Direccin de la Produccin: Decisiones estratgicas Unidad 2 Pronstico de la demanda

ContenidoPerfil de una compaa de proyeccin mundial: Tupperware CorporationQu es la previsin?Horizontes temporales de la previsinLa influencia del ciclo de vida del productoTipos de previsionesLa importancia estratgica de la previsinRecursos humanosCapacidadGestin de la cadena de suministrosSiete etapas en el sistema de previsin

Contenido Enfoques de la previsinVisin global de los mtodos cualitativosVisin global de los mtodos cuantitativosPrevisin de series temporalesDescomposicin de una serie temporalEnfoque simpleMedias mvilesAlisado exponencialAlisado exponencial con ajuste de tendenciaProyecciones de la tendenciaVariaciones estacionales en los datosVariaciones cclicas en los datos

ContenidoMtodos de previsin causal: anlisis de regresin y correlacinUtilizacin del anlisis de regresin para realizar previsionesError estndar de la estimacinCoeficientes de correlacin para las rectas de regresinAnlisis de regresin mltipleSeguimiento y control de las previsionesAlisado adaptablePrevisin enfocadaPrevisin en el sector servicios

Objetivos de aprendizajeCuando haya completado este captulo, debe ser capaz de:Identificar o definir:PrevisinTipos de previsinHorizontes temporalesEnfoques de la previsin

Objetivos de aprendizajeCuando haya completado este captulo, debe ser capaz de:Describir o explicar:Medias mvilesAlisado exponencialProyecciones de tendenciaAnlisis de regresin y correlacinMedidas de precisin de la previsin

La previsin de TupperwareCada uno de los 50 centros de beneficio en todo el mundo es responsable del clculo de las proyecciones de las ventas con carcter mensual, trimestral y anual. Estas proyecciones se agrupan por regiones y, globalmente, en la sede central de Tupperware.Tupperware utiliza todas las tcnicas tratadas en este captulo.

Tres factores clave para TupperwareEl nmero de consultores o representantes de ventas que estn registrados.El porcentaje de estos distribuidores que est actualmente en activo (este nmero vara cada semana y mes).Las ventas por distribuidor activo en base semanal.

Tupperware - Previsin por consensoLos factores de produccin provienen de las ventas, marketing, finanzas y produccin, aunque la previsin final es fruto del consenso de todos los directivos participantes. El ltimo paso es la versin de Tupperware del jurado de opinin ejecutiva.

Qu es pronosticar?Arte y ciencia de predecir acontecimientos futuros.Base de todas las decisiones empresariales:Produccin.Inventario.Personal.Instalaciones.

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.Pronstico a largo plazo:Periodos superiores a tres aos.Planificacin de nuevos productos, localizacin de las instalaciones.Horizontes de tiempo del pronstico

Pronsticos a corto plazo frente a pronsticos a largo plazoLas previsiones 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.Las previsiones a corto plazo normalmente emplean metodologas diferentes a las utilizadas en las previsiones a largo plazo.Las previsiones a corto plazo tienden a ser ms exactas que las realizadas a largo plazo.

La influencia del ciclo de vida del productoLas etapas de introduccin y crecimiento necesitan previsiones ms largas que las de madurez y declive.Los pronsticos son tiles para proyectarlos diferentes niveles de personallos diferentes niveles de inventarios los diferentes niveles de capacidad de produccinmientras el producto pasa de la primera a la ltima etapa.

Estrategia durante el ciclo de vida de un productoIntroduccinCrecimientoMadurezDecliveEstrategias de la OMEstrategias de la compaaHDTVCD-ROMImpresoras a colorFax FurgonetasVentasDisquetes de 3 1/2InternetLa planificacin y desarrollo del producto son vitalesCambios frecuentes en planificacin del producto y procesoLotes de produccin pequeosAltos costes de produccinNmero de modelos limitadoAtencin a la calidadLa previsin es muy importanteFiabilidad del producto y procesoPosibilidades y mejoras del producto competitivasAumento de la capacidadCambio de tendencia para centrarse en el productoAtencin a la distribucin

