Unidad 2 Pronóstico de la demanda

¿Qué es pronosticar?

Arte y ciencia de predecir los eventos futuros, puede implicar el uso de datos históricos y su proyección hacia el futuro mediante un modelo matemático. Puede ser una predicción subjetiva o intuitiva o una combinación de ambas

Tipos de pronósticos

1.- Pronósticos Económicos: tasa de interés, ciclo de negocio, suministro de dinero, construcción de edificios, vivienda.

2.- Pronósticos Tecnológicos: nuevos equipos, nuevos materiales, nuevas maquinas, nuevas líneas de producción.

3.- Pronósticos de la Demanda: pronósticos de venta

Importancia estratégica del pronóstico

Capacidad Recursos Humanos Administración de la cadena de suministro

Recursos Humanos: contratación, capacitación y despido de los trabajadores, dependen de la demanda prevista

Capacidad: cuando es inadecuada, los faltantes que resultan entregas poco confiables, obteniendo así pérdida de clientes y de participantes en el mercado.

Administración de la cadena de suministro: buenas relaciones y las subsecuentes ventajas de precio en materiales y partes dependen de pronósticos adecuados.

Características de la demanda

Patrones de demanda: observaciones de la demanda de un productos o un servicio tomando como base el orden en que se realiza, se les llama seria de tiempo.

Demanda horizontal

Tendencia

Ciclico

Aleatorio

Pronósticos de

Cuestiones Globales

Pronósticos de corto plazo, hasta 3 meses, distintas metodologías como técnicas matemáticas, promedios móviles.

Pronósticos medio plazo, de 3 meses hasta 3 años, ventas y presupuesto.

Pronósticos largo plazo, de 3 años hasta 5 años, crear planta de producción.

Factores que afectan a la demanda

Factores externos: fuera de control de la gerencia; nevada, incendio, etc Factores internos: decisiones internas sobre el diseño, publicación, ventas, son

controlables.

La demanda puede ser afectada por la influencia del ciclo de vida del producto.

7 pasos en el sistema de pronósticos: forma sistemática para implementar/diseñar un sistema de pronostico.

1. Determinar el uso del pronostico2. Seleccionar los aspectos que se deben de pronósticos (inventarios)3. Determinar el horizonte del pronostico (corto, mediano y largo plazo)4. Seleccionar los modelos de pronostico (promedios móviles, mínimos cuadrados, etc)5. Reunir los datos necesarios6. Obtener el pronóstico7. Validar e implementar resultados

Desventajas de los pronósticos

Pocas veces son perfectos La mayoría de las técnicas de pronósticos suponen la existencia de cierta estabilidad

subyacente en el sistema Tanto los pronósticos de familia de productos como los agregados son más precisos

que los pronósticos para productos individuales

Enfoques de pronósticos

1. Pronósticos Cuantitativos: emplear modelos matemáticos basados en datos históricos.2. Pronósticos Cualitativos: toman en cuenta experiencias personales, intuición del

vendedor, emocione2.1. Jurado de opinión de ejecutivos (Juntas de corporativo): opinión de grupos de expertos o administradores de alto nivel que se basan en modelos estadísticos para llegar a una estimación grupal de demanda2.2. Método Delph: el que toma la decisión: grupo de 5 a 10 expertos elaboran el pronostico

Personal: ayuda a los que toman decisiones, a preparar, distribuir, recolectar y resumir la serie de cuestionarios y los resultados de esos cuestionarios.

3.- Comparación de la fuerza de ventas: estimación de las ventas esperadas por los vendedores: encuestas en el mercado de consumo

Panorama de los métodos Cuantitativos

5 métodos de pronósticos

1.- Enfoque intuitivo, utiliza la intuición.2.- Promedios móviles con ponderación y sin ponderación.3.- Suavizamiento exponencial.4.- Proyección de tendencias.5.- Regresión lineal, método asociativo

Modelos de series de tiempo: datos históricos en el plan para obtener un pronóstico

Pronósticos de Serie de tiempo:

Una serie de tiempo se basa en una secuencia de datos puntuales separados por intervalos iguales (semanas, meses, trimestres, etc)

Los datos de serie de tiempo implican que los valores futuros se predicen solamente a partir de los valores pasados y se pueden ignorar otras variables sin importar que tan valiosas y potencialmente sean

Promedio móvil:Son útiles si podemos suponer que la demanda del mercado permanecerá

relativamente estable en el tiempo.

Esta práctica tiende a suavizar las irregularidades de corto plazo en las series de tiempo

Matemáticamente el promedio móvil simple se expresa como:

PromedioMovil= ∑demandaenn periodosanterioresn=¿de periodosquecompone el promediomovil

Ejemplo:

MesVentas Reales en cobertizos

Promedio Móvil de 3 meses

Promedio Móvil Ponderado

Enero 10    Febrero 12    Marzo 13    Abril 16 11.66666667 12.16666667Mayo 19 13.66666667 14.33333333Junio 23 16 17Julio 26 19.33333333 20.5Agosto 30 22.66666667 23.83333333Septiembre 28 26.33333333 27.5Octubre 18 28 28.33333333Noviembre 16 25.33333333 23.33333333Diciembre 14 20.66666667 18.66666667

Promedio Móvil Ponderado

PromedioM ó vilPonderado=∑ ( Ponderació n para perido n ) /(demanda en Per í odon)

∑ ponderaci ón

Modelos de series de tiempo

Desventajas/Problemas de Promedios Móviles

1.- Aumentar el tamaño de n

Si bien permite suavizar mejor las fluctuaciones, también resta sensibilidad al método ante los cambios reales en los datos.

2.- El promedio Móvil no refleja muy bien las tendencias puesto 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 históricos.

Suavizamiento Exponencial

Técnica de pronóstico de promedios móviles ponderados donde los datos se ponderan mediante una función exponencial

Nuevo Pronóstico = Pronóstico del periodo anterior + α (demanda real en mes anterior-pronóstico del periodo anterior)

α = constante se suavizado (0-1)

Ft=Ft−1+α (At−1−Ft−1)

Ejemplo

En Enero un distribuidor de automóviles predijo que la demanda para Febrero seria de 142 altimas, la demanda real de Febrero fue de 153 autos. Si empleamos la constante de suavizado que eligio la administración es de α=0.2

Pronosticar la demanda de marzo mediante el suavizado exponencial

F t=Ft−1+α (At−1−Ft−1)

Ft=142+.2 (153−142)

Ft=144.2

El pronóstico para la demanda del altima para el mes de marzo es de 144 autos.

Encontrar la medición de error del pronóstico: comparación entre los valores reales vs valores pronosticados.

Error del pronó stico=At−Ft

At= demanda real, Ft= valor pronosticado

Existen varias medidas de uso común para calcular el error global del pronóstico, las 3 medidas más comunes son:

Desviación Absoluta Media (MAD) Error Cuadrático Medio (MSE) Error Porcentual Absoluto Medio (MAPE)

Desviación absoluta media: su valor se calcula sumando los valores absolutos de los errores individuales del pronóstico y dividiendo entre el número de periodo de datos (n)

∑(real−pron óstico )n

Ejemplo:

Durante los últimos 8 trimestres en el puerto de Ensenada ha descargado grandes cantidades de grano. El administrador de operaciones del puerto requiere probar el uso del suavizamiento exponencial para ver que tan bien funciona la técnica, para predecir el tonelaje descargado, supone el pronóstico de grano descargado durante el primer trimestre fue de 175 toneladas, se examinan 2 valores de α=.10 y α=.50

Trimestre

Toneladas reales descargadas

Pronostico redondeado con α=.10

Pronostico redondeado con α=.50

1 180 175 1752 168 176 1783 159 175 1734 175 173 1665 190 173 1716 205 175 1817 180 178 1938 182 178 187

Trimestre

Toneladas reales descargadas

Pronostico redondeado con α=.10

Desviación Absoluta con α=.10

Pronostico redondeado con α=.50

Desviación Absoluta con α=.50

1 180 175 5 175 52 168 176 8 178 103 159 175 16 173 144 175 173 2 166 95 190 173 17 171 196 205 175 30 181 247 180 178 2 193 138 182 178 4 187 5

84 99

MADα=.10=844

=10.5

MADα=.50=994

=12.38

Se escoge el alfa con .10 ya que es el que presenta menos error

Error Cuadrático Medio (MSE)

Es el promedio de los cuadrados de las diferencias entre los valores pronosticados y observados

∑(Errores de Pronó stico)n

Trimestre

Toneladas Reales Descargadas

Pronostico Redondeado α=.10

Desviación Absoluta α=.10

Desviación Absoluta α=.102

Pronostico Redondeado α=.50

Desviación Absoluta =.50

Desviación Absoluta =.50

1 180 175 5 25 175 5 252 168 176 8 64 178 10 1003 159 175 16 256 173 14 1964 175 173 2 4 166 9 815 190 173 17 289 171 19 3616 205 175 30 900 181 24 5767 180 178 2 4 193 13 1698 182 178 4 16 187 5 25Sumatoria       1558     1533

15588

=194.75

15338

=191.625

Error Porcentual Absoluto Medio (MAPE)

Mape calcula como el promedio de las diferencias absolutas entre los valores pronosticados y los valores reales y se expresan como porcentaje de los valores reales.

MAPE=100

∑i=1

n

‖Real−Pronostico‖

n

Suavizamiento Exponencial Con ajuste de tendencia

Si es para mejorar la tendencia de pronósticos la idea aes calcular un promedio suavizado de los datos y después ajustar el retraso positivo o negativo en la tendencia

Pronostico incluyendo latendencia ( f 1Tt )=Pronostico Exponencialmente suavizado (Ft )+TendenciaExponenciamente suavizada(Tt )

Este pronóstico requiere dos constantes α y β

Ft=α (demanda realdel ultimo periodo )+(1−α ) (Pronostico delultimo periodo+Tendencia estimada parael ultimo periodo )=α ( At−1 )+(α−1 )(Fe−1+Tt−1)

Tt=β ( Pronostico deeste periodo−Pronostico delultimo periodo )+ (1−β ) (Tendencia estimada paraelultimo periodo )=β (Ft−Ft−1 )+(1−β )(Tt−1)

3 pasos para calcular el pronóstico

1.- Calcule Ft el pronóstico exponencialmente suavizado para el periodo t

2.- Calcule la tendencia suavizada Tt.

3.- Calcule el pronóstico incluyendo la tendencia.

Un importante fabricante usa suavizamiento exponencial para pronosticar la demanda de un equipo para control de contaminación aparentemente hay una tendencia creciente.

Se asigna a las constantes α=.2 y β=.4 suponga que el pronóstico inicial para el mes 1 Ft=11 y la tendencia Tt=2

Muestra Demanda Ft Tt FIT1 12 12.8 1.92 14.722 17 15.17 2.1 17.283 20 17.82 2.32 20.144 19 19.91 2.22 22.145 24 22.5 2.36 24.866 21 24.09 2.05 26.187 31 26.188 28 29.599 36 31.610 ¿? 35.16

Método de pronóstico

Que ajusta una serie de datos históricos y después proyecta la recta al futuro para pronosticar

Y=a+bx

Método de mínimos cuadrado

Ŷ= valor calculado de la variable que debe predecirsea=ordenadab=Pendiente de la recta de regresiónx= Valor de la variable independiente

A continuación se muestra la demanda de energía eléctrica durante el periodo 2009-2015 pronostique la demanda para el 2016 ajustando una recta de tendencia a los datos de las tablas

Año Demanda de energía eléctrica (Y)

X X^2 xy

2009 74 1 12010 79 2 42011 70 3 92012 90 4 462013 105 5 252014 147 6 362015 122 7 49Sumatorias 692 28 140 3063ȳ=98.86 x^-=4

B=10.54 A=56.7 2016=141.02

Siempre deben graficarse los datos porque los datos de mínimos cuadrados suponen una relación lineal. Si parece que hay una curva, quizá sea necesario el análisis curvilíneo.

No se predicen periodos lejanos a los existentes en la base de datos. Por ejemplo, si tenemos los precios promedio de las existencias de Microsoft durante 20 meses, sólo podemos pronosticar 3 o 4 meses hacia el futuro. los pronósticos de más tiempo tienen poca valide/ estadística entonces, no puede tomar datos de 5 años de ventas y proyectar 10 años hacia el futuro, el mundo esdemaciado incierto.

Se supone que las desviaciones en alrededor de la recta de mínimos cuadrados son aleatorias (véase la figura 4,4). Siguen una distribución normal con la mayoría de las observaciones cerca de la recta y sólo unas cuantas más lejos.

Variaciones estacionales en los datos

Las variaciones estacionales en los datos son movimientos regulares ascendentes o descendentes en una serie de tiempo que se relacionan con acontecimientos recurrentes como el clima o las vacaciones. La demanda de carbón o aceite aumenta durante los meses de invierno. La demanda en los clubes de golfo de bronceadores suele ser mayor durante el verano

La estacionalidad se aplica a patrones recurrentes en horas, días, meses u otros periodos Los restaurantes de comida rápida registran diariamente repuntes al medio día y nuevamente después de las 5 de la tarde. Los cines aumentan su demanda los viernes y sábados por la noche. La oficina de correos, Toys "51" Us, The Christmas Store y las tiendas de tarjetas Hallmark también registran variaciones estacionales tanto en el tráfico de clientes como en las ventas.

Modelo estacional multiplicativoSe multiplica por una estimación de la demanda promedio para producir un pronóstico

estacional

Pasos a seguir1.-Estaciones por un mes encontrar la demanda histórica de cada estación.2.-Calcular la demanda promedio de todos los meses, calcular un índice estacional3.-Estimar la demanda total anual para el siguiente año. Ejemplo

Metodos asociativos de pronósticos

Error estándar de la estimación

El pronóstico de ventas para Nodel de 325,000 dolares en el ejemplo 12, se conoce como estimación puntual de y. La estimación puntal es en realidad la media, o valor esperado, de una distribución de valores posibles de ventas. En la figura 4.9 se explica el concepto.

Con el propósito de medir la precisión de las estimaciones de regresión, debemos calcular el error estándar de la estimación. S v t . Este cálculo se llama desviación estándar de la regresión y mide el error desde la variable dependiente, y, hasta la recta de regresión, en lugar de hasta la media. La ecuación (4-14) es una expresión similar a la encontrada en la mayoría de los libros de estadística para calcular la desviación estándar de una media aritmético

y = valor de y de cada dalo puntualyc= valor calculado de la variable dependiente, a partir de la ecuación de regresión n = número de datos puntuales.

Coeficientes de correlación para rectas de regresiónLa ecuación de regresión es una forma de expresar la naturaleza de la relación entre dos sanables. Las recias de regresión no son relaciones de “causa y efecto”, simplemente describen las relaciones entre variables. La ecuación de regresión muestra la forma en que una variable se relaciona con el valor y los cambios en otra variable.

Otra forma de evaluar la relación entre dos sanables consiste en calcular el coeficiente de correlación. Esta medula expresa el grado o fuer/a de la relación lineal. Casi siempre identificado como r. el coeficiente de correlación puede ser cualquier número entre * I y I . En la figura 4.10 se ilustra cómo se observan los distintos valores de r.

Para calcular r. empleamos casi los mismos datos empleados para calcular a y h para la recta de regresión. La ecuación para re»