1.8 Pronostico - 21 - 05 - 13 Enviar

Pronsticos En Ventas
Oscar Fdo. Guzmn Quintero

Msc. Administracin (E) Esp. Asesora y Consultora de Organizaciones Ing. Industrial Ing. de Materiales Auditor Certificado
25/06/2013
Todos los derechos reservados
Definicin General
Arte y ciencia de
predecir eventos futuros.

25/06/2013 Todos los derechos reservados 2
Definiciones
Pronstico: Estimacin de un acontecimiento futuro, con datos del pasado (usados de manera sistemtica). Prediccin: Estimacin de un suceso futuro basndose en consideraciones subjetivas.
25/06/2013 Todos los derechos reservados
Para nuestro caso determinar la Demanda

3
Utilidad de los pronsticos

Proyectar
Personal.(La contratacin, la capacitacin y el despido) Capacidad de planta. (Exceso incurre en costos (Niveles de inventario) y por debajo puede generar, los faltantes, entregas poco confiables, prdida de clientes y prdida de la participacin en el mercado) Estrategias de distribucin (las ventajas de precio en compra de materiales y suministros)
Todos los derechos reservados 4
25/06/2013
El efecto de la sobre o subestimacin de la demanda

Cantidad Sobre estimacin Costos: por inventarios, por capacidad ociosa, Demanda real Subestimacin Costos: de calidad, perdida de clientes, imagen, mercado
Tiempo
Horizontes de tiempo del pronstico

1. Pronstico a corto plazo:
Rango (0-3 meses puede llegar a 1 ao). Uso: Planear las compras, programar el trabajo, determinar niveles de mano de obra, asignar el trabajo, y decidir los niveles de produccin. Rango: (3 meses a 3 aos) Uso: Planear las ventas, la produccin, el presupuesto y el flujo de efectivo, as como para analizar diferentes planes operativos.
2. Pronstico a mediano plazo:
3. Pronstico a largo plazo:
Rango: (mayor o igual a 3 aos) Uso: Planear la fabricacin de nuevos productos, gastos de capital, ubicacin o expansin de las instalaciones, y para investigacin y desarrollo.
25/06/2013
Para realizar un pronostico De ventas se debe conocer

Comportamiento De La Demanda
Conceptos relacionados con La Demanda

Demanda: Nmero de cantidades de un servicio o un bien, que los consumidores estn dispuesto a adquirir, para satisfacer sus necesidades, durante un periodo de tiempo especifico y bajo un conjunto dado de condiciones.
Tiempo: ao, meses, semanas, das, Condiciones: precio del producto, ingresos de los consumidores, precios de productos relacionado, gustos, economa,

Clasificaciones de la demanda: 1. Por su Dependencia:
Demanda Independiente: La demanda del producto no esta relacionada con la demanda de algn otro producto. Demanda Dependiente: La demanda del producto esta relacionada con la demanda de uno o mas productos. Insatisfecha Satisfecha
2.
Por su Oportunidad
Saturada Insaturada
25/06/2013
10

Clasificaciones de la demanda: 3. Por su Necesidad 4. Por su Temporalidad
Bsica. Suntuaria.
Continua (permanente) Cclica o estacional (no permanente)

25/06/2013

Clasificaciones de la demanda: 5. Por su Destino 6. Por su Probabilidad
Final (PF). Intermedia (PI).
Efectiva o real Potencial (se puede volver real) Aparente (no existe certeza)
25/06/2013
Comportamiento del consumidor

Mercado
Mercado
Posibles Compradores Lo que puedo tener
Mi Producto
25/06/2013
14
Demanda y Oferta
25/06/2013
15
Criterios de Segmentacin
25/06/2013
16
Ciclo del producto

Ciclo de vida del Producto

Best period to Introduccin increase market Practical to change Crecimiento price or quality Poor time to Madurez change image,
Declinacin critical
Cost control
25/06/2013
Estrategia de la compaia
18
Demanda en produccion
Gestin de La Demanda de un Producto

Demanda Independiente: Productos terminados A Demanda Dependiente: Materia prima, Suministros, Sub-ensambles, etc.
B(4)
C(2)
D(2)
E(1)
D(3)
F(2)
25/06/2013
20
Situacion economica y politica del pais