EstandarizacinCambios de producto menos rpidos; ms cambios minuciososCapacidad ptimaEstabilidad creciente del proceso de produccinGrandes lotes de produccinMejora del producto y reduccin de costesPoca diferenciacin del productoMinimizacin de costesSobrecapacidad en la industriaEliminacin de productos que no proporcionan un margen aceptableReduccin de capacidadMejor periodo para aumentar la cuota de mercadoEs vital planear la I + DBuen momento para cambiar el precio o la imagen de calidadFortalecer el segmento de mercadoMal momento para cambiar la imagen, el precio o la calidadLos costes competitivos son ahora muy importantesDefender la posicin en el mercadoEs vital controlar el costeRestaurantes para comer en el coche

Tipos de pronsticosPronsticos econmicos:Dirigidas 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 para cada periodo.

Siete pasos en el sistema de pronsticoDeterminar la utilizacin del pronsticoSeleccionar los artculos en los que se va a realizar el pronsticoDeterminar el horizonte temporal de la previsin.Seleccionar el(los) modelo(s) de pronsticoRecoger datos.Realizar el pronsticoValidar e implementar los resultados.

Demanda de un producto representada en un periodo de 4 aos con tendencia de crecimiento y estacionalidad

Demanda real frente a los mtodos de media mvil y media mvil ponderada05101520253035MesDemanda de ventasVentas realesMedia mvilMedia mvil ponderada

Realidades sobre el pronsticoRaras veces los pronsticos son perfectos.La mayora de las tcnicas de previsin asumen que existe cierta estabilidad sostenida al sistema.Tanto las predicciones de familias de productos como las predicciones en conjunto son ms precisas que las previsiones de productos individuales.

Enfoques de los pronsticosSe emplean cuando la situacin es estable y existen datos histricos:Productos existentes.Tecnologa actual.Requieren tnicas matemticas:Por ejemplo, la previsin de las ventas de televisiones en color.Mtodos cuantitativosSe emplean cuando la situacin no es clara y hay pocos datos:Productos nuevos.Nueva tecnologa.Requieren intuicin y experiencia:Por ejemplo, la previsin de las ventas a travs de Internet.Mtodos cualitativos

Visin global de los mtodos cualitativosJurado 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 una previsin global.Mtodo Delphi:Proceso de grupo que permite a los expertos realizar las previsiones.Estudio de mercado del consumidor:Requiere informacin de los clientes.

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 delpensamiento engrupo.

1995 Corel Corp.Jurado de opinin ejecutiva

Proposicin de personal comercialCada vendedor estima las ventas que har.Se combinan con las previsiones a niveles de distritos y con las nacionales.El representante de ventas conoce las necesidades de los consumidores.Tiende a ser bastante optimista.

Mtodo DelphiProceso 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)

Estudio de mercadoPreguntar a los consumidores sobre sus futuros planes de compra.Lo que dicen los consumidores y lo que luego hacen suele diferir.A veces es difcil contestar a las preguntas del estudio.Cuntas horas utilizar Internet la prxima semana? 1995 Corel Corp.

Visin global de los mtodos cuantitativosEnfoque simpleMedias mvilesAlisado exponencialProyeccin de tendencia

Regresin linealModelos de series temporalesModelos asociativos

Mtodos de pronsticos cuantitativos (no simples)Pronstico

cuantitativoRegresinlinealModelosasociativosAlisadoexponencialMediamvilModelos de seriestemporalesProyeccinde tendencia

Es una secuencia de datos uniformemente espaciada:Se obtiene observando las variables en periodos de tiempo regulares.Se trata de un pronstico basada en los datos pasados:Supone que los factores que han influido en el pasado lo sigan haciendo en el futuro.Ejemplo:Ao:20072008200920102011Ventas:78,763,589,793,292,1Qu son las series temporales?

TendenciaEstacionalidadVariaciones aleatoriasDescomposicin de una serie temporal

Es el movimiento gradual de ascenso o descenso de los datos a lo largo del tiempo.Los cambios en la poblacin, ingresos, etc. influyen en la tendencia.Varios aos de duracin. Mes, trimestre, aoRespuesta 1984-1994 T/Maker Co.Tendencia

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, trimestreRespuestaVerano 1984-1994 T/Maker Co.Estacionalidad

Movimientos de ascenso o descenso que se repiten.Se pueden ver afectados por interacciones de factores que influyen en la economa.

Mes, trimestre, aoRespuestaCicloCiclos

Son saltos en los datos causados por el azar y situaciones inusuales.Son debidas a variaciones aleatorias o a situaciones imprevistas:Huelga.Tornado.Son de corta duracin y no se repiten. 1984-1994 T/Maker Co.Variaciones aleatorias

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).Modelo aditivo:Yi = Ti + Si + Ci + Ri (si los datos son mensuales o trimestrales).Modelos de series temporales

Enfoque simpleSuponer 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-coste y eficiencia.

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:MMnndemanda de periodos previosMedias mviles

Usted es el director de una tienda de un museo que vende rplicas. Quiere predecir las ventas (000) del ao 1998 mediante una media mvil de 3 meses. 19934 1994 6 19955 19963 19977Ejemplo de media mvil

Solucin de la media mvil

Ao

Respuesta

Yi

Media mvil total

(n=3)

Media mvil

(n=3)

1995

4

ND

ND

1996

6

ND

ND

1997

5

ND

ND

1998

3

4+6+5=15

15/3 = 5

1999

7

2000

ND

Solucin de la media mvil ponderada

Ao

Respuesta

Yi

Media mvil total

(n=3)

Media mvil

(n=3)

1995

4

ND

ND

1996

6

ND

ND

1997

5

ND

ND

1998

3

4+6+5=15

15/3 = 5

1999

7

6+5+3=14

14/3=4 2/3

2000

ND

Solucin de la media mvil ponderada

Ao

Respuesta

Yi

Media mvil total

(n=3)

Media mvil

(n=3)

1995

4

ND

ND

1996

6

ND

ND

1997

5

ND

ND

1998

3

4+6+5=15

15/3=5,0

1999

7

6+5+3=14

14/3=4,7

2000

ND

5+3+7=15

15/3=5,0

Grfico de la media mvil

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:Media mvil ponderada = (ponderacin para el periodo n) (demanda en el periodo n) ponderacionesMtodo de la media mvil ponderada

Demanda actual, media mvil y media mvil ponderadaVentas realesMedia mvilMedia mvil ponderada

Al aumentar n veces, las previsiones 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

Es una tcnica de previsin 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

Ft= At - 1 + (1-)At - 2 + (1- )2At - 3 + (1- )3At - 4 + ... + (1- )t-1A0Ft = Valor de la previsin At = Valor real = Constante de alisadoFt = Ft-1 + (At-1 - Ft-1)Se utiliza para calcular la previsin.Ecuaciones del alisado exponencial

Usted est organizando una reunin Kwanza. Desea predecir el nmero de personas que asistirn en el ao 2000 mediante el alisado exponencial ( = 0,10). La previsin para 1995 fue de 175. 1995180 1996 168 1997159 1996175 1999190 1995 Corel Corp.Ejemplo de alisado exponencial

Ft = Ft-1 + (At-1 - Ft-1) AoRealPrevisin, Ft(= 0,10)1995180175,00 (Dado)19961681997159199817519991902000NDSolucin del alisado exponencial

Ft = Ft-1 + (At-1 - Ft-1) AoRealPrevisin, Ft(= 0,10)1995180175,00 (Dado)1996168175,00 + 0,10(1997159199817519991902000NDSolucin del alisado exponencial

Ft = Ft-1 + (At-1 - Ft-1) AoRealPrevisin, Ft(= 0,10)1995180175,00 (Dado)1996168175,00 + 0,10(180 -1997159199817519991902000NDSolucin del alisado exponencial

Ft = Ft-1 + (At-1 - Ft-1) AoRealPrevisin, Ft(= 0,10)1995180175,00 (Dado)1996168175,00 + 0,10(180 - 175,00)1997159199817519991902000NDSolucin del alisado exponencial

Ft = Ft-1 + (At-1 - Ft-1) AoRealPrevisin, Ft(= 0,10)1995180175,00 (Dado)1996168175,00 + 0,10(180 - 175,00) = 175,501997159199817519991902000NDSolucin del alisado exponencial

Ft = Ft-1 + (At-1 - Ft-1) AoRealPrevisin, Ft(= 0,10)1995180175,00 (Dado)1994168175,00 + 0,10(180 - 175,00) = 175,501995159175,50 + 0,10(168 - 175,50) = 174,75199617519971901998NDSolucin del alisado exponencial

Ft = Ft-1 + (At-1 - Ft-1) AoRealPrevisin, Ft(= 0,10)1995180175,00 (Dado)1996168175,00 + 0,10(180 - 175,00) = 175,501997159175,50 + 0,10(168 - 175,50) = 174,75199817519991902000ND174,75 + 0,10(159 - 174,75)= 173,18Solucin del alisado exponencial

Ft = Ft-1 + (At-1 - Ft-1) AoRealPrevisin, Ft(= 0,10)1995180175,00 (Dado)1996168175,00 + 0,10(180 - 175,00) = 175,501997159175,50 + 0,10(168 - 175,50) = 174,751998175174,75 + 0,10(159 - 174,75) = 173,181999190173,18 + 0,10(175 - 173,18) = 173,362000NDSolucin del alisado exponencial

Ft = Ft-1 + (At-1 - Ft-1) AoRealPrevisin, Ft(= 0,10)1995180175,00 (Dado)1996168175,00 + 0,10(180 - 175,00) = 175,501997159175,50 + 0,10(168 - 175,50) = 174,751998175174,75 + 0,10(159 - 174,75) = 173,181999190173,18 + 0,10(175 - 173,18) = 173,362000ND173,36 + 0,10(190 - 173,36) = 175,02Solucin del alisado exponencial

Grfico del alisado exponencial

Ft = At - 1 + (1- )At - 2 + (1- )2At - 3 + ...Efectos de la previsin de la constante de alisado PonderacionesPeriodo anteriorHace 2 periodos(1 - )Hace 3 periodos(1 - )2== 0,10= 0,9010%

Ft = At - 1 + (1- ) At - 2 + (1- )2At - 3 + ...Efectos de la previsin de la constante de alisado Periodo anteriorHace 2 periodos(1 - )Hace 3 periodos(1 - )2== 0,10= 0,9010%9%Ponderaciones

Ft = At - 1 + (1- )At - 2 + (1- )2At - 3 + ...Efectos de la previsin de la constante de alisado PonderacionesPeriodo anteriorHace 2 periodos(1 - )Hace 3 periodos(1 - )2== 0,10= 0,9010%9%8,1%

Ft = At - 1 + (1- )At - 2 + (1- )2At - 3 + ...Efectos de la previsin de la constante de alisado PonderacionesPeriodo anteriorHace 2 periodos(1 - )Hace 3 periodos(1 - )2== 0,10= 0,9010%9%8,1%90%

Ft = At - 1 + (1- ) At - 2 + (1- )2At - 3 + ...Efectos de la previsin de la constante de alisado PonderacionesPeriodo anteriorHace 2 periodos(1 - )Hace 3 periodos(1 - )2== 0,10= 0,9010%9%8,1%90%9%

Ft = At - 1 + (1- ) At - 2 + (1- )2At - 3 + ...Efectos de la previsin de la constante de alisado PonderacionesPeriodo anteriorHace 2 periodos(1 - )Hace 3 periodos(1 - )2== 0,10= 0,9010%9%8,1%90%9%0,9%

Si se selecciona Trate de minimizar la desviacin absoluta media (DAM)

Si:Error de previsin = demanda - previsin

Entonces:nerrores de previsin=DAM

Alisado exponencial con ajuste de tendenciaPrevisin incluyendo la tendencia (PITt) = previsin alisada exponencialmente (Ft) + tendencia alisada exponencialmente (Tt)

Ft = (demanda real de este periodo) + (1- )(previsin del ltimo periodo + tendencia estimada del ltimo periodo)oFt = (At) + (1- )Ft-1 + Tt-1Tt = (previsin de este periodo - previsin del ltimo periodo) + (1-)(tendencia estimada del ltimo periodo)oTt = (Ft - Ft-1) + (1- )Tt-1 Alisado exponencial con ajuste de tendencia

Ft = previsin 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

Comparacin de previsionesDemanda realAlisado exponencialAlisado exponencial + Tendencia

Mtodo de mnimos cuadradosDesviacinDesviacinDesviacinDesviacinDesviacinDesviacinDesviacinPeriodo de tiempoValores de la variable dependiente Observacin realPunto en la lnea de tendencia

