GERENCIA DE PRODUCCION - ecotec.edu.ec
Transcript of GERENCIA DE PRODUCCION - ecotec.edu.ec
UN
IVE
RS
IDA
D T
EC
NO
LÓ
GIC
A E
CO
TE
C. IS
O 9
001:2
008
GERENCIA DE
PRODUCCION
Semestre 1 Año 2015
MBA. Marjorie Noboa Auz
PRONOSTICOS
1
UN
IVE
RS
IDA
D T
EC
NO
LÓ
GIC
A E
CO
TE
C. IS
O 9
001:2
008
Importancia estratégica de la
previsiónImpacto de la previsión:
• Recursos humanos: contratación, formación y despido de los trabajadores, calidad de la plantilla de trabajadores disminuye.
• Capacidad: si la capacidad es insuficiente, el déficit resultante puede traducirse en incumplimientos de entregas, perdida de clientes y perdida de cuota de mercado.
• Gestión de la cadena de suministros: las buenas relaciones con los suministradores y las ventajas consiguientes de precio para materiales y componentes dependen de la exactitud en las
• previsiones.
UN
IVE
RS
IDA
D T
EC
NO
LÓ
GIC
A E
CO
TE
C. IS
O 9
001:2
008
ETAPAS EN EL SISTEMA DE
PREVISION
Determinar uso de la previsión
(fábrica)
Seleccionar los artículos para los
que se va a realizar la previsión (por
segmentos)
Definir horizonte temporal de
previsión (tiempo)
Seleccionar el modelo de
previsión (técnica)
Recopilación de los datos necesarios
para hacer la previsión (base de datos de ventas)
Realizar la previsión
Validar e implementar los resultados (marketing,
ventas, finanzas y producción)
UN
IVE
RS
IDA
D T
EC
NO
LÓ
GIC
A E
CO
TE
C. IS
O 9
001:2
008
Previsión en Disney WorldCuando el consejero delegado de Disney, Robert Iger, recibe el informe diario de sus grandes parques temáticos en Orlando, florida, el informe solo incluye dos cifras: la previsión de publico ayer en los parques y la cantidad real de publico. Se espera un error próximo a cero (EPAM). Iger se toma muy en serio sus previsiones.
El equipo de previsiones de Disney World no hace, sin embargo, una única predicción diaria, y además Iger no es su único consumidor. El equipo también elabora previsiones diarias, semanales, mensuales, anuales y quinquenales para la dirección de recursos humanos, mantenimiento, operaciones, finanzas y para el departamento de programación de parques. Los que las hacen utilizan modelos de juicios de valor, modelos econométricos, modelos de medidas móviles y análisis de regresión. La previsión anual realizada por el equipo en 1999 sobre el volumen total de publico para el año 2000 obtuvo un EPAM de 0.
UN
IVE
RS
IDA
D T
EC
NO
LÓ
GIC
A E
CO
TE
C. IS
O 9
001:2
008
Previsión en el sector de
Servicios• Comercio minoristas especializados:
– Patrones de demanda en función de festividades y sus días (fines de semana, entre semana).
– Mantener registros de ventas, incluso en circunstancias especiales para desarrollar patrones y correlaciones que influyen sobre la demanda.
• Restaurantes de comida rápida:
– Demanda que afecta la venta, hora a hora incluso cada 15 minutos, hay un ahorro de costes laborales.
UN
IVE
RS
IDA
D T
EC
NO
LÓ
GIC
A E
CO
TE
C. IS
O 9
001:2
008
Impacto de una previsión
• Enfoque cualitativo: juicios de valor,
experiencia, intuición y muchos otros
factores difíciles de cuantificar.
• Enfoque cuantitativo: datos históricos y
relaciones causales o asociativas.
UN
IVE
RS
IDA
D T
EC
NO
LÓ
GIC
A E
CO
TE
C. IS
O 9
001:2
008
Métodos cuantitativos
• Modelos de series temporales:1. Enfoque simple
2. Medias móviles
3. Alisado exponencial
4. Proyección de tendencia
• Modelos asociativos ( o casuales)– Regresión lineal
7
UN
IVE
RS
IDA
D T
EC
NO
LÓ
GIC
A E
CO
TE
C. IS
O 9
001:2
008
Modelos de series temporales
• Predicen partiendo de la premisa de que el futuro es una función del pasado.
• Observan lo que ha ocurrido a lo largo de un periodo de tiempo y utilizan una serie de datos pasados para realizar una previsión.
8
UN
IVE
RS
IDA
D T
EC
NO
LÓ
GIC
A E
CO
TE
C. IS
O 9
001:2
008
Modelos causales
• Incorporan variables o factores que pueden influir en la cantidad que se va a predecir.– Un modelo causal para las ventas de cortacéspedes podría
incluir factores tales como el numero de viviendas nuevas comenzadas a construir, el presupuesto de publicidad y los precios de la competencia.
