3 - Proyecci n de La Demanda
-
Upload
aldo-abarca-ortega -
Category
Documents
-
view
7 -
download
0
description
Transcript of 3 - Proyecci n de La Demanda
-
1
-
2
El punto de inicio de prcticamente todos los sistemas de planificacin se da a partir de la demanda real o esperada de los clientes.
En casi todos los casos el tiempo necesario para
generar y entregar el producto o servicio exceder la expectativa del cliente.
Para evitar que esto suceda, la produccin tendr
que dar principio antes de que se conozca la demanda real del consumidor.
La produccin deber iniciar a partir de la demanda
esperada, es decir, de un pronostico de la demanda.
-
Qu es la pronstico?
Arte y ciencia de predecir acontecimientos futuros.
Base de todas las decisiones empresariales:
Produccin. Inventario. Personal. Instalaciones.
Vender 200 millones de
pesos!
3
-
Pronstico a corto plazo: Cobertura de hasta un ao, generalmente inferior a
los tres meses. Programacin de trabajos, asignacin de tareas.
Pronstico a medio plazo: Entre tres meses y tres aos. Planificacin de las ventas, de la produccin y del
presupuesto.
Pronsticos a largo plazo: Periodos superiores a tres aos. Planificacin de nuevos productos, localizacin de
las instalaciones.
Tipos de horizontes temporales del pronstico
4
-
Pronsticos a corto plazo frente a pronsticos a largo plazo
Los pronsticos a medio y largo plazo tratan de asuntos ms extensos, y apoyan las decisiones de gestin que conciernen a la planificacin y los productos, las plantas y los procesos.
Los pronsticos a corto plazo normalmente
emplean metodologas diferentes a las utilizadas en los pronsticos a largo plazo.
Los pronsticos a corto plazo tienden a ser
ms exactos que los realizados a largo plazo.
5
-
La influencia del ciclo de vida del producto
Las etapas de introduccin y crecimiento necesitan pronsticos ms largos que los de madurez y declive.
Las pronsticos son tiles para proyectar
los diferentes niveles de personal los diferentes niveles de inventarios los diferentes niveles de capacidad de
produccin mientras el producto pasa de la primera a la ltima etapa.
6
-
Estrategia durante el ciclo de vida de un producto
Introduccin Crecimiento Madurez Declive
Estr
ateg
ias
de la
D
O
Estr
ateg
ias
de la
co
mpa
a
HDTV
CD-ROM
Impresoras a color
Fax
Furgonetas
Ventas
Disquetes de 3 1/2
Internet
La planificacin y desarrollo del producto son vitales Cambios frecuentes en planificacin del producto y proceso Lotes de produccin pequeos Altos costes de produccin Nmero de modelos limitado Atencin a la calidad
EL pronstico es muy importante Fiabilidad del producto y proceso Posibilidades y mejoras del producto competitivas Aumento de la capacidad Cambio de tendencia para centrarse en el producto Atencin a la distribucin
Estandarizacin Cambios de producto menos rpidos; ms cambios minuciosos
Capacidad ptima Estabilidad creciente del proceso de produccin
Grandes lotes de produccin Mejora del producto y reduccin de costos
Poca diferenciacin del producto
Minimizacin de costos
Sobrecapacidad en la industria
Eliminacin de productos que no proporcionan un margen aceptable
Reduccin de capacidad
Mejor periodo para aumentar la cuota de mercado Es vital planear la I + D
Buen momento para cambiar el precio o la imagen de calidad Fortalecer el segmento de mercado
Mal momento para cambiar la imagen, el precio o la calidad Los costos competitivos son ahora muy importantes Defender la posicin en el mercado
Es vital controlar el costo
Restaurantes para comer en el coche
7
-
Tipos de pronsticos
Pronsticos econmicos: Dirigidos al ciclo empresarial, por ejemplo, las
tasas de inflacin, la masa monetaria, etc.
Pronsticos tecnolgicos: Predicen el progreso tecnolgico. Predicen el nacimiento de nuevas ventas.
Pronsticos de demanda: Predicen las ventas ya existentes.
8
-
Siete etapas en el sistema de pronstico
Determinar la utilizacin del pronstico. Seleccionar los artculos en los que se va
a realizar el pronstico. Determinar el horizonte temporal del
pronstico. Selecc ionar e l ( los) modelo(s) de
pronstico. Recogida de datos. Realizar el pronstico. Validar e implementar los resultados.
9
-
Demanda de un producto representada en un periodo de 4 aos con tendencia de
crecimiento y estacionalidad
Primer ao
Segundo ao
Tercer ao
Cuarto ao
Picos estacionales Componente de tendencia
Lnea de demanda actual
Demanda media en cuatro aos
Dem
anda
del
pro
duct
o o
serv
icio
Variacin aleatoria
10
-
Demanda real frente a los mtodos de media mvil y media mvil ponderada
0
5
10
15
20
25
30
35
Ene. Feb. Mar. Abr. May. Jun. Jul. Ago. Sep. Oct. Nov. Dic. Mes
Dem
anda
de
vent
as
Ventas reales
Media mvil
Media mvil ponderada
11
-
Realidades sobre el pronstico
Raras veces los pronsticos son perfectos. La mayora de las tcnicas de pronstico
asumen que existe cierta estabilidad sostenida al sistema.
Tanto las predicciones de familias de
productos como las predicciones en conjunto son ms precisas que los pronsticos de productos individuales.
12
-
Enfoques del pronstico
Se emplean cuando la situacin es estable y existen datos histricos: o Productos existentes. o Tecnologa actual.
Requieren tnicas matemticas: Por ejemplo, el
pronstico de las ventas de televisiones en color.
Mtodos cuantitativos Se emplean cuando
la situacin no es clara y hay pocos datos:
o Productos nuevos. o Nueva tecnologa.
Requieren intuicin y experiencia:
Por ejemplo, el pronstico de las ventas a travs de Internet.
Mtodos cualitativos
13
-
Visin global de los mtodos cualitativos
Jurado de opinin ejecutiva: Se agrupan las opiniones de un grupo de expertos
de alto nivel o de directivos, a menudo en combinacin con modelos estadsiticos.
Proposicin de personal comercial: Las estimacin de las ventas esperadas por los
vendedores se revisan para ver si se pueden llevar a cabo y luego se obtiene un pronstico global.
Mtodo Delphi: Proceso de grupo que permite a los expertos
realizar los pronsticos. Estudio de mercado del consumidor:
Requiere informacin de los clientes. 14
-
Requiere un pequeo grupo de directivos: El grupo establece una estimacin conjunta
de la demanda. Combina la experiencia directiva con
modelos estadsticos. Es bastante rpido. Desventaja del pensamiento en grupo.
1995 Corel Corp.
Jurado de opinin ejecutiva
15
-
Proposicin de personal comercial
Cada vendedor estima las ventas que har.
Se combinan con los pronsticos a niveles de comuna y con los nacionales.
El representante de ventas conoce las necesidades de los consumidores.
Tiende a ser bastante optimista.
Ventas
1995 Corel Corp.
16
-
Mtodo Delphi
Proceso de grupo iterativo.
3 tipos de participantes: Los que toman
decisiones. El personal de
plantilla. Los que responden.
Reduce el pensamiento en grupo.
Los que responden
Personal de plantilla
Los que toman decisiones
(Ventas?)
(Qu ventas habr? cuestionarios)
(Habr 45, 50, 55 ventas)
(Habr 50 ventas)
17
-
Estudio de mercado
v Preguntar a los consumidores sobre sus futuros planes de compra.
v Lo que dicen los consumidores y lo que luego hacen suele diferir.
v A veces es difcil contestar a las preguntas del estudio.
Cuntas horas utilizar Internet la prxima semana?
1995 Corel Corp.
18
-
Visin global de los mtodos cuantitativos
Enfoque simple Medias mviles Alisado exponencial Proyeccin de tendencia
Regresin lineal
Modelos de series temporales
Modelos asociativos
19
-
Mtodos de pronstico cuantitativos (no simples)
20
Pronstico cuantitativo
Regresin lineal
Modelos asociativos
Alisado exponencial
Media mvil
Modelos de series temporales
Proyeccin de tendencia
-
Es una secuencia de datos uniformemente espaciada: Se obtiene observando las variables en
periodos de tiempo regulares. Se trata de una pronstico basado en los datos
pasados: Supone que los factores que han influido en
el pasado lo sigan haciendo en el futuro. Ejemplo:
Ao: 1993 1994 1995 1996 1997 Ventas: 78,7 63,5 89,7 93,2 92,1
Qu son las series temporales?
21
-
Tendencia
Estacionalidad
Ciclos
Variaciones aleatorias
Descomposicin de una serie temporal
22
-
v Es el movimiento gradual de ascenso o descenso de los datos a lo largo del tiempo.
v Los cambios en la poblacin, ingresos, etc. influyen en la tendencia.
v Varios aos de duracin.
Mes, trimestre, ao
Respuesta
1984-1994 T/Maker Co.
Tendencia
23
-
Muestra de datos de ascenso o descenso que se repite.
Se puede ver afectada por la climatologa, las costumbres, etc.
Se produce dentro de un periodo anual.
Mes, trimestre
Respuesta Verano
1984-1994 T/Maker Co.
Estacionalidad
24
-
Movimientos de ascenso o descenso que se repiten.
Se pueden ver afectados por interacciones de factores que influyen en la economa.
Suelen durar de 2 a 10 aos.
Mes, trimestre, ao
Respuesta Ciclo
Ciclos
25
-
Son saltos en los datos causados por el azar y situaciones inusuales.
Son debidas a variaciones aleatorias o a situaciones imprevistas:
Huelga. Maremoto.
Son de corta duracin y no se repiten.
1984-1994 T/Maker Co.
Variaciones aleatorias
26
-
Cualquier valor que aparezca en una serie temporal es la multiplicacin (o suma) de los componentes de la serie temporal.
Modelo multiplicativo: Yi = Ti x Si x Ci x Ri (si los datos son
mensuales o trimestrales). T: tendencia; S: estacionalidad; C: ciclos; R: variaciones aleatorias
Modelo aditivo: Yi = Ti + Si + Ci + Ri (si los datos son
mensuales o trimestrales).
Modelos de series temporales
27
-
Enfoque simple
Suponer que la demanda en el prximo periodo ser igual a la demanda del periodo ms reciente: Por ejemplo, si en mayo hubo
48 ventas, en junio habr 48 ventas.
Es el modelo con la mejor relacin
eficacia-costo y eficiencia.
28
1995 Corel Corp.
-
Las medias mviles son una serie de operaciones aritmticas. Se utilizan si no hay tendencia o si sta es escasa. Se suelen utilizar para el alisado:
Proporciona una impresin general de los datos a lo largo del tiempo.
Ecuacin:
MM n n = demanda de periodos previos
Medias mviles
29 MM = Atn + Atn+1 +!+ At1
n
-
Usted es el director de una tienda de un museo que vende rplicas. Quiere predecir las ventas (000) del ao 2000 mediante una media mvil de 3 meses.
1995 4 1996 6 1997 5 1998 3 1999 7
1995 Corel Corp.
Ejemplo de media mvil
30
-
Solucin de la media mvil
Ao RespuestaYi
Mediamvil total
(n=3)
Media mvil(n=3)
1995 4 ND ND1996 6 ND ND1997 5 ND ND1998 3 4+6+5=15 15/3 = 51999 72000 ND
31
-
Solucin de la media mvil
Ao RespuestaYi
Mediamvil total
(n=3)
Media mvil(n=3)
1995 4 ND ND1996 6 ND ND1997 5 ND ND1998 3 4+6+5=15 15/3 = 51999 7 6+5+3=14 14/3=4 2/32000 ND
32
-
Solucin de la media mvil
Ao RespuestaYi
Mediamvil total
(n=3)
Media mvil(n=3)
1995 4 ND ND1996 6 ND ND1997 5 ND ND1998 3 4+6+5=15 15/3=5,01999 7 6+5+3=14 14/3=4,72000 ND 5+3+7=15 15/3=5,0
33
-
Grfico de la media mvil
34
0
1
2
3
4
5
6
7
8
1995 1996 1997 1998 1999 2000
Vent
as Grfico Media Mvil
Pronstico
Ventas reales
-
Para la demanda de los doce periodos presentados en la siguiente tabla determinar el pronstico de promedio mvil de tres periodos
Periodo Demanda 1 24 2 26 3 22 4 25 5 19 6 31 7 26 8 18 9 29 10 24 11 30 12 23 13
Prons8co de promedio mvil de tres periodos
24,0 24,3 22,0 25,0 25,3 25,0 24,3 23,7 27,7 25,7
0
5
10
15
20
25
30
35
1 2 3 4 5 6 7 8 9 10 11 12 13 U
nida
des
Periodo
Promedio mvil de tres periodos
Demanda
Promedio mvil de tres periodos
La lnea de pronstico es ms suave que la lnea de la demanda. Mientras ms periodos se utilicen para el clculo, el resultado ser ms suave. El pronstico siempre quedar rezagado en relacin con toda demanda real.
35
-
Para la demanda de los once periodos presentados en la siguiente tabla determinar el pronstico de promedio mvil de tres periodos
Periodo Demanda 1 13 2 15 3 18 4 22 5 27 6 31 7 36 8 41 9 45 10 52 11 57 12
Prons8co de promedio mvil de tres periodos
15,3 18,3 22,3 26,7 31,3 36,0 40,7 46,0 51,3
0
10
20
30
40
50
60
1 2 3 4 5 6 7 8 9 10 11 12 U
nida
des
Periodo
Promedio mvil de una tendencia
Demanda
Pronstico
36
El pronstico est rezagado de manera constante respecto de la tendencia de la informacin. El modelo de promedios mviles simples no es adecuado para pronosticar la demanda cuando est sigue una tendencia o patrn cclico regular.
-
Se utiliza cuando se presenta una tendencia: Los datos anteriores suelen carecer de importancia.
Las ponderaciones se basan en la intuicin: Suelen estar entre 0 y 1, y a la suma de 1,0.
Ecuacin:
Mtodo de la media mvil ponderada
37
Media mvil ponderada =
(ponderacin para el periodo n) (demanda en el periodo n)
ponderaciones
Ft =W1At1 +W2At2 +!+WnAtn donde Wi =1i=1n
Cada uno de los pesos (W) es menor a uno, pero su suma total debe ser equivalente a 1.
-
Demanda actual, media mvil y media mvil ponderada
0
5
10
15
20
25
30
35
Ene.
Feb.
Mar.
Abr.
May.
Jun.
Jul.
Ago.
Sep. Oc
t.No
v. Dic
Mes
Dem
anda
de
vent
as Ventas reales
Media mvil
Media mvil ponderada
38
-
Ejemplo: Tomando los mismos puntos de datos que en el primer ejemplo (los puntos de datos de promedios mviles de tres periodos), aplicando un promedio mvil ponderado, con pesos de 0,5, 0,3 y 0,2 (con el peso 0,5 aplicado a la informacin de la demanda ms reciente)
Periodo Demanda 1 24 2 26 3 22 4 25 5 19 6 31 7 26 8 18 9 29 10 24 11 30 12 23 13
Prons8co de promedio mvil ponderado de tres periodos
23,6 24,3 21,4 26,2 26,1 23,0 25,1 24,3 28,0 25,3
0
5
10
15
20
25
30
35
1 2 3 4 5 6 7 8 9 10 11 12 13
Uni
dade
s
Periodos
Promedio ponderado de tres periodos
Demanda
Promedio ponderado de tres periodos
El pronstico se encuentra suavizado, y tambin est rezagado respecto de los cambios reales de la demanda.
39
-
0
5
10
15
20
25
30
35
1 2 3 4 5 6 7 8 9 10 11 12 13
Uni
dade
s
Periodos
Demanda real frente a mtodos media mvil y media mvil ponderada
Demanda Promedio mvil de tres periodos Promedio ponderado de tres periodos
40
-
Al aumentar n veces, las p rev i s iones son menos sensibles a los cambios.
No es posible predecir bien la
tendencia. Se necesitan muchos datos
histricos. 1984-1994 T/Maker Co.
Inconvenientes de los mtodos de media mvil
41
-
Es una tcnica de pronstico de media mvil ponderada: Las ponderaciones disminuyen
exponencialmente. Se ponderan ms los datos ms recientes.
Se necesita una constante de alisado (): Toma valores entre 0 y 1. Se escoge de forma subjetiva.
Necesita una cantidad reducida de datos histricos.
Alisado exponencial
42
-
Ft = Ft-1 + (At-1 - Ft-1) Ft = At - 1 + (1-)At - 2 + (1- )2At - 3
+ (1- )3At - 4 + ... + (1- )t-1A0 u Ft = Valor del pronstico u At = Valor real u = Constante de alisado u Se utiliza para calcular el pronstico.
Ecuaciones del alisado exponencial
43
-
Usted est organizando una reunin. Desea predecir el nmero de personas que asistirn en el ao 2000 mediante el alisado exponencial ( = 0,10). El pronstico para 1995 fue de 175.
1995 180
1996 168 1997 159 1998 175 1999 190
Ejemplo de alisado exponencial
44
-
Ft = Ft-1 + (At-1 - Ft-1)
Ao Real Pronstico, Ft ( = 0,10) 1995 180 175,00 (Dado) 1996 168 1997 159 1998 175 1999 190 2000 ND
175,00 +
Solucin del alisado exponencial
45
-
Ft = Ft-1 + (At-1 - Ft-1)
Ao Real ( = 0,10) 1995 180 175,00 (Dado) 1996 168 175,00 + 0,10( 1997 159 1998 175 1999 190 2000 ND
Solucin del alisado exponencial
46
Pronstico, Ft
-
Ft = Ft-1 + (At-1 - Ft-1)
Ao Real ( = 0,10) 1995 180 175,00 (Dado) 1996 168 175,00 + 0,10(180 - 1997 159 1998 175 1999 190 2000 ND
Solucin del alisado exponencial
47
Pronstico, Ft
-
Ft = Ft-1 + (At-1 - Ft-1)
Ao Real ( = 0,10) 1995 180 175,00 (Dado) 1996 168 175,00 + 0,10(180 - 175,00) 1997 159 1998 175 1999 190 2000 ND
Solucin del alisado exponencial
48
Pronstico, Ft
-
Ft = Ft-1 + (At-1 - Ft-1)
Ao Real ( = 0,10) 1995 180 175,00 (Dado) 1996 168 175,00 + 0,10(180 - 175,00) = 175,50 1997 159 1998 175 1999 190 2000 ND
Solucin del alisado exponencial
49
Pronstico, Ft
-
Ft = Ft-1 + (At-1 - Ft-1)
Ao Real ( = 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
Solucin del alisado exponencial
50
Pronstico, Ft
-
Ft = Ft-1 + (At-1 - Ft-1)
Ao Real ( = 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
174,75 + 0,10(159 - 174,75)= 173,18
Solucin del alisado exponencial
51
Pronstico, Ft
-
Ft = Ft-1 + (At-1 - Ft-1)
Ao Real ( = 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
Solucin del alisado exponencial
52
Pronstico, Ft
-
Ft = Ft-1 + (At-1 - Ft-1)
Ao Real ( = 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
Solucin del alisado exponencial
53
Pronstico, Ft
-
Grfico del alisado exponencial
54
140
145
150
155
160
165
170
175
180
185
190
195
1995 1996 1997 1998 1999 2000
Vent
as
Ao
Grfico alisado exponencial
Real Prontico
-
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
Periodo Demanda 1 24 2 26 3 22 4 25 5 19 6 31 7 26 8 18 9 29 10 24 11 30 12 23 13
Suavizado exponencial = 0,2
25
24,4 24,5 23,4 24,9 25,1 23,7 24,8 24,6 25,7 25,2
0 5
10 15 20 25 30 35
1 2 3 4 5 6 7 8 9 10 11 12 13 U
nida
des
Periodo
Suavisado exponencial
Demanda Suavizado exponencial = 0,2
Suavizado exponencial = 0,2
55
-
Ejemplo de alisado exponencial
Suavizado exponencial = 0,5
Periodo Demanda 1 24 2 26 3 22 4 25 5 19 6 31 7 26 8 18 9 29 10 24 11 30 12 23 13
Suavizado exponencial = 0,5
25
23,5 24,3 21,6 26,3 26,2 22,1 25,5 24,8 27,4 25,2
0 5
10 15 20 25 30 35
1 2 3 4 5 6 7 8 9 10 11 12 13
Uni
dade
s
Periodo
Suavisado exponencial
Demanda Suavizado exponencial = 0,5
56
-
Ejemplo de alisado exponencial
Suavizado exponencial = 0,8
Periodo Demanda 1 24 2 26 3 22 4 25 5 19 6 31 7 26 8 18 9 29 10 24 11 30 12 23 13
Suavizado exponencial = 0,8
25
22,6 24,5 20,1 28,8 26,6 19,7 27,1 24,6 28,9 24,2
0 5
10 15 20 25 30 35
1 2 3 4 5 6 7 8 9 10 11 12 13
Uni
dade
s
Periodo
Suavisado exponencial
Demanda Suavizado exponencial = 0,8
57
-
0
5
10
15
20
25
30
35
1 2 3 4 5 6 7 8 9 10 11 12 13
Uni
dade
s
Periodo
Suavizado exponencial
Demanda Suavizado exponencial = 0,2
Suavizado exponencial = 0,5 Suavizado exponencial = 0,8
Ejemplo de alisado exponencial
58
-
Ft = At - 1 + (1- )At - 2 + (1- )2At - 3 + ...
Efectos del pronstico de la constante de alisado
Ponderaciones
Periodo anterior
Hace 2 periodos
(1 - )
Hace 3 periodos
(1 - )2
=
= 0,10
= 0,90
10%
59
-
Ft = At - 1 + (1- ) At - 2 + (1- )2At - 3 + ...
Efectos del pronstico de la constante de alisado
Periodo anterior
Hace 2 periodos
(1 - )
Hace 3 periodos
(1 - )2
=
= 0,10
= 0,90
10% 9%
Ponderaciones
60
-
Ft = At - 1 + (1- )At - 2 + (1- )2At - 3 + ...
Efectos del pronstico de la constante de alisado
Ponderaciones
Periodo anterior
Hace 2 periodos
(1 - )
Hace 3 periodos
(1 - )2
=
= 0,10
= 0,90
10% 9% 8,1%
61
Ponderaciones
-
Ft = At - 1 + (1- )At - 2 + (1- )2At - 3 + ...
Efectos del pronstico de la constante de alisado
Ponderaciones
Periodo anterior
Hace 2 periodos
(1 - )
Hace 3 periodos
(1 - )2
=
= 0,10
= 0,90
10% 9% 8,1%
90%
62
-
Ft = At - 1 + (1- ) At - 2 + (1- )2At - 3 + ...
Efectos del pronstico de la constante de alisado
Ponderaciones
Periodo anterior
Hace 2 periodos
(1 - )
Hace 3 periodos
(1 - )2
=
= 0,10
= 0,90
10% 9% 8,1%
90% 9%
63
-
Ft = At - 1 + (1- ) At - 2 + (1- )2At - 3 + ...
Efectos del pronstico de la constante de alisado
Hace 3 periodos (1 - )2
Ponderaciones
Periodo anterior
Hace 2 periodos
(1 - )
=
= 0,10
= 0,90
10% 9% 8,1%
90% 9% 0,9%
64
Hace 3 periodos
(1 - )2
-
errores de pronstico
Si se selecciona
Trate de minimizar la desviacin absoluta media (DAM) Si: Error de pronstico = demanda - pronstico Entonces:
n
= DAM
65
-
Alisado exponencial con ajuste de tendencia
pronstico incluyendo la tendencia (PITt)
= pronstico alisada exponencialmente (Ft)
+ tendencia alisada exponencialmente (Tt)
66
PITt = Ft +Tt
-
Ft = (demanda real del ltimo periodo) + (1- )(pronstico del ltimo periodo + tendencia estimada del ltimo periodo) o
Ft = (At-1) + (1- )Ft-1 + Tt-1
Tt = (pronstico del periodo actual - pronstico del ltimo periodo) + (1- )(tendencia estimada del ltimo periodo) o
Tt = (Ft - Ft-1) + (1- )Tt-1
Alisado exponencial con ajuste de tendencia
67
-
Ft = pronstico 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.
Alisado exponencial con ajuste de tendencia
68
-
Ejemplo de alisado exponencial con ajuste de tendencia
Un gran fabricante utiliza el alisado exponencial para realizar un pronstico de demanda de una pieza de un equipo de control de contaminacin. Parece que est presente una tendencia al alza.
Mes (t) Demanda real
At Ene 12 Feb 17 Mar 20 Abr 19 May 24 Jun 21 Jul 31 Ago 28 Sep 36 Oct
A las constantes de alisado se les asignan valores de = 0,2 y = 0,4. Se supone que el pronstico inicial para el mes 1 fue de 11 unidades, y la tendencia en este periodo fue de 2 unidades.
69
-
Mes (t) Demanda real At
Ene 12 Feb 17 Mar 20 Abr 19 May 24 Jun 21 Jul 31 Ago 28 Sep 36 Oct
PronsOco alisado Ft
11 12,80 15,18 17,82 19,91 22,51 24,11 27,14 29,28 32,48
Tendencia alisada, Tt
2 1,92 2,10 2,32 2,23 2,38 2,07 2,45 2,32 2,68
PronsOco PITt
14,72 17,28 20,14 22,14 24,89 26,18 29,59 31,60 35,16
70
0
5
10
15
20
25
30
35
40
Ene Feb Mar Abr May Jun Jul Ago Sep Oct
Dem
anda
del
pro
duct
o
Tiempo (mes)
Pronstico con Tendencia
Demanda real At Pronstico PITt
-
Comparacin de pronsticos
71
0
5
10
15
20
25
30
35
40
Ene Feb Mar Abr May Jun Jul Ago Sep Oct
Dem
anda
del
pro
duct
o
Tiempo (mes)
Pronstico con Tendencia
Demanda real At Pronstico PITt Alisado exponencial
-
Proyecciones de Tendencias
Est tcnica ajusta una lnea de tendencia a una serie de datos histricos, y proyecta la lnea hacia el futuro para realizar pronsticos a medio o largo plazo.
Se desarrollan ecuaciones matemticas de tendencia (ej. Exponencial y cuadratica), o bien solamente tendencias lneales (lnea recta).
Para desarrollar una recta de tendencia lneal, se puede aplicar el Mtodo de los Mnimos Cuadrados.
El resultado de este enfoque es una lnea 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
-
Mtodo de mnimos cuadrados
Desviacin
Desviacin
Desviacin
Desviacin
Desviacin
Desviacin (error)
Desviacin
Periodo de tiempo Valo
res
de la
var
iabl
e de
pend
ient
e (v
alor
es y
)
y = a+bx
Observacin real (valor y)
Punto en la lnea de tendencia
73
-
Se usa para prever la lnea de tendencia lineal.
Supone una relacin entre la variable de respuesta, y, y el periodo de tiempo, x, que es una funcin lineal:
Se calcula mediante el mtodo de los mnimos cuadrados: Minimiza la suma de errores cuadrados.
! i y a bx i = +
Anlisis de regresin lineal
74
-
Ecuaciones de mnimos cuadrados
Ecuacin: yi = a+ bxi
Pendiente: 22
1=
1=
=
xnx
yxnyxb
in
i
iin
i
Corte con el eje Y: xbya =
75
= Valor calculado de la variable a predecir (variable dependiente) a = Corte en el eje y b = Pendiente de la recta de regresin x = Variable dependiente
y
-
X i Y i X i 2 Y i 2 X i Y i X 1 Y 1 X 1
2 Y 1 2 X 1 Y 1
X 2 Y 2 X 2 2 Y 2 2 X 2 Y 2 : : : : :
X n Y n X n 2 Y n 2 X n Y n X i Y i X i 2 Y i 2 X i Y i
Tabla de clculo
76
-
!Y a bXi i= +
b > 0
b < 0
a
a
Modelo del anlisis de regresin lineal
-
Modelo de pronstico del anlisis de regresin lineal
78
La demanda de energa elctrica a lo largo del periodo 2008 2014 se muestra en la siguiente tabla, en megavatios. Realizar un pronstico de la demanda del ao 2015, ajustando los datos a una tendencia de lnea recta.
Ao Demanda de energa elctrica
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 ao 1, a 2009 como ao 2, y as sucesivamente
AoPeriodo)de)tiempo)(x)
Demanda)de)energa)elctrica)(y) x2 xy
2008 1 74 1 742009 2 79 4 1582010 3 80 9 2402011 4 90 16 3602012 5 105 25 5252013 6 142 36 8522014 7 122 49 854
28 692 140 3.063x)=) y)=) x2)=) xy)=)
x = xn=287= 4 y =
yn=6927
= 98,86
b = xy nxyx2 nx 2
=3.063 (7)(4)(98,86)
140 (7)(42 )=29528
=10,54
a = y bx = 98,8610,54(4) = 56, 7079
-
La ecuacin de los mnimos cuadrados es:
y = 56, 70+10,54x
La demanda proyectada para 2015, considerando este ao como x=8 es:
Demanda en 2015 = 56,70 + 10,54(8) = 141,02 142 megavatios
La demanda proyectada para 2016, considerando este ao como x=9 es:
Demanda en 2016 = 56,70 + 10,54(9) = 151,56 152 megavatios
-
0
20
40
60
80
100
120
140
160
2008 2009 2010 2011 2012 2013 2014 2015 2016
Dem
anda
de
ener
ga
Ao
Tendencia demanada de energa
Demanda Energa Tendencia de Energa
-
Modelo estacional multiplicativo
Encontrar la demanda histrica media para cada estacin sumando la demanda de esa estacin cada ao y dividindola entre el nmero de aos de datos disponibles.
Calcular la demanda media a lo largo de todas las estaciones dividiendo la demanda media total anual entre el nmero de estaciones.
Calcular un ndice estacional dividiendo la demanda histrica real de esa estacin (calculado en la etapa 1) entre la demanda media a lo largo de todas las estaciones.
Estimar la demanda anual de todo el ao prximo. Dividir esta estimacin de la demanda anual total entre el nmero
de estaciones y entonces multiplicarla por el ndice estacional de esa estacin. Esto proporciona la pronstico 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 ndices de estacionalidad, si se espera que la demanda anual del producto para el ao 2003 sea de 1200 unidades.
-
El coeficiente de correlacin se identifica
normalmente como r . Los valores varan entre -1 y +1 . Mide el grado de asociacin.
Se usa principalmente para comprender.
Correlacin
84
-
Y X i i = + a b
Muestra la relacin lineal entre las variables dependientes e independientes. Ejemplo: ventas y publicidad (sin tiempo)
Variable dependiente Variable independiente
Pendiente
Corte con el eje Y
^
Modelo de regresin lineal
85
-
Y
X
Y a i +
^ i i
b X i = + Error
Error
Valor observado
Y a b X = +
Lnea de tendencia
Modelo de regresin lineal
-
Pendiente (b): El clculo de Y vara en b cada unidad extra
en X. Si b = 2, entonces las ventas (Y) aumentarn 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) sern de 4 cuando la publicidad (X) sea 0.
Interpretacin de los coeficientes
87
-
Variacin del Y real a partir del Y pronosticado.
Se mide mediante el error estndar de la estimacin: Muestra los errores de la desviacin estndar. SY,X
Afecta a varios factores: Significado del parmetro. Precisin de la prediccin.
Variacin de los errores aleatorios
88
-
Error estndar de la desviacin
( )
2
=
2
=
1= 1=1=
2
1=
2
n
yxbyay
n
yyS
n
i
n
iiii
n
ii
n
iii
x,y
89
-
Suposiciones de los mnimos cuadrados
Se supone que la relacin es lineal. Primero trace los datos, si existe la curva, utilice el anlisis curvilineal.
Se supone que la relacin slo 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.
Se supone que las desviaciones que rodean a la lnea de los mnimos cuadrados son aleatorias.
90
-
Fmula del coeficiente de correlacin
=
1=
2
1=
2
1=
2
1=
2
1= 1= 1=
n
i
n
iii
n
i
n
iii
n
i
n
i
n
iiiii
yynxxn
yxyxnr
91
-
Valores del coeficiente de correlacin
-1,0 +1,0 0
Correlacin positiva perfecta
Aumento de la correlacin negativa
-0,5 +0,5
Correlacin negativa perfecta
Sin correlacin
Aumento de la correlacin positiva
-
r = 1 r = -1
r = 0,89 r = 0
Y
X Y i = a + b X i ^
Y
X
Y
X
Y
X Y i = a + b X i ^ Y i = a + b X i ^
Y i = a + b X i ^
Coeficiente de correlacin y modelo de regresin
93
-
Usted quiere conseguir: Ninguna conducta o direccin del error de
pronstico. Error = (Yi - Yi) = (Real - pronstico). Se observa en las representaciones de los errores
a lo largo del tiempo. Un error de pronstico ms pequeo:
Error cuadrado medio (ECM). Desviacin media absoluta (DAM).
Gua para elegir el modelo de pronstico
^
94
-
Ventas
0 1 2 3 4
92 93 94 95 96
Ventas frente a tiempo
Diagrama de dispersin
95
Periodo de tiempo
-
Tiempo (aos)
Error
0
Conducta deseada
Tiempo (aos)
Error
0
Tendencia no totalmente justificada
Conducta del error de pronstico
96
-
Error cuadrado medio (ECM):
Desviacin absoluta media (DAM):
Ecuaciones del error de pronstico
n
1 i
2 i i
n
2 errores de pronstico
n
) y (y ECM =
- = =
n
| errores de pronstico |
n
| y y |
DAM
n
i i i
=
-
= 1 =
97
-
Usted es el analista de marketing. Ha previsto las ventas con un modelo lineal y alisado exponencial. Qu modelo usar?
Ejemplo de seleccin del modelo de pronstico
98
Ao Ventas reales
Pronstico del modelo
lineal
Pronstico del alisado
exponencial (0,9)
1995 1 0,6 1,0 1996 1 1,3 1,0 1997 2 2,0 1,9 1998 2 2,7 2,0 1999 4 3,4 3,8
-
Ao ^ Y i Y i ^
1992 1 0,6 0,4 0,16 0,4 1993 1 1,3 -0,3 0,09 0,3 1994 2 2,0 0,0 0,00 0,0 1995 2 2,7 -0,7 0,49 0,7 1996 4 3,4 0,6 0,36 0,6 Total 0,0 1,10 2,0 ECM = Error2 / n = 1,10 / 5 = 0,220 DAM = |Error| / n = 2,0 / 5 = 0,400
Error Error2 |Error|
Evaluacin del modelo lineal
99
-
Ao Y i Y i 1995 1 1,0 0,0 0,00 0,0 1996 1 1,0 0,0 0,00 0,0 1997 2 1,9 0,1 0,01 0,1 1998 2 2,0 0,0 0,00 0,0 1999 4 3,8 0,2 0,04 0,2 Total 0,3 0,05 0,3
^
ECM = Error2 / n = 0,05 / 5 = 0,01 DAM = |Error| / n = 0,3 / 5 = 0,06
Error Error2 |Error|
Evaluacin del modelo de alisado exponencial
100
-
Evaluacin del modelo de alisado exponencial
Modelo lineal:
ECM = Error2 / n = 1,10 / 5 = 0,220 DAM = |Error| / n = 2,0 / 5 = 0,400
Modelo de alisado exponencial:
ECM = Error2 / n = 0,05 / 5 = 0,01 DAM = |Error| / n = 0,3 / 5 = 0,06
101
-
Mide el grado de precisin del pronstico para predecir valores reales.
Suma actual de los errores de pronstico
(SAEP) dividida entre la desviacin media absoluta (DAM): Una buena seal de rastreo tiene valores
bajos.
Debe estar dentro de los lmites de control superiores e inferiores.
Seal de rastreo
102
-
Ecuacin de la seal de rastreo
( )
DAM
DAM
y y
DAM
SAEP Seal de rastreo
n
i i i
=
-
=
=
1 =
errores de pronstico
103
-
Demanda Error SAEP Error DAM SR
1 100 90 2 100 95 3 100 115 4 100 100 5 100 125 6 100 140
Clculo de la seal de rastreo
prevista Demanda
real absoluto |Error| acumulado
Trim.
104
-
1 100 90 2 100 95 3 100 115 4 100 100 5 100 125 6 100 140
-10
Error = Real - pronstico = 90 - 100 = -10
Clculo de la seal de rastreo
Demanda Error SAEP Error DAM SR prevista
Demanda real absoluto acumulado
Trim. |Error|
105
-
1 100 90 2 100 95 3 100 115 4 100 100 5 100 125 6 100 140
-10 -10
SAEP = Errores = ND + (-10) = -10
Clculo de la seal de rastreo
Trim. Demanda Error SAEP Error DAM SR prevista
Demanda real absoluto
|Error| acumulado
106
-
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
Clculo de la seal de rastreo
Trim. Demanda Error SAEP Error DAM SR prevista
Demanda real absoluto
|Error| acumulado
107
-
1 100 90 2 100 95 3 100 115 4 100 100 5 100 125 6 100 140
-10 -10 10 10
|Error| acumulado = |Errores| = NA + 10 = 10
Clculo de la seal de rastreo
Trim. Demanda Error SAEP Error DAM SR prevista
Demanda real absoluto
|Error| acumulado
108
-
1 100 90 2 100 95 3 100 115 4 100 100 5 100 125 6 100 140
-10 -10 10 10 10,0
DAM = |Errores|/n = 10/1 = 10
Clculo de la seal de rastreo
Trim. Demanda Error SAEP Error DAM SR prevista
Demanda real absoluto
|Error| acumulado
109
-
1 100 90 2 100 95 3 100 115 4 100 100 5 100 125 6 100 140
-10 -10 10 10 10,0 -1
SR = SAEP/DAM = -10/10 = -1
Clculo de la seal de rastreo
Trim. Demanda Error SAEP Error DAM SR prevista
Demanda real absoluto
|Error| acumulado
110
-
1 100 90 2 100 95 3 100 115 4 100 100 5 100 125 6 100 140
-10 -10 10 10 10,0 -1 -5
Error = Real - pronstico = 95 - 100 = -5
Clculo de la seal de rastreo
Demanda Error SAEP Error DAM SR prevista
Demanda real absoluto acumulado
|Error| Trim.
111
-
1 100 90 2 100 95 3 100 115 4 100 100 5 100 125 6 100 140
-10 -10 10 10 10,0 -1 -5 -15
SAEP = Errores = (-10) + (-5) = -15
Clculo de la seal de rastreo
Demanda Error SAEP Error DAM SR prevista
Demanda real absoluto acumulado
|Error| Trim.
112
-
1 100 90 2 100 95 3 100 115 4 100 100 5 100 125 6 100 140
-10 -10 10 10 10,0 -1 -5 -15 5
Error absoluto = |Error| = |-5| = 5
Clculo de la seal de rastreo
Demanda Error SAEP Error DAM SR prevista
Demanda real absoluto acumulado
Trim. |Error|
113
-
1 100 90 2 100 95 3 100 115 4 100 100 5 100 125 6 100 140
-10 -10 10 10 10,0 -1 -5 -15 5 15
Error acumulado = |Errores| = 10 + 5 = 15
Clculo de la seal de rastreo
Demanda Error SAEP Error DAM SR prevista
Demanda real absoluto acumulado
|Error| Trim.
114
-
1 100 90 2 100 95 3 100 115 4 100 100 5 100 125 6 100 140
-10 -10 10 10 10,0 -1 -5 -15 5 15 7,5
DAM = |Errores|/n = 15/2 = 7,5
Clculo de la seal de rastreo
Demanda Error SAEP Error DAM SR prevista
Demanda real absoluto acumulado
Trim. |Error|
115
-
1 100 90 2 100 95 3 100 115 4 100 100 5 100 125 6 100 140
-10 -10 10 10 10,0 -1 -5 -15 5 15 7,5 -2
SR = SAEP/DAM = -15/7,5 = -2
Clculo de la seal de rastreo
Demanda Error SAEP Error DAM SR prevista
Demanda real absoluto acumulado
|Error| Trim.
116
-
Representacin de una seal de rastreo
Tiempo
Lmite de control inferior
Lmite de control superior
Seal que supera el lmite
Seal de rastreo
Intervalo aceptable DA
M
+
0
-
117
-
Seales de rastreo
020406080
100120140160
0 2 4 6 8Tiempo
Dem
anda
rea
l
-3
-2
-1
0
1
2
3
Sea
l de
rast
reo
Seal de rastreo
pronstico
Demanda real
118
-
Pronstico en el sector servicios
Presenta algunos retos poco comunes: Especial necesidad de datos a corto plazo. Las necesidades varan mucho en funcin de
la industria y del producto. Vacaciones y calendario. Eventos poco comunes.
119
-
Pronstico de ventas por hora en un restaurante de comida rpida
0
5
10
15
20
+11-12 +1-2 +3-4 +5-6 +7-8 +9-1011-12 12-1 1-2 2-3 3-4 4-5 5-6 6-7 7-8 8-9 9-10 10-11
120
(Hora de almuerzo) (Hora de la cena)
Hora del da
Porc
enta
je d
e ve
nta
seg
n ho
ra d
el d
a %
-
Problema de aplicacin
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 mtodos: promedio mvil de 3 meses; promedio mvil ponderado de 3 meses con pesos de 0,2, 0,3 y 0,5; suavizacin exponencial con una constante de suavizacin de 0,3, y regresin lineal. Calcule el MAD para cada mtodo, a fin de determinar el mtodo que sera preferible de acuerdo con las circunstancias. Tambin calcule el sesgo en la informacin, si existe, para los cuatro mtodos, y explique su significado. Considere que el valor de pronostico inicial de suavizacin exponencial corresponde a la demanda real del periodo anterior, que fue de 115 unidades.
121
-
Problema de aplicacin
122
Periodo Demanda x2 y2 xy
1 127 1 16129 127 2 113 4 12769 226 3 121 9 14641 363 4 123 16 15129 492 5 117 25 13689 585 6 109 36 11881 654 7 131 49 17161 917 8 115 64 13225 920 9 127 81 16129 1143 10 118 100 13924 1180
Suma= 55 1201 385 144677 6607
5,5 b= 0,018181818
120,1 a= 120
-
Problema de aplicacin
123
Periodo Demanda PM 3 Meses PMP 3 Meses Suav. Exp. Regresin
1 127 115 120,0
2 113 118,6 120,0
3 121 116,9 120,1
4 123 120,3 119,8 118,1 120,1
5 117 119,0 120,4 119,6 120,1
6 109 120,3 119,6 118,8 120,1
7 131 116,3 114,2 115,9 120,1
8 115 119,0 121,6 120,4 120,1
9 127 118,3 118,6 118,8 120,2
10 118 124,3 124,2 121,3 120,2
11 120,0 120,1 120,3 120,2
-
Problema de aplicacin
124
Mtodo MAD Promedio mvil de 3 meses 7,1 Promedio mvil ponderado de 3 meses 7,9 Suavizacin exponencial 7,0 Regresin lineal 6,0
Periodo Demanda PM 3 Meses Error ABS PMP 3 Meses Error ABS Suav. Exp. Error ABS Regresin Error ABS 1 127 115 120,0 2 113 118,6 120,0 3 121 116,9 120,1 4 123 120,3 2,7 2,7 119,8 3,2 3,2 118,1 4,9 4,9 120,1 2,9 2,9 5 117 119,0 -2,0 2,0 120,4 -3,4 3,4 119,6 -2,6 2,6 120,1 -3,1 3,1 6 109 120,3 -11,3 11,3 119,6 -10,6 10,6 118,8 -9,8 9,8 120,1 -11,1 11,1 7 131 116,3 14,7 14,7 114,2 16,8 16,8 115,9 15,1 15,1 120,1 10,9 10,9 8 115 119,0 -4,0 4,0 121,6 -6,6 6,6 120,4 -5,4 5,4 120,1 -5,1 5,1 9 127 118,3 8,7 8,7 118,6 8,4 8,4 118,8 8,2 8,2 120,2 6,8 6,8 10 118 124,3 -6,3 6,3 124,2 -6,2 6,2 121,3 -3,3 3,3 120,2 -2,2 2,2 11 120,0 120,1 120,3 120,2
Suma= 2,3 49,7 1,6 55,2 7,1 49,3 -0,9 42,2 Suma/n= 0,3 7,1 0,2 7,9 1,0 7,0 -0,1 6,0