Demanda real y lnea de tendenciaDemanda realY = 56,70+ 10,54X

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.Anlisis de regresin lineal

b > 0b < 0aaYTiempo, XModelo del anlisis de regresin lineal

Periodo de tiempoVentas012349293949596Ventas frente a tiempoDiagrama de dispersin

Ecuaciones de mnimos cuadradosPendiente:Corte con el eje Y:

Tabla de clculo

Usted es el analista de marketing de Hasbro Toys. Recoge los siguientes datos:AoVentas (unidades) 19951 19961 19972 19982 19994Cul es la ecuacin de la tendencia?Ejemplo de anlisis de regresin lineal

Usted est realizando el anlisis de marketing de Hasbro Toys. Al utilizar aos codificados, halla que Yi = -0,1 + 0,7Xi.AoVentas (Unidades) 19951 19961 19972 19982 19994La previsin es de 2000 ventas.^Modelo de previsin del anlisis de regresin lineal

Modelo estacional multiplicativoEncontrar 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 previsin estacional .

YXii=abMuestra la relacin lineal entre las variables dependientes e independientes.Ejemplo: ventas y publicidad (sin tiempo)Variable dependienteVariable independiente Pendiente Corte con el eje Y^Modelo de regresin lineal

YXYai^iiErrorModelo de regresin lineal

Ecuaciones de regresin linealPendiente:Corte con el eje Y:

Tabla de clculo

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

Variacin del Y real a partir del Y predecido.Se mide mediante el error estndar de la estimacin:Muestra los errores de la desviacin estndar.SY,XAfecta a varios factores:Significado del parmetro.Precisin de la prediccin.Variacin de los errores aleatorios

Suposiciones de los mnimos cuadradosSe 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.

El libro utiliza el smbolo YcError estndar de la desviacin

Respuestas: qu intensidad tiene la relacin lineal entre las variables?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

Fmula del coeficiente de correlacin

Valores del coeficiente de correlacin

Coeficiente de correlacin y modelo de regresin

Usted quiere conseguir:Ninguna conducta o direccin del error de previsin.Error = (Yi - Yi) = (Real - Previsin).Se observa en las representaciones de los errores a lo largo del tiempo.Un error de previsin ms pequeo:Error cuadrado medio (ECM).Desviacin absoluta media (DAM).Gua para elegir el modelo de previsin^

Tendencia no totalmente justificadaConducta del error de previsin

Error cuadrado medio (ECM):Desviacin absoluta media (DAM):Ecuaciones del error de previsinn1i2iinn)y(yECM=-==n|errores de previsin|n|yy|DAMniii=-=1=

Usted es el analista de marketing de Hasbro Toys. Ha previsto las ventas con un modelo lineal y alisado exponencial. Qu modelo usar?

VentasPrevisin del Previsin del alisado Aorealesmodelo linealexponencial (0,9) 199510,61,0 199611,31,0 199722,01,9 199822,72,0 199943,43,8Ejemplo de seleccin del modelo de previsin

Evaluacin del modelo lineal

Evaluacin del modelo de alisado exponencial

Evaluacin del modelo de alisado exponencialModelo lineal:ECM = Error2 / n = 1,10 / 5 = 0,220DAM = |Error| / n = 2,0 / 5 = 0,400Modelo de alisado exponencial:ECM = Error2 / n = 0,05 / 5 = 0,01DAM = |Error| / n = 0,3 / 5 = 0,06

Mide el grado de precisin de la previsin para predecir valores reales.Suma actual de los errores de previsin (SAEP) dividida entre la desviacin absoluta media (DAM):Una buena seal de rastreo tiene valores bajos.Debe estar dentro de los lmites de control superiores e inferiores.Seal de rastreo

Ecuacin de la seal de rastreo()DAM DAMyy DAMSAEPSeal de rastreoniii=-==1=errores de previsin

DemandaErrorSAEPErrorDAMSR1100902100953100115410010051001256100140Clculo de la seal de rastreoprevistaDemandarealabsoluto|Error|acumuladoTrim.

1100902100953100115410010051001256100140-10Error = Real - Previsin = 90 - 100 = -10Clculo de la seal de rastreo DemandaErrorSAEPErrorDAMSRprevistaDemandarealabsolutoacumuladoTrim.|Error|

1100902100953100115410010051001256100140-10-10SAEP = Errores = ND + (-10) = -10Clculo de la seal de rastreo Trim.DemandaErrorSAEPErrorDAMSRprevistaDemandarealabsoluto|Error|acumulado

1100902100953100115410010051001256100140-10-1010Error absoluto = |Error| = |-10| = 10Clculo de la seal de rastreo Trim.DemandaErrorSAEPErrorDAMSRprevistaDemandarealabsoluto|Error|acumulado

1100902100953100115410010051001256100140-10-101010|Error| acumulado = |Errores| = NA + 10 = 10Clculo de la seal de rastreo

1100902100953100115410010051001256100140-10-10101010,0DAM = |Errores|/n = 10/1 = 10Clculo de la seal de rastreo Trim.DemandaErrorSAEPErrorDAMSRprevistaDemandarealabsoluto|Error|acumulado

1100902100953100115410010051001256100140-10-10101010,0-1SR = SAEP/DAM = -10/10 = -1Clculo de la seal de rastreo Trim.DemandaErrorSAEPErrorDAMSRprevistaDemandarealabsoluto|Error|acumulado

1100902100953100115410010051001256100140-10-10101010,0-1-5Error = Real - Previsin = 95 - 100 = -5Clculo de la seal de rastreo DemandaErrorSAEPErrorDAMSRprevistaDemandarealabsolutoacumulado|Error|Trim.

1100902100953100115410010051001256100140-10-10101010,0-1-5-15SAEP = Errores = (-10) + (-5) = -15Clculo de la seal de rastreo DemandaErrorSAEPErrorDAMSRprevistaDemandarealabsolutoacumulado|Error|Trim.

1100902100953100115410010051001256100140-10-10101010,0-1-5-155Error absoluto = |Error| = |-5| = 5Clculo de la seal de rastreo DemandaErrorSAEPErrorDAMSRprevistaDemandarealabsolutoacumuladoTrim.|Error|

1100902100953100115410010051001256100140-10-10101010,0-1-5-15515Error acumulado = |Errores| = 10 + 5 = 15Clculo de la seal de rastreo DemandaErrorSAEPErrorDAMSRprevistaDemandarealabsolutoacumulado|Error|Trim.

1100902100953100115410010051001256100140-10-10101010,0-1-5-155157,5DAM = |Errores|/n = 15/2 = 7,5Clculo de la seal de rastreo DemandaErrorSAEPErrorDAMSRprevistaDemandarealabsolutoacumuladoTrim.|Error|

1100902100953100115410010051001256100140-10-10101010,0-1-5-155157,5-2SR = SAEP/DAM = -15/7,5 = -2Clculo de la seal de rastreo DemandaErrorSAEPErrorDAMSRprevistaDemandarealabsolutoacumulado|Error|Trim.

Representacin de una seal de rastreoTiempoLmite de control inferiorLmite de control superiorSeal que supera el lmiteSeal de rastreoIntervalo aceptableDAM+0-

Seales de rastreoSeal de rastreoPrevisinDemanda real

Previsin en el sector serviciosPresenta 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.

Previsin de ventas por hora en un restaurante de comida rpida11-12 12-1 1-2 2-3 3-4 4-5 5-6 6-7 7-8 8-9 9-10 10-11

******This slide introduces the topic of forecasting at Tupperware. The next several slides elaborate.

One might ask students several questions: - What does a useful forecast consist of at Tupperware? - What problems might a company such as Tupperware experience in developing a useful forecast.

As you move through the following two slides, you could point out the application of multiple forecasting techniques to help solve some of the problems identified.*Ask students: Why does the number of active dealers change so often? andIf the number of active dealers changes so often, should not this problem be addressed before attempting to forecast sales? This question raises the issue of the impact of the distribution chain on ones ability to forecast.*You might take the notion of problems one step further and ask students why Tupperware uses a jury of executive opinion as part of its forecasting process.**At this point, it may be useful to point out the time horizons considered by different industries. For example, some colleges and universities look 30 to fifty years ahead, industries engaged in long distance transportation (steam ship, railroad) or provision of basic power (electrical and gas utilities, etc.) also look far ahead (20 to 100 years). Ask them to give examples of industries having much shorter long-range horizons.*At this point it may be helpful to discuss the actual variables one might wish to forecast in the various time periods.*This slide introduces the impact of product life cycle on forecasting The following slide, reproduced from chapter 2, summarizes the changing issues over the products lifetime for those faculty who wish to treat the issue in greater depth.**One can use an example based upon ones college or university. Students can be asked why each of these forecast types is important to the college. Once they begin to appreciate the importance, one can then begin to discuss the problems. For example, is predicting demand merely as simple as predicting the number of students who will graduate from high school next year (i.e., a simple counting exercise)?*A point to be made here is that one requires a forecasting plan, not merely the selection of a particular forecasting methodology.*This slide illustrates a typical demand curve. You might ask students why it is important to know more than simply the actual demand over time. Why, for example, would one wish to be able to break out a seasonality factor?*This slide illustrates one of the simplest forecasting techniques - the moving average. It may be useful to point out the lag introduced by exponential smoothing - and ask how one can actually make use of the forecast.*This slide provides a framework for discussing some of the inherent difficulties in developing reliable forecasts. You may wish to include in this discussion the difficulties posed by attempting forecast in a continuously, and rapidly changing environment where product life-times are measured less often in years and more often in months than ever before.

One might wish to emphasize the inherent difficulties in developing reliable forecasts.*This slide distinguishes between Quantitative and Qualitative forecasting. If you accept the argument that the future is one of perpetual, and perhaps significant change, you may wish to ask students to consider whether quantitative forecasting will ever be sufficient in the future - or will we always need to employ qualitative forecasting also. (Consider Tupperwares jury of executive opinion.)*This slide outlines several qualitative methods of forecasting. Ask students to give examples of occasions when each might be appropriate.

The next several slides elaborate on these qualitative methods.*Ask your students to consider other potential disadvantages. (Politics?)*You might ask your students to consider what problems might occur when trying to use this method to predict sales of a potential new product.*You might ask your students to consider whether there are special examples where this technique is required. ( Questions of technology transfer or assessment, for example; or other questions where information from many different disciplines is required.)*You might discuss some of the difficulties with this technique. Certainly there is the issue that what consumers say is often not what they do. There are other problems such as that consumers sometime wish to please the surveyor; and for unusual, future, products, consumers may have a very imperfect frame of reference within which to consider the question.**A point you may wish to make here is that only in the case of linear regression are we assuming that we know why something happened. General time-series models are based exclusively on what happened in the past; not at all on why. Does operating in a time of drastic change imply limitations on our ability to use time series models?*This and subsequent slide frame a discussion on time series - and introduce the various components.******This slide introduces two general forms of time series model. You might provide examples of when one or the other is most appropriate.*This slide introduces the nave approach. Subsequent slides introduce other methodologies.*At this point, you might discuss the impact of the number of periods included in the calculation. The more periods you include, the closer you come to the overall average; the fewer, the closer you come to the value in the previous period. What is the tradeoff?**This slide shows the resulting forecast. Students might be asked to comment on the useful ness of this forecast.*This slide introduces the weighted moving average method. It is probably most important to discuss choice of the weights.*This slide illustrates one of the simplest forecasting techniques - the moving average. It may be useful to point out the lag introduced by exponential smoothing - and ask how one can actually make use of the forecast.*These points should have been brought out in the example, but can be summarized here.*This slide introduces the exponential smoothing method of time series forecasting. The following slide contains the equations, and an example follows.*You may wish to discuss several points:

- this is just a moving average wherein every point in included in the forecast, but the weights of the points continuously decrease as they extend further back in time. - the equation actually used to calculate the forecast is convenient for programming on the computer since it requires as data only the actual and forecast values from the previous time point. - we need a formal process and criteria for choosing the best smoothing constant.*This slide begins an exponential smoothing example.*********This slide illustrates the result of the steps used to make the forecast desired in the example. In the PowerPoint presentation, there are additional slides to illustrate the individual steps.*This slide illustrates graphically the results of the example forecast.******This slide illustrates the decrease in magnitude of the smoothing constant. In the Power Point presentation, the several previous slides show the steps leading to this slide. *This slide indicates one method of selecting .*This slide introduces exponential smoothing with trend adjustment. The equations and additional material follow.***This slide allows you to compare the actual, exponentially smoothed and exponentially smoothed with trend adjustment forecasts. You might ask students which of the forecasts they prefer and why.*This slide introduces the topic of least squares.

One might try to make the point, using this slide, that the goal of least squares is to minimize the average deviation without regard to the mathematical sign of the deviation. The average of the deviations could be minimized by making their sum equal to zero - but we could still be left with large positive and negative deviations. Minimizing the sum of the square of the deviations produces a more balanced set of deviations.*This slide illustrates a regression line along with the actual demand. You might wish to highlight the actual deviations.*This slide introduces the equation produced in linear trend progression. *This slide illustrates the general result of the linear trend model for various values of the coefficient, b.*While this slide simply introduces the concept of a scatter diagram, one might use it to raise the issues of scatter diagrams and their value in interpreting the resulting trend or regression model.*It is probably useful to go through this slide in detail, indicating the differences between the individual values of the variable, and its average.*This slide illustrates how one might do, by hand, the calculations required to solve for the linear trend coefficients. If you are expecting students to solve even the simplest linear trend or regression problems using a computer program, you may wish to skip this slide. *This slide presents the data for the linear trend projection example.*This slide presents the resulting equation. You might ask students to illustrate how they would this equation.*This slide provides a quick view of the development of a multiplicative seasonal model.*This slide introduces the linear regression model. This can be approached as simply a generalization of the linear trend model where the variable is something other than time and the values do not necessarily occur a t equal intervals.**Again, this is basically a repeat of the slide for the linear trend problem.*This too.*This slide probably merits discussion - additional to that for the linear trend model. You might make the point here that the dependent and independent variable are not necessarily of the same nature - they need not both be dollars, for example.

You might also wish to note that setting x = 0 may not have a useful physical interpretation.*Here you may wish to at least begin the discussion of the distinction between explainable and unexplainable, and random and non-random error variation. There are also slides which come later in the presentation that will refer to this topic.*This slide raises several points: - What does it mean to be linear? How does one tell if something is linear or not? Or perhaps, how does one tell if something is sufficiently linear that a linear regression model is appropriate? - If the relationship is assumed to hold only within or slightly outside the data range, how do we use this model to make projections into the future (for which we dont have data)? - What does it mean for data to be random? How can we tell? You might discuss making scatter plots not only of the original data, but also of the resulting deviations. (Obviously there are more rigorous methods of determining if the deviations are random, but a scatter plot is a good start.)*Again, it is probably useful to point out which elements in the equations represent the actual data values and which the averages of these values.*This slide can frame the start of a discussion of correlation.. You should probably expect to add to this a discussion of cause and effect, emphasizing in particular that correlation does not imply a cause and effect relationship. Ask student to suggest examples of significant correlation of unrelated phenomenon.*Here again an explanation of each variable is probably useful.*While this slide introduces the implications of negative and positive correlation, it is probably also a good point to re-emphasis the difference between correlation and cause and effect.*This slide presents additional examples of the meaning of the correlation coefficient.*This slide introduces overall guideline for selecting a forecasting model. You may also wish to re-emphasize the role of scatter plots, and discuss the role of understanding what is going on (especially in limiting ones choice of model).*This slide illustrates both possible patterns in forecast error, and the merit of making a scatter plot of forecast error.*This slide illustrates the equations for two measures of forecast error. Students might be asked if there is an occasion when one method might be preferred over the other.*This slide begins an example of choosing a model.***This slide presents the result of the calculations of MSE and MAD for the Linear and Exponential Smoothing models.

Students should be asked to choose the better model.

Students should also be asked to consider the differences between the values calculated for the error measures for a given model, and between the two models. Do these differences tell us more than simply that one model is preferable to the other? (For example, is the exponential smoothing model 22 times better than the linear model?)***************This slide illustrates the last step in the calculation of a tracking signal for a simple example problem. The PowerPoint slide presentation contains this as the last of a sequence of slides - the others stepping through the actual calculation process.*This slide illustrates a graph of a tracking signal form a practical problem.*This slide illustrates actual, forecast, and tracking signal. Students should be asked how they would decide when the tracking signal was out of range.*This slide simply raises a few of the forecasting issues peculiar to services.