9
UN
IVE
RS
IDA
D T
EC
NO
LÓ
GIC
A E
CO
TE
C. IS
O 9
001:2
008
Citas famosas
• “ Nunca se puede prever el futuro por medio del pasado”. Sir Edmund Burke
• “ No conozco ninguna manera de estimar el futuro si no es a través del pasado”. Patrick Henry
10
UN
IVE
RS
IDA
D T
EC
NO
LÓ
GIC
A E
CO
TE
C. IS
O 9
001:2
008
Pronóstico de Series Temporales
• Implica que los valores futuros son predichos únicamente a partir de los valores pasados, y que se desestiman otras variables, sin importar cual sea el valor potencial que puedan tener.
11
UN
IVE
RS
IDA
D T
EC
NO
LÓ
GIC
A E
CO
TE
C. IS
O 9
001:2
008
Descomposición de una serie temporal
• Implica desglosar los datos pasados en cuatro componentes: tendencia, estacionalidad, ciclos y variación irregular o aleatoria.
12
UN
IVE
RS
IDA
D T
EC
NO
LÓ
GIC
A E
CO
TE
C. IS
O 9
001:2
008
Tendencia
• Movimiento gradual de subida o bajada de los valores de los datos a lo largo del tiempo. Cambios en los ingresos, la población, la distribución por edades o los gustos culturales pueden explicar movimientos en la tendencia,
13
UN
IVE
RS
IDA
D T
EC
NO
LÓ
GIC
A E
CO
TE
C. IS
O 9
001:2
008
Estacionalidad
• Patrón de variabilidad de los datos que se repite cada cierto numero de días, semanas, meses o trimestres. Existen 6 patrones de estacionalidad:
Restaurantes, peluquerías, distribuidores de cervezas, etc. 14
Período del patrón Duración de la
“estación”
Número de
“estaciones” en el
patrón
Semana Día 7
Mes Semana 4 – 41/2
Mes Día 28 – 31
Año Trimestre 4
Año Mes 12
Año Semana 52
UN
IVE
RS
IDA
D T
EC
NO
LÓ
GIC
A E
CO
TE
C. IS
O 9
001:2
008
• Ciclos: Patrones en los datos que ocurren cada cierto numero de años. Acontecimientos políticos o conflictos internacionales.
• Variaciones irregulares o aleatorias: Son “irregularidades” en los datos causados por el azar y situaciones inusuales. No siguen ningún patrón perceptible, por lo que no se pueden predecir.
En épocas estables, hacer pronósticos es fácil: consiste solo en sumar o restar al comportamiento de un año determinado unos cuantos puntos porcentuales.
15
UN
IVE
RS
IDA
D T
EC
NO
LÓ
GIC
A E
CO
TE
C. IS
O 9
001:2
008
Enfoque Simple
• Es una técnica de previsión que supone que la demanda
del próximo periodo es igual a la demanda del ultimo
periodo.
16
UN
IVE
RS
IDA
D T
EC
NO
LÓ
GIC
A E
CO
TE
C. IS
O 9
001:2
008
Medias móviles• Es un método de previsión que utiliza la media de los n
periodos de datos mas recientes para hacer la previsión
del periodo siguiente.
• Media Móvil = ∑ demanda de n periodos anteriores
n
17
UN
IVE
RS
IDA
D T
EC
NO
LÓ
GIC
A E
CO
TE
C. IS
O 9
001:2
008
Ejercicio
18
Calculo de la media
móvil
En la columna central de la tabla se muestran las ventas de
cabañas
para almacenar en el Garden Supply de Donna. En la
columna derecha
aparece una media móvil de tres meses.
Mes
Ventas
reales de
cabañas
Media móvil de
tres meses
Enero 10
Febrero 12
Marzo 13
Abril 16
(10 + 12 + 13) / 3
= 11,67
UN
IVE
RS
IDA
D T
EC
NO
LÓ
GIC
A E
CO
TE
C. IS
O 9
001:2
008
19
Calculo de la media móvil
En la columna central de la tabla se muestran las ventas de cabañas.
para almacenar en el Garden Supply de Donna. En la columna derecha
aparece una media móvil de tres meses.
Mes
Ventas reales de
cabañas
Media movil de tres
meses
Enero 10
Febrero 12
Marzo 13
Abril 16 (10 + 12 + 13) / 3 = 11,67
Mayo 19 (12 + 13 +16) /3 = 13,67
Junio 23 (13 + 16 +19) /3= 16
Julio 26 ( 16+ 19 + 23) / 3 = 19,33
Agosto 30 ( 19 + 23 + 26) / 3 = 22,67
UN
IVE
RS
IDA
D T
EC
NO
LÓ
GIC
A E
CO
TE
C. IS
O 9
001:2
008
20
Cálculo de la media móvil
En la columna central de la tabla se muestran las ventas de cabañas
para almacenar en el Garden Supply de Donna. En la columna derecha
aparece una media móvil de tres meses.
Mes
Ventas reales
de cabañas
Media móvil de
tres meses
Enero 10
Febrero 12
Marzo 13
Abril 16 (10 + 12 + 13) / 3 = 11,67
Mayo 19 (12 + 13 +16) /3 = 13,67
Junio 23 (13 + 16 +19) /3= 16
Julio 26 ( 16+ 19 + 23) / 3 = 19,33
Agosto 30
( 19 + 23 + 26) / 3
= 22,67
Septiembre 28
(+23 + 26 + 30) /
3= 26,33
Octubre 18 (26 +30 + 28 ) / 3= 28
Noviembre 16 ( 30 +28 +18 ) / 3= 25,33
Diciembre 14 (28 + 18 + 16) / 3 = 20,67
UN
IVE
RS
IDA
D T
EC
NO
LÓ
GIC
A E
CO
TE
C. IS
O 9
001:2
008
Media móvil ponderada
• Cuando existe una tendencia o patrón detectable se puede utilizar
ponderaciones o pesos para resaltar mas los valores recientes. Esta
practica hace que la técnica de previsión sea mas sensible a los
cambios, porque los periodos mas recientes se ponderan con un
mayor peso.
21
UN
IVE
RS
IDA
D T
EC
NO
LÓ
GIC
A E
CO
TE
C. IS
O 9
001:2
008
22
Cálculo de la media móvil ponderada
El Garden Supply de Donna decide hacer una previsión de las ventas
de cabañas de almacenamiento ponderando los tres meses pasados
de la siguiente manera:
Ponderación aplicada Periodo
3 Ultimo mes
2 Hace dos meses
1 Hace tres meses
6 Suma de ponderaciones
Previsión para este mes =
3 x ventas ultimo mes + 2 x ventas hace dos meses + 1 x ventas hace tres meses
6 (suma de ponderaciones )
Mes
Ventas
reales de
cabañas Media movil de tres meses
Enero 10
Febrero 12
Marzo 13
Abril 16 (3x 13) + (2 x 12) +( 10) / 6 = 12,17
Mayo 19 (3x 16) + (2 x 13) +( 12) / 6 = 14,33
Junio 23 (3x 19) + (2 x 16) +( 13) / 6 = 17,00
Julio 26 (3x 23) + (2 x 19) +( 16) / 6 = 20,50
Agosto 30 (3x 26) + (2 x 23) +( 19) / 6 = 23,83
Septiembre 28 (3x 30) + (2 x 26) +( 23) / 6 = 27,50
Octubre 18 (3x28) + (2 x 30) +( 26) / 6 = 28,33
Noviembre 16 (3x 18) + (2 x 28) +( 30) / 6 = 23,33
Diciembre 14 (3x 16) + (2 x 18) +(28) / 6 = 18,67
UN
IVE
RS
IDA
D T
EC
NO
LÓ
GIC
A E
CO
TE
C. IS
O 9
001:2
008
Alisado exponencial• Técnica de previsión de media móvil ponderada en la que los datos
se ponderan mediante una función exponencial.
• Se determina un contante de alisado que es un numero entre 0 y 1
• NUEVA PREVISION= previsión del ultimo periodo +
+ α (demanda real del ultimo periodo –
- previsión del ultimo periodo)
También expresada:
Ft = F t-1 + α (At-1 – Ft-1)
Donde
Ft = nueva previsión
F t-1 = previa previsión
α = constante de alisado o ponderación
At-1 = demanda real del periodo previo
23
UN
IVE
RS
IDA
D T
EC
NO
LÓ
GIC
A E
CO
TE
C. IS
O 9
001:2
008
Desviación absoluta media - DAM
• Se calcula sumando los valores absolutos de los
errores de previsión individuales y dividiendo
por el numero de periodos de los datos (n):
DAM = Σ (Real – Previsto)
n
DAM = Σ (desviaciones)
n
24
UN
IVE
RS
IDA
D T
EC
NO
LÓ
GIC
A E
CO
TE
C. IS
O 9
001:2
008
25
prevision de grano descargado en el primer trimestre fue de 175 toneladas. Dos son los
valores de α examinados: α = 0,1 y α = 0,50
Trimestre
Toneladas
descargada
s
Prevision
redondead
a
utilizando
α = 0,10
Prevision
redondead
a
utilizando
α = 0,50
α = 0,10 α = 0,50
1 180 175 175 5 5
2 168 176 = 175 + 0,1(180-175) 178 8 10
3 159 175 = 175,50+0,1(168-175,50) 173 16 14
4 175 173 166 2 9
5 190 173 170 17 20
6 205 175 180 30 25
7 180 178 193 2 13
8 182 178 186 4 4
9 179 184 84 100
DAM = (Σ desviaciones) / n 10,5 12,5
Según este analisis es preferible una constante de alisado de α = 10 a una de
α = 0,50 puesto que su DAM es menor.
DESVIACION ABSOLUTA
UN
IVE
RS
IDA
D T
EC
NO
LÓ
GIC
A E
CO
TE
C. IS
O 9
001:2
008
Error cuadrado medio ECM
• Es la media de las diferencias al cuadrado entre
los valores previstos y los observados.
2
ECM = Σ (errores de previsión)
n
26
UN
IVE
RS
IDA
D T
EC
NO
LÓ
GIC
A E
CO
TE
C. IS
O 9
001:2
008
27
Trimestre
Toneladas
descargad
as real
Prevision
redondead
a
utilizando
α = 0,10 (Error)2
1 180 175 5 25
2 168 176 8 64
3 159 175 16 256
4 175 173 2 4
5 190 173 17 289
6 205 175 30 900
7 180 178 2 4
8 182 178 4 16
9 179 84 1558
ECM= Σ (errores de prevision)2
n
ECM = 1558/8
ECM = 194,8
UN
IVE
RS
IDA
D T
EC
NO
LÓ
GIC
A E
CO
TE
C. IS
O 9
001:2
008
Error porcentual absoluto medio
• Se calcula como la media de la diferencia, en valor
absoluto, entre los valores previstos y reales, expresada
como porcentaje sobre los valores reales.
n
100 Σ (Reali – Previstoi) / Reali
i=1
EPAM=
n
28
UN
IVE
RS
IDA
D T
EC
NO
LÓ
GIC
A E
CO
TE
C. IS
O 9
001:2
008
29
Trimestre
Toneladas
descargadas
real
Prevision
redondeada
utilizando α
= 0,10
1 180 175 100(5/180) = 2,78
2 168 176 100(8/168)= 4,76
3 159 175 100(16/159)= 10,06
4 175 173 100(2/175)= 1,14
5 190 173 100(17/190)= 8,95
6 205 175 100(30/205)= 14,63
7 180 178 100(2/180)= 1,11
8 182 178 100(4/182)= 2,20
Suma porcentual de errores= 45,64
EPAM= 45,64% / 8
EPAM= 5,71%
UN
IVE
RS
IDA
D T
EC
NO
LÓ
GIC
A E
CO
TE
C. IS
O 9
001:2
008
Ejercicio en clase
30
AÑO 1 2 3 4 5 6 7 8 9 10 11
Demanda 7 9 5 9 13 8 12 13 9 11 7
a) Represente los datos anteriores en un grafico
b) Empezando en el cuarto año y hasta el año 12, prevea la demanda utilizando una media
móvil de tres años. Represente su previsión en el mismo grafico inicial.
c) Empezando en el cuarto año y hasta el año 12, predecir la demanda utilizando una media
móvil de tres años con una ponderación de 0,1, 0,3 y 0,6; utilizando 0,6 para el año mas
reciente. Represente la previsión en el mismo grafico.
d) Compare las previsiones con los datos originales; ¿ cuál de las previsiones parece que
da un mejor resultado?
UN
IVE
RS
IDA
D T
EC
NO
LÓ
GIC
A E
CO
TE
C. IS
O 9
001:2
008
Señal de seguimiento
• Se calcula como la suma continua de los errores de
previsión (SCEP) dividida por la desviación absoluta
media (DAM):
Señal de seguimiento = SCEP
DAM
∑
(demanda real del periodo i - demanda prevista del
periodo i)
DAM
DAM =
∑ | errores en la previsión |
n
UN
IVE
RS
IDA
D T
EC
NO
LÓ
GIC
A E
CO
TE
C. IS
O 9
001:2
008
A continuación se muestran las ventas trimestrales (en miles), así
como
las previsiones de la demanda y los cálculos del error. El objetivo es
calcular la señal de seguimiento y determinar si las previsiones se
están realizando correctamente:
Trimestr
e
Demanda
real
Demanda
prevista Error SCEP
Erros de
previsión
absoluto
Error de
previsión
absoluto
acumulado DAM
Señal de
seguimient
o
(SCEP/DA
M)
1 90 100 -10 -10 10 10 10 -1
2 95 100 -5 -15 5 15 7,5 -2
3 115 100 15 0 15 30 10 0
4 100 110 -10 -10 10 40 10 -1
5 125 110 15 5 15 55 11 0,5
6 140 110 30 35 30 85 14,17 2,5
Al final del 6to.trimestre DAM= 85 = 14,2
6
Señal de seguimiento = 35 = 2,5
14,2
Esta señal de seguimiento esta dentro de los limites aceptables. Se ve
que
fluctúa entre -2,0 DAM y +2,5 DAM