Ciclo econmico
25/06/2013
22
Flujo circular de la renta
Variable econmicas
Situaciones Polticas
25/06/2013
24
Metodos de Pronostico
Mtodos de Pronstico
Existen dos tipos:
Mtodos Cualitativos: son aquellos que dependen de juicios. Mtodos Cuantitativos: son aquellos que poseen un modelo subyacente.
Los datos y patrones de datos se utilizan como indicadores confiables para predecir el futuro. Incluyen Series de Tiempo y Modelos Causales.
25/06/2013
26
Clasificacin de Los Mtodos de Pronstico

Cualitativos (subjetivos)
1. 2. 3. 4. 5. 1. Jurado de opinin ejecutiva. Mtodo Delphi. Composicin de la fuerza de ventas Mtodos basados en encuestas de mercado. Pronsticos del producto nuevo. Series de tiempo 1.1 Enfoque intuitivo 1.2 Promedios mviles simple 1.3 Promedios mviles ponderado 1.4 Suavizacin exponencial 1.5 Suavizamiento exponencial con ajuste de tendencia 1.6 Proyeccin de tendencias (lneal y curvilnea) 1.7 Variaciones estacionales Causales o asociativos. 2.1 Regresin Lineal y Curvilnea (X diferente a tiempo) 2.2 Economtricos. 2.3 Simulacin 2.4 Otros Medicin de Error de Pronstico
27
Mtodos de pronsticos
Cuantitativos (objetivos)
2.
25/06/2013
Seguimiento Modelo Pronstico Todos los derechos reservados
Imprecisiones de los pronsticos

Casi nunca son perfectos (no tiene en cuenta factores externos no predecibles). La mayora de las tcnicas de pronstico suponen la existencia de cierta estabilidad.
25/06/2013
28
Cual Metodo de Pronostico utilizar?

Cul modelo emplear Depende de:

Cualitativos Cuantitativos
1. El horizonte de tiempo que se va a pronosticar. (t) 2. La disponibilidad de los datos. (DATA) 3. La precisin requerida. (Error de pronstico) 4. El tamao del presupuesto de pronstico. ($) 5. La disponibilidad de personal calificado. (C)
En la practica se combinan ambos

Usos de los Mtodos de Pronstico

Usos
25/06/2013
32
pasos en la elaboracion de un pronostico

7 pasos en la elaboracin de un pronstico

1. 2. 3. 4. 5. 6. 7. Determinar el uso del pronstico (contratar personal, capacidad, gestin logstica, mantenimiento,) Seleccionar los aspectos que se deben pronosticar: ventas, asistencias de personas, afectan capacidad, mantenimiento Determinar el horizonte de tiempo del pronstico: CP, MP y LP Seleccionar los modelos de pronstico: Cualitativo, cuantitativo o cualicuanti Recopilar los datos necesarios para elaborar el pronstico: informacin primaria, secundaria o ambas Realizar el pronstico: calcular, correr en un simulador o software Validar e implementar los resultados: Aplicar medidas de error.
25/06/2013
Mtodos Cualitativos

1. 2. 3. 4. 5. 1. Jurado de opinin ejecutiva. Mtodo Delphi. Composicin de la fuerza de ventas Mtodos basados en encuestas de mercado. Pronsticos del producto nuevo. Series de tiempo 1.1 Enfoque intuitivo 1.2 Promedios mviles simple 1.3 Promedios mviles ponderado 1.4 Suavizacin exponencial 1.5 Suavizamiento exponencial con ajuste de tendencia 1.6 Proyeccin de tendencias (lineal y curvilnea) 1.7 Variaciones estacionales Causales o asociativos. 2.1 Regresin Lineal y Curvilnea (X diferente a tiempo) 2.2 Economtricos. 2.3 Simulacin 2.4 Otros Medicin de Error de Pronstico
36
2.
25/06/2013
Mtodos Cualitativos
Caractersticas Generales:
Se posee poca informacin. Existe alta incertidumbre. Se tiene escaso control del proceso. Horizonte de mediano o largo plazo.
25/06/2013
37
Mtodos cualitativos
Usos:
Desarrollo de nuevos productos Desarrollo de nuevas tecnologas Intuicin Experiencia Emociones Sistema de tradiciones
38
Aplican:
Ej: Ventas por internet

