran los domingos y lunes y muchas requieren personal extra los viernes y los sábados. Por su parte, un restaurante del centro de la ciudad quizá necesite dar seguimiento a convenciones y días festivos para que sus pronósticos a corto plazo sean efectivos.
•
Las tiendas de especialidad al menudeo , como florerías, pueden tener otros patrones de demanda poco comunes y estos patrones variarán de acuerdo con los días festivos. Cuando el día de San Valentín cae en fin de semana, por ejemplo, no se envían flores a la oficina, y quienes se inclinan por el romanticismo salen a celebrar en lugar de enviar flores. Si un día festivo cae lunes, parte de la celebración también se extendería el fin de semana, disminuyendo la venta de las flores. Sin embargo, cuando el día de San Valentín cae entre semana, los saturados horarios de los días hábiles suelen hacer de las flores la manera idónea de festejar. Como los envíos de flores el día de la madre por el día de la madre en los U.S.S.A. ocurre los sábados o domingos , el pronóstico para este día festivo varía menos. Considerando los patrones especiales de la demanda, muchas empresas de servicios mantienen registros de sus ventas con notas que refieren no solo al día de la semana si no también acontecimientos inusuales,
Los restaurantes de comida rápida están preparados no solo para enfrentar las variaciones en la demanda por semana, día y hora sino incluso, para las variaciones de cada 15 minutos que influyen en las ventas. En consecuencia, necesitan pronósticos detallados de la demanda. En la actualidad, empresas como Taco Bell usan computadoras en los puntos de ventas que dan seguimiento a las ventas de cada cuarto de hora. Taco Bell descubrió que un promedio móvil de 6 semanas, era la única técnica de pronóstico que minimizaba el erros cuadrático medio (MSE) en sus pronósticos de 15 minutos. El modelo de pronóstico de Taco Bell ha sido tan exitoso que, además de ayudarle a mejorar el servicio al cliente, también le ha reportado ahorros en el costo de mano de obre que suman más de 50 millones de dólares en 4 años de uso.
•
•
Propuesta en 1995, planear, pronosticar y resurtir en forma conjunta (PPRC) se ha convertido en un instrumento basado en la WEB que se usa para coordinar los pronósticos de la demanda, la planeación de la producción y las compras y el resurtido de inventarios entre socios comerciales en la cadena de suministro. La PPRC está siendo usada como un medio para integrar a todos los miembros de una cadena de suministro con n estratos, inclusive fabricantes, distribuidores y minoristas. Si bien podemos aplicar la metodología a una industria cualquiera, las aplicaciones de la PPRC hasta hoy se han concentrado principalmente en las industrias de los alimentos, el vestido y las mercancías generales. Los posibles beneficios de compartir información para una mayor visibilidad de la planeación en una cadena de suministro cualquiera son enormes.
El objetivo de la PPRC es intercambiar información interna seleccionada en un servidor web compartido a efecto de proporcionar visiones más confiables, de futuro a largo plazo, de la demanda en la cadena de suministro. Consta de los siguientes cinco pasos:
El intercambio oportuno de información entre los socios comerciales permite tener una visión confiable , de plazo más largo , sobre la demanda de la cadena de suministro. La visión futura basada en la información compartida desemboca en diversos beneficios para las sociedades de la cadena de suministro. Como ocurre en la mayoría de las iniciativas empresariales nuevas, en este caso hay escepticismo y resistencia al cambio. Uno de los mayores obstáculos para la colaboración es la falta de confianza en que los socios de la cadena de suministro están compartiendo toda la información.
Desarrollar un sistema de pronóstico no es una tarea fácil. No obstante, debemos hacerlo por que los pronósticos son fundamentales para toda actividad de planeación. . En el corto plazo, los pronósticos son necesarios para prever los materiales, los productos, los servicios y otros recursos que necesitamos para responder a los cambios en la demanda. Los pronósticos permiten adoptar los programas y las variaciones de trabajo y materiales. En resumen, pronosticar es difícil. Un pronóstico perfecto es como hacer un hoyo en uno en el golf; es magnífico conseguirlo, pero debemos contentarnos con solo acercarnos a ganar la copa, para extender más la agonía, con solo aterrizar en el grenn. La filosofía ideal es crear el mejor pronóstico razonablemente posible y de ahí protegerse manteniendo la flexibilidad del sistema para explicar el inevitable error de pronóstico.
