Resmen Captulo 4 PRONSTICO

Objetivo general y especfico Cuando termine este captulo usted podr:

Identifique o defina: Pronstico, tipos de pronsticos, tiempo horizontal, acercamientos de los pronsticos.

Describa o explique: Periodo promedio (moving average), pronostico anterior (exponential smoothing), tendencia de proyeccin (trend projection), periodo estacional (seasonality), anlisis de regresin y correlacin (regression and correlation anlisis), medidas de exactitud del pronostico ( measures of forecast accuracy). Introduccin En este captulo, examinamos diversos tipos de pronsticos y presentamos una variedad de modelos de los pronsticos. Nuestro propsito es demostrar que hay muchas maneras para que los encargados pronostiquen. Tambin se proveer una descripcin del pronstico de ventas del negocio y describimos cmo preparar, supervisar, y juzgar exactitud de un pronstico. Los buenos pronsticos son una parte esencial de operaciones eficientes del servicio y de la manufactura. El pronstico es el arte y la ciencia de acontecimientos futuros que predicen. El Pronstico Proporciona La Ventaja Competitiva De Tupperware La mayora de la gente piensa en Tupperware, ella prev los envases plsticos del alimento-almacenaje vendidos a travs de los partidos caseros. Tupperware sucede ser fabricante global acertado, con ms el de 85% de su producto, $1 mil millones en ventas fuera de los E.E.U.U. El pronstico de demanda en Tupperware es un proceso crtico, interminable. Cada uno de sus 50 centros de beneficio alrededor del mundo es responsable de automatizar proyecciones mensuales, trimestrales, y de

doce meses de las ventas. Estos pronsticos conducen la produccin en cada planta. La variedad de modelos estadsticos del pronstico usados en Tupperware incluye cada tcnica discutida en este captulo, incluyendo promedios mviles, alisar exponencial, y anlisis de la regresin. Da a da los gerentes de Tupperware toman decisiones sin saber qu suceder el futuro. Piden inventario sin saber cul sern las ventas, compran el nuevo equipo a pesar de la incertidumbre sobre la demanda para los productos, y hacen inversiones sin saber cuan favorable sea su voluntad. Proceso de manufactura en Tupperware

Que es pronostico? El pronstico es el arte y la ciencia de acontecimientos futuros que predicen. Puede implicar el tomar de data histrica y proyectarla en el futuro con una cierta clase de modelo matemtico. . Puede ser una prediccin intuitiva o subjetiva o puede ser una combinacin de ambas. Introducimos diversas tcnicas de pronstico en este captulo, se ver raramente que hay un mtodo superior. Qu trabaja lo ms mejor posible en una firma bajo un sistema de condiciones puede ser un desastre en otra organizacin, o en un departamento diferente pero de la misma organizacin. Adems hay lmites en cuanto a qu se puede esperar de pronsticos; son costosos y se pierde tiempo preparando y supervisando. Horizonte del tiempo de pronstico Generalmente un pronstico es clasificado en tres categoras: 1. Pronstico de corto alcance: Este pronstico tiene una duracin de hasta 1 ao pero es generalmente menos de 3 meses. Se utiliza para planear la compra, el programar trabajo, niveles de mano de obra, asignaciones del trabajo, y los niveles de la produccin. 2. Pronstico de mediano alcance: es de alcance intermedio, del pronstico palmos generalmente a partir de 3 meses a 3 aos. Es til en la planificacin de ventas, produccin y el presupuesto, presupuesto, y en el anlisis de algunos planes de operacin. 3. Pronstico de largo alcance; Generalmente 3 aos o ms de duracin, los pronsticos de largo alcance se utilizan en planificacin de productos nuevos, los gastos en inversin de capital, localizacin o extensin de la facilidad, e investigacin y desarrollo. Los pronsticos mediano y de largo alcance se diferencian de pronsticos de corto alcance por tres caractersticas: 1. los pronsticos duraderos se ocupan de situaciones ms comprensivas y apoyan decisiones de la gerencia con respecto a la planificacin y productos, industria, y procesos.

2. el pronstico a corto plazo emplea generalmente diversas metodologas que el pronstico de ms largo plazo. 3. los pronsticos de corto alcance tienden a ser ms exactos que los pronsticos de largo-alcance. Factores que influencian el cambio de la demanda cada da. La influencia del ciclo de vida del producto. Otro factor para considerar cuando los pronsticos de las ventas que se convierten, especialmente los ms largos, son ciclo vital del producto. La mayora de los productos acertados pasan a travs de cuatro etapas: (1) introduccin, (2) crecimiento, (3) madurez, y (4) declinacin. La Importancia Estratgica Del Pronstico Las organizaciones utilizan tres tipos importantes de pronsticos en las operaciones futuras de la planificacin: 1. Los pronsticos econmicos tratan el ciclo de negocio prediciendo tasas de inflacin, fuentes de dinero, comienzo de cubierta, y otros indicadores del planeamiento. 2. Los pronsticos tecnolgicos se refieren a los ndices del progreso tecnolgico, que pueden dar lugar al nacimiento de productos nuevos, requiriendo nuevas compaas y nuevos equipo. Los pronsticos de la demanda son proyecciones de la demanda para los productos o los servicios de una compaa. Estos pronsticos, tambin llamados los pronsticos de las ventas, conducen la produccin. El pronstico econmico y tecnolgico son tcnicas especializadas que pueden bajar fuera del gerente de operaciones.

Estrategias importantes para el forecastig Los buenos pronsticos son de importancia crtica en todos los aspectos de un negocio. Los pronsticos de la demanda conducen decisiones en muchas reas.

Miremos el impacto del producto pronosticado en tres actividades: (1) recursos humanos, (2) capacidad, y (3) gerencia de la proveer-cadena. Recursos Humanos Emplear, adiestrar, y el despido a trabajadores dependen de la demanda anticipada. Si el departamento de recursos humanos debe emplear a trabajadores adicionales sin la advertencia, la cantidad de adiestramiento declina y la calidad de la mano de obra sufre. Capacidad Cuando la capacidad es inadecuada, los resultados pueden significar entrega mala, prdida de clientes, y prdida de una parte del mercado. Cadena de fuente gerencial Las buenas relaciones del suplidor y el sobrevenir tasan las ventajas para los materiales y las piezas dependiendo de pronsticos exactos. Siete pasos en el sistema de pronstico Pronstico sigue siete pasos bsicos. Utilizaremos la corporacin de Tuperware. Determinar el uso del pronstico: Las aplicaciones de Tupperware exigen pronsticos para guiar la produccin de cada una de sus 13 plantas. Seleccionar los artculos que se pronosticarn: Para Tupperware, hay sobre 400 productos, cada uno posee SKU (unidad stock-keeping). Determinar el horizonte del tiempo del pronstico: Es el pronstico corto, medio o el largo plazo? Tupperware desarrolla los pronsticos mensuales, cada cuatro meses, y 12 meses para las proyecciones de ventas.

Seleccionar el/los modelo(s) del pronstico: Tupperware utiliza una variedad de modelos estadsticos. Recopilar los datos necesitados para hacer el pronstico: el mundo corporativo de Tupperware mantiene bases de datos enormes para supervisar la venta de cada producto. Hacer el pronstico Validar e implementar los resultados: Se aplican las medidas preventivas, los pronsticos se utilizan para itinerarios de materiales, programar el equipo y a personal en cada planta. Estos siete pasos presentan una manera sistemtica de iniciar, disear, y implementar el pronstico. FORECASTING APPROACHES Hay dos acercamientos generales al pronstico. Uno es un anlisis cuantitativo; el otro es un acercamiento cualitativo. Pronostico cuantitativo: utiliza una variedad de modelos matemticos. Los pronsticos cualitativos incorporan los factores tales como la toma de decisiones, intuicin, emociones, experiencias personales, y sistema del valor en alcanzar un pronstico.

Overview of Qualitative Methods En esta seccin, se consideran cuatro tcnicas de pronstico cualitativas: Jurado de la opinin ejecutiva: bajo este mtodo, renen las opiniones de un grupo gerencial

Staff (Administerin g survey)

Decision Makers (Evaluate responses and make decisions)

Respondents (People who can make valuable judgments)

Mtodo de Delphi: hay tres diversos tipos de participantes en este mtodo; fabricantes de decisin, equipo personal, y respondedores. Bajo este mtodo, renen las opiniones de un grupo de expertos. Compuesto de la fuerza de ventas: en este acercamiento, cada vendedor estima qu las ventas estarn en su regin. Encuesta sobre mercado de consumidor: este mtodo solicita la entrada de los clientes o de los clientes potenciales con respecto a futuros planes de compra.

Overview of Quantitive Methods Cinco mtodos cuantitativos del pronstico, que utilizan datos histricos, se describen en este captulo. Tiene dos categoras: Acercamiento ingenuo Promedios mviles Exponencial suave Proyeccin de la tendencia Regresin lineal Modelo Sociable Modelo Tiempo-Serie

Modelo Tiempo- serie: predice que el futuro es una funcin del pasado. Modelo Sociable- regresin lineal, incorpora las variables o factores que pudieron influenciar la cantidad que era pronosticada. TIME-SERIES FORECASTING Series de tiempo se basa en una secuencia (semanal, mensual, por cuartos, etc.) de los puntos de referencias uniformemente esparcidos.

Descomposition of a Time Series Analiza series de tiempo significa la subdivisin ms all de datos en componentes y despus la proyeccin de su delantero. Una serie de tiempo tiene cuatro componentes: tendencia, por un tiempo, ciclos, y variacin al azar. Naive Approach La manera ms simple de pronosticar es asumir que la demanda en el perodo de la jerarqua ser igual a la demanda en el perodo ms reciente.

La demanda del producto planeada sobre 4 aos con una tendencia y un seasonality del crecimiento indic

Demand for product or service

Trend component Seasonal peaks

Actual demand Average demand over four years

| 3 Year | 4
Figure 4.1
4 35

Random variation
| 1 | 2

2006 Prentice Hall, Inc.

Moving Average Utiliza un nmero de valores histricos de los datos para generar un pronstico. Los promedios mviles son tiles si podemos asumir que las demandas del mercado permanecern en un cierto plazo constante. Matemticamente, se expresa el promedio mvil simple (que sirve como estimacin de la demanda del perodo prximo) as:

Moving average = Demand in previous n periods n

Cuando una tendencia o un patrn perceptible est presente, los pesos se pueden utilizar para poner ms nfasis en valores recientes. Esta prctica hace tcnicas del

pronstico ms sensible a los cambios porque un perodo ms reciente hace que se cargue con mayor peso.

El peso mvil promedio se calcula as:

Weighted

(Weight for period) (Demand in period n) weights

Moving average

Los promedios mviles simples y cargados son eficaces en alisar fuera de fluctuaciones repentinas en el patrn de la demanda para proporcionar estimaciones estables. Los promedios mviles, sin embargo, presentan tres problemas 1. El aumento del tamao de n. 2. Los promedios mviles no pueden tomar bien las tendencias. 3. Los promedios mviles requieren expedientes extensos de los datos mas recientes.

El cuadro 4.2, un diagrama que ilustra el efecto del retraso del moving average model.

30 Sales demand 25 20 15 10 5 |
Figure 4.2
2006 Prentice Hall, Inc.

Weighted moving average

Actual sales Moving average

| F

| M

| A

| M

| J

| J

| A

| S

| O

| N

| D
4 47

Exponential smoothing Implica muy poco el guardar del expediente de ltimos datos. Se calcula asi:

New forecast = Last periods forecast + (last periods actual demand last periods forecast)

Donde est un peso, o alisar a la constante, que tiene un valor entre 0 y 1.

Ft = Ft-1 + (At-1 Ft-1)

La constante que alisa, , est generalmente en la gama del 05 al 50 para los usos de negocio. Puede ser cambiada para dar ms peso a los datos recientes (cuando a es alta) o ms peso a los ltimos datos.

Diferencia de

225

Demand

200

Actual demand

= .5

175

= .1
150 | 1 | 2 | 3 | 4 | 5 Quarter
2006 Prentice Hall, Inc. 4 54

| 6

| 7

| 8

| 9

Measuring Forecast Error La exactitud total de cualquier promedio de moving average del pronstico, el suavizadoe exponencial, otro-puede ser comparando los valores pronosticados con los valores reales observados. F denota el pronstico en el perodo t, y en denota la demanda real en perodo (se define el en del pronstico (o la desviacin) como: Forecast error = Actual demand Forecasat value = At Ft

Varias medidas se utilizan en la prctica de calcular el error total del pronstico. Estas medidas conservan utilizado comparar diversos modelos del pronstico, tan bien como supervisar pronsticos para asegurar que se estan haciendo bien.

Mean Absolute Deviation: La primera medida del error total del pronstico para un modelo es la desviacin absoluta (MAD). Este valor es computado:

MAD = |Actual - Forecast| N Mean Squared Error: El error ajustado malo (MSE) es una segunda manera de medir el o\er, error del pronstico. MSE es el promedio de las diferencias ajustadas entre haber pronosticado y observa valores. Su frmula es:

MSE = (Forecast errors) n Mean absolute percent error: Un problema con el ME y el MSE es que sus valores dependen de la magnitud del artculo que es pronosticado. Se calcula asi:

n MAPE = 100 | Actual i Forecast i|/Actual i

i=t

Exponential Smoothing with Trend Adjustment Porque el alisar exponencial es un acercamiento que modela tan popular en negocio, mirmoslo ms detalladamente. Aqu es porqu el alisar exponencial debe ser modificado cuando una tendencia est presente. Mejoremos nuestro pronstico, ilustran un modo que mejora el exponencial ms complejo, uno que ajuste segn tendencia.

Month(t) Month( 1 2 3 4 5 6 7 8 9 10
Table 4.1
2006 Prentice Hall, Inc.

Actual Demand (At) 12 17 20 19 24 21 31 28 36

Smoothed Forecast, Ft 11

Smoothed Trend, Tt 2

Forecast Including Trend, FITt 13.00

4 65

La idea es computar un promedio exponencial mejorado de los datos y despus ajustar para que haya positivo o el retraso negativo en tendencia. La frmula es:

Forecast including trend (FITt) = Exponentially smoothed forecast (Ft) + Exponentially smoothed trend (Tt)

Con mejorar el exponencial de la tendencia ajustada, las estimaciones para el promedio y la tendencia se alisan. Este procedimiento requiere dos constantes que mejoran, para el promedio y el para la tendencia. Despus computamos el promedio y tendemos cada perodo. La formula es asi: Ft = (Actual demand last period) + (1- ) (Forecast las period + estimate last period)

Month(t) Month( 1 2 3 4 5 6 7 8 9 10
Table 4.1
2006 Prentice Hall, Inc.

Actual Demand (At) 12 17 20 19 24 21 31 28 36

Smoothed Forecast, Ft 11

Smoothed Trend, Tt 2

Forecast Including Trend, FITt 13.00

4 65

Month(t) Month( 1 2 3 4 5 6 7 8 9 10
Table 4.1
2006 Prentice Hall, Inc.

Actual Demand (At) 12 17 20 19 24 21 31 28 36

Smoothed Forecast, F t 11

Smoothed Trend, T t 2

Forecast Including Trend, FITt 13.00

Step 1: Forecast for Month 2 F2 = A1 + (1 - )(F1 + T1) F2 = (.2)(12) + (1 - .2)(11 + 2) = 2.4 + 10.4 = 12.8 units
4 66

Month(t) Month( 1 2 3 4 5 6 7 8 9 10
Table 4.1
2006 Prentice Hall, Inc.

Actual Demand (At) 12 17 20 19 24 21 31 28 36

Smoothed Forecast, Ft 11 12.80

Smoothed Trend, Tt 2

Forecast Including Trend, FITt 13.00

Step 2: Trend for Month 2 T2 = (F2 - F1) + (1 - )T1 T2 = (.4)(12.8 - 11) + (1 - .4)(2) = .72 + 1.2 = 1.92 units
4 67

Month(t) Month( 1 2 3 4 5 6 7 8 9 10
Table 4.1
2006 Prentice Hall, Inc.

Actual Demand (At) 12 17 20 19 24 21 31 28 36

Smoothed Forecast, F t 11 12.80

Smoothed Trend, T t 2 1.92

Forecast Including Trend, FITt 13.00

Step 3: Calculate FIT for Month 2 FIT2 = F2 + T1 FIT2 = 12.8 + 1.92 = 14.72 units
4 68

35 30 Product demand 25 20 15 10 5 0 | 1
2006 Prentice Hall, Inc.

Actual demand (At)

Forecast including trend (FITt)

| 2

| 3

| | | 4 5 6 Time (month)

| 7

| 8

| 9

Figure 4.3
4 70

Trend Projections Esta tcnica ajusta una tendencia lineal en una serie de puntos histricos y despus proyecta la lnea en los pronsticos futuros de los pronosticos mediano a largo estado. Se pueden desarrollar varias ecuaciones matemticas de la tendencia.

Metodos cuadrados reduce al mnimo la suma de los errores ajustados (desviaciones).

Values of Dependent Variable

Actual observation (y value)

Deviation5 Deviation3

Deviation7

Deviation6

Deviation4 Deviation1

Deviation2

^ Trend line, y = a + bx

Time period
2006 Prentice Hall, Inc.

Figure 4.4
4 72

Ecuacin para calcular las variables de regresin:

^ y = a + bx

b=

xy - nxy x2 - nx 2

a = y - bx

2006 Prentice Hall, Inc.

4 74

Notas al usar el metodo de least quarter: implicar utilizar tres requerimientos: 1. trazar los datos para asegurar una regresion lineal 2. no predecir perodos ms all de la base de datos 3. Las desviaciones alrededor de la lnea se asumen al azar ejemplo

160 150 140 130 120 110 100 90 80 70 60 50

Trend line, ^ y = 56.70 + 10.54x

Power demand

| 1999

| 2000

| 2001

| 2002

| 2003 Year

| 2004

| 2005

| 2006

| 2007
4 77

2006 Prentice Hall, Inc.

Seasonal Variation in Data Movimientos ascendentes o ascendentes en una serie de tiempo que atan los eventos que se repiten. El modelo estacional multiplicativo puede modificar datos de la tendencia para acomodar variaciones estacionales en la demanda. Pasos que siguen las compaas en sesiones mensuales: 1. Encontrar la demanda histrica mediana para cada clculo de la estacin. 2. Computar la demanda promedio sobre la estacin. 3. Computar el ndice estacional para cada estacin. 4. Estimar la demanda total para el siguiente ano.

dividir el total de la demanda estimada por el numero de la estacin y se multiplica por el ndice estacional para esa estacin

ejemplo:

140 130 Demand 120 110 100 90 80 70 | J | F | M | A | M | | J J Time | A | S

2006 Forecast 2005 Demand 2004 Demand 2003 Demand

| O

| N

| D
4 84

2006 Prentice Hall, Inc.

ASSOCIATIVE FORECASTING METHODS: REGRESSION AND CORRELATION ANALYSIS Se utiliza cuando los cambios en una o mas variables independientes se pueden utilizar para predecir los cambios en las variables dependientes.

Using regresin anlisis to forecast Se puede utilizar el mismo modelo matematico que empleamos el el least squares method of trend projection. = a + bx .

Ejemplos:

Sales

Sales ($000,000), y 2.0 3.0 2.5 2.0 2.0 3.5

Local Payroll ($000,000,000), x 1 3 4 4.0 2 1 3.0 7

2.0 1.0 0 | 1 | 2 | | | | 3 4 5 6 Area payroll | 7

2006 Prentice Hall, Inc.

4 89

^ y = 1.75 + .25x .25x If payroll next year is estimated to be $600 million, then: Sales = 1.75 + .25(6) Sales = $325,000

Sales = 1.75 + .25(payroll) .25(payroll)

4.0 Sales 3.25 3.0 2.0 1.0 0 | 1 | 2 | | | | 3 4 5 6 Area payroll | 7
4 92

2006 Prentice Hall, Inc.

Standard Error of the Estimate El pronstico es el punto estimado del valor futuro. Este punto es el medio de una distribucin de la probabilidad.

4.0 Sales 3.25 3.0 2.0 1.0 0 | 1 | 2 | | | | 3 4 5 6 Area payroll | 7

Figure 4.9
2006 Prentice Hall, Inc. 4 93

Ecuacin: Sy,x = (x-yc) n-2

Ecuacin: Sy,x = y-ay-bxy

4.0 Sales 3.25 3.0 2.0 1.0 0 | 1 | 2 | | | | 3 4 5 6 Area payroll | 7

n-2

2006 Prentice Hall, Inc.

4 96

Correlation Coefficients for Regresin Lines la ecuacin de la regresin es una forma de expresar la naturaleza de la relacin entre dos variables. No tienen causa y efecto. Se identifica la r como coeficiente de correlacion . Para computar r se utiliza la siguiente ecuacin:

r=

nxy-xy [nx-(x)][ny-(y)]

(a)

Perfect positive correlation: r = +1

(b) Positive correlation: 0<r<1

(c) No correlation: r=0

2006 Prentice Hall, Inc.

(d) Perfect negative x correlation: r = -1

4 99

Multiple-Regression Anlisis Un mtodo causal del pronstico con ms de una variable independiente. Permite que construyamos un modelo con varias variables independientes en vez de utilizar una variable.

Se utiliza la siguiente ecuacin: = a + b1x1 +b2x2

MONITORING AND CONTROLLING FORECASTS Si un pronostico se a determinado, no debe ser olvidado. Ningun gerencial desea recordar que su pronostico no es exacto. Tracking signal: medias que se hacen en el pronostico para predecir los valores actuales. El Tracking signal se calcula asi:

(Tracking signal) = RSFE MAD = (Actual demand in period i Forecast demand in period i) MAD MAD = |Actual Forecast| N

Signal exceeding limit Tracking signal + 0 MADs Upper control limit Acceptable range

Lower control limit Time

2006 Prentice Hall, Inc.

4 105

Adaptive Smoothing Un acercamiento al pronstico que mejora el exponencial en el cual la constante que mejora se cambia automticamente a los errores de la subsistencia mnima. Es posible utilizar la computadora para supervisar el error del pronstico y ajustar continuamente los valores de la a y los coeficientes de b usados en mejorar el exponencial para reducir al mnimo error del pronstico. Focus Forecasting Se adapta eligiendo una constante las computadoras permiten que intentemos hacer una variedad de modelos del pronstico. El focus forecasting esta basado en dos principios: 1. Los modelos sofisticados del pronstico no son siempre mejores que los modelos simples.

2. No hay tcnicas que se deben utilizar para todos los productos o servicios

FORECASTING IN THE SERVICE SECTOR El pronostico presenta desafos inusuales. La principal necesidad de las ventas al por menor son los expedientes a corto plazo. Las diferentes necesidades como funcin de la industria y del producto. Das festivos y otros das en el calendario y eventos inusuales.

Fast Food Restaurant Forecast

Percentage of sales

20% 15% 10% 5%

11-12 11-

1-2 12-1 12(Lunchtime)

2-3

3- 4

7-8 6-7 (Dinnertime) Hour of day 4-5

5-6

8-9

9-10

10-11 10-

Figure 4.12
4 111

2006 Prentice Hall, Inc.

Resumen El pronstico tiene una funcin importante en los gerentes. La demanda de pronstico conduce a una firma de produccin, capacidad y sistema de itinerario y efecto financiero, mercado y la funcin del personal de produccin.

Conclusin Con las diferentes variables que existen para realizar el pronstico en las empresas su funcionamiento puede ser efectivo. Los gerentes deben conocer cual es la demanda del producto para as poder saber con que cuenta en su inventario y as poder planificar su produccin, mercadeo, gastos/costos, etc. Si las diversas ecuaciones matemticas se utilizan adecuadamente la produccin de la compaa ser efectiva.

REFERENCIA

Heizer Jay, Gerencia de Operaciones 8va edicin Resumen por YatmarieNegrn Ocasio