25/06/2013
Recomendaciones
Utilizar un lenguaje sencillo. Claridad en las preguntas. Emplear los trminos adecuados. Facilitar la memoria con preguntas del pasado ms inmediato. Evitar la realizacin de clculos. Evitar preguntas que puedan implicar respuestas condicionadas. Preguntas lo ms cortas posibles. Evitar preguntas implcitas en otras (salvo preguntas de control). El orden de las preguntas no debe condicionar las respuestas. Emplear un orden lgico en las preguntas
25/06/2013
Tipos de preguntas
Abiertas. Cerradas. Semicerradas o semiabiertas. Introductivas. Seleccin mltiple. Seleccin nica. De valoracin. De recuerdo o memoria. De control De relajacin Otras
25/06/2013
Tcnica: Jurado de opinin ejecutiva
Cualitativo
25/06/2013
41
Tcnica: Jurado de opinin ejecutiva

Toma en cuenta la opinin de un pequeo grupo de administradores de alto nivel para obtener una estimacin grupal de la demanda. A menudo en combinacin con modelos estadsticos Ej: tendencia futura en la investigacin medica
Tcnica: Jurado de opinin ejecutiva Fases

Fase 1: formulacin del problema. Fase 2: eleccin de ejecutivos expertos. Fase 3: diseo, elaboracin y prueba de los del cuestionario. Fase 4: aplicacin de cuestionarios. Fase 5: recoleccin, tabulacin, anlisis de la informacin. Fase 6: Presentacin de la informacin.
25/06/2013
Cualitativo
Tcnica: Mtodo Delphi
25/06/2013
44

Emplea un proceso grupal con el fin de que los expertos puedan hacer pronsticos. Panel de expertos requiere interactividad. Hay tres tipos de participantes:
Los que toman las decisiones (expertos 5 a 10). El personal apoyo (Disear cuestionario, validar, distribuir, recopilar y analizar) Y los entrevistados (personas heterogneas y de diferentes lugares).
25/06/2013
45

Caractersticas Se usa en la introduccin de nuevos productos y cambios tecnolgicos. Es regular en exactitud y puntos de cambio. Posee un costo mediano o alto. Anonimato (disminuir influencia) Se pueden manejar varias rondas. Se presentan los resultados estadsticamente. Se pueden realizar varias rondas.
Fase 1: formulacin del problema. Fase 2: eleccin de expertos. Fase 3: diseo, elaboracin y prueba de los de los cuestionarios. Fase 4: aplicacin de cuestionarios. Fase 5: recoleccin, tabulacin, anlisis de la informacin. Fase 6: Presentacin de la informacin.
Fases

Ejemplo: Empresa que requiere pronstico de ventas a 5 aos y que posee una baja capacidad, lo que hace difcil usar ventas como informacin de demanda. Participacin de 23 ejecutivos. Datos: Indicadores econmicos, ventas del sector y ventas de la empresa por 5 aos. Varias preguntas para obligar a pensar en relaciones. Resultado: Mucha dispersin al comienzo, pero se convergi a un buen pronstico.
Tcnica: Composicin de la fuerza de ventas
Cualitativo
25/06/2013
49
Tcnica: Composicin de la fuerza de ventas o pronsticos visionarios

Estimaciones de las ventas esperadas por parte de los vendedores.
Cada vendedor determina cuanto vender en su zona. Se recopila la informacin. Se realiza un pronostico global para la compaa.
Se puede hacer trimestral el anlisis (puede preguntar otras cosas: ejm, porqu estn disminuyendo las ventas)
Tcnica: Encuesta en el mercado de consumo
Cualitativo
25/06/2013
51

Solicita informacin a los clientes o posibles consumidores en relacin con sus planes de compra futuros. Puede ayudar no slo a preparar el pronstico, sino tambin a mejorar el diseo del producto y la planeacin de nuevos productos.

Encuestas de Mercado : Caractersticas Tpicamente se usan para probar nuevos productos. Son buenos a corto plazo. Poseen un alto costo. Permiten identificar puntos de cambio
Cualitativo
Tcnica: Analoga a los Ciclos de Vida
25/06/2013
54

Analoga a los Ciclos de Vida: Qu es: Consiste en identificar en que fase de su vida se encuentra un producto, para esto se analizan las curvas de crecimiento de productos similares.
25/06/2013
55

Analoga a los Ciclos de Vida: Fases Introduccin. Crecimiento. Maduracin. Saturacin. .

3. Analoga a los Ciclos de Vida: Ejemplos Video juegos. Producto de entretenimiento. .
Cualitativo
Tcnica: Otros
25/06/2013
58
Otras tcnicas
Mtodos de los escenarios o planeacin por escenarios. .
25/06/2013
59
Mtodos Cuantitativos

61
2.
25/06/2013
Mtodos cuantitativos
Usos:
Demanda de productos existente. Compra de tecnologas. Tcnicas matemticas. Tcnicas estadsticas.
Aplica:
Ej: Entradas a un parque de diversin

Dos citas famosas:

Nunca podrs planear el futuro a partir del pasado. Sir Edmund Burke No conozco otra forma de juzgar el futuro sino a partir del pasado. Patrick Henry
Pronsticos cuantitativos
Pronsticos que emplean uno o ms modelos matemticos basados en datos histricos y/o en variables causales para pronosticar la demanda.
Modelos de Series de tiempo Modelos Causales o asociativos
25/06/2013
64
Cuantitativo
Modelos de Series de tiempo
25/06/2013
65
Series de tiempo
Tcnica de pronstico que usa una serie de datos puntuales del pasado para realizar un pronstico. Predicen bajo supuestos del pasado
25/06/2013
66
Cuatro Componentes se deben tener claros en La Serie de tiempo

Tendencia (Trend)
Las Series de tiempo tiene 4 Componentes
Ciclos (Cyclical)
Estacionalidad (Seasonal)
25/06/2013 Todos los derechos reservados
Variaciones Aleatorias (Random)

67
Cuatro Componentes de La Serie de tiempo

Componente de la tendencia Demanda del producto Picos estacionales
Lnea de demanda actual Promedio de demanda en 4 aos Variacin aleatoria | 1 | 2 | 3 | 4

68
25/06/2013
Tiempo (Aos)
Serie de tiempo
1. Tendencia: es el movimiento gradual, hacia arriba, constante o hacia abajo. (se observa mediante la graficacin de una lnea recta o una curva suave). Afectado por cambios en:

25/06/2013
Ingresos. Poblacin. Ciclos vitales. Culturales. Tecnologa. Otros.
Decreciente
Sostenido
Creciente
69
Serie de tiempo
2. Estacionalidad: Es un patrn de datos que se repite despus de un periodo de das, semanas, meses o trimestres (fluctuaciones o cambios peridicos en un ao) Afectado por:

25/06/2013
Clima. Eventos especiales. Tradiciones culturales. Otros.
70
Serie de tiempo
3. Ciclos: Son patrones, detectados en los datos, que ocurren cada cierta cantidad de aos (Largo Plazo). Usualmente estn sujetos al ciclo econmico de un pas y son de gran importancia para el anlisis y la planeacin. Afectado por ciclos:

25/06/2013
Del negocios. Polticos. Econmicos. Otros.
Fciles de asociar a un evento de estos.

Serie de tiempo
3. Variaciones aleatorias: Son seales generadas en los datos por casualidad o por situaciones inusuales. No siguen ningn patrn discernible y, por lo tanto, no se pueden predecir. Afectaciones posibles:
Azar. Acumulacin de emociones.
Corta duracin y no se repite peridicamente

Series de tiempo general

Los modelos a corto plazo (0-3 meses puede llegar a 1 ao) compensan la variacin aleatoria y son ms sensibles a los cambios del mercado. Los pronsticos a mediano plazo (3 meses a 3 aos) son tiles para detectar efectos estacionales, Los modelos a largo plazo (mayor o igual a 3 aos) detectan las tendencias y son muy tiles para identificar los cambios ms importantes.
Modelos de Series de tiempo Enfoque intuitivo o mtodo ingenuo
Cuantitativo
25/06/2013
74
Enfoque intuitivo o mtodo ingenuo

Asume la demanda en el periodo prximo igual al anterior.
Ejemplo, si las ventas de celulares de enero fueron 68, entonces las ventas de febrero ser de 68 A veces, rentable y eficiente Puede ser un buen punto de partida
25/06/2013
75
Cuantitativo
Modelos de Series de tiempo Promedios mviles simple
25/06/2013
76
Promedios mviles simple

Utiliza un promedio de los n periodos ms recientes de datos para pronosticar el siguiente periodo. Serie de medias aritmticas. Se utiliza con poca o ninguna tendencia. Se utiliza a menudo para suavizar. Proporciona impresin general de los datos a travs del tiempo.
Promedio Mvil= demandad en los n periodos previos n
25/06/2013
77
Promedios mviles simple

Mes Enero Febrero Marzo Abril Mayo Junio Julio
25/06/2013
Ventas reales 10 12 13 16 19 23 26
Promedio mvil para 3 periodos (meses)
(10 + 12 + 13)/3 = 11 2/3 (12 + 13 + 16)/3 = 13 2/3 (13 + 16 + 19)/3 = 16 (16 + 19 + 23)/3 = 19 1/3
= 11,67 = 13,67 = 16 = 19,33

78
Grafico de Promedios mviles

30 28 26 24 22 20 18 16 14 12 10 Pronstico promedios mviles Ventas reales Demanda de ventas
25/06/2013
| E
| F
| M
| A
| M
| J
| J
| A
| S
| O
| N
| D
79
Cuantitativo
Modelos de Series de tiempo Promedio mvil ponderado
25/06/2013
80
Promedio mvil ponderado

Se utiliza cuando se presenta una tendencia o un patrn localizable. Pueden utilizarse ponderaciones para dar ms nfasis a los valores recientes (ms sensibilidad). Los datos ms antiguos por lo general son menos importantes.
(Ponderacin para el periodo n) x (demanda en el periodo n) Ponderaciones
Los pesos o ponderacin son basados en la experiencia y la intuicin
Promedio mvil ponderado =
25/06/2013
81

Mes Ventas reales
Ponderacin aplicada 3 2 1 6
Periodo ltimo mes Hace dos meses Hace tres meses Suma de ponderaciones
Promedio mvil ponderado para 3 periodos (meses)
Enero Febrero Marzo Abril Mayo Junio Julio

25/06/2013
10 12 13 16 19 23 26
[(3 x 13) + (2 x 12) + (10)]/6 = 121/6 [(3 x 16) + (2 x 13) + (12)]/6 = 141/3 [(3 x 19) + (2 x 16) + (13)]/6 = 17 [(3 x 23) + (2 x 19) + (16)]/6 = 201/2
Otra forma
Ft = w1A t-1 + w 2 A t-2 + w 3A t-3 +...+w n A t-n
w
i=1
=1
Semana Demanda Pronstico 1 650 2 678 3 720 4 693,4
F4 = 0.5(720)+0.3(678)+0.2(650)=693.4
Inconvenientes al emplear los promedios mviles

1. Al aumentar el tamao de n (el nmero de periodos promediados) suaviza de mejor manera las fluctuaciones, pero hace que sea menos sensibilidad a los cambios. 2. No reflejan muy bien las tendencias. (por ser promedio, no predicen los cambios hacia niveles ms altos ni ms bajos). 3. Requieren amplios registros de datos histricos.
Demanda real contra mtodos de promedios mviles y promedios mviles ponderados

30 Demanda en ventas 25 20 15 10 5 | E
25/06/2013
Ventas reales Promedio mvil
| F
| M
| A
| M
| J
| J
| A
| S
| O
| N
| D
85
Cuantitativo
Modelos de Series de tiempo Suavizamiento exponencial
25/06/2013
86
Suavizamiento exponencial
Tcnica de pronstico de promedios mviles ponderados donde los datos se ponderan mediante una funcin exponencial . Uso: planeacin y control de inventarios. (se incorpora mucho en los software de Pronsticos) Ventaja: Se requieren pocos datos histricos. Premisa:
Los datos ms recientes pueden predecir mejor el futuro. La importancia de los datos disminuye conforme el pasado se vuelve ms distante. Nuevo pronstico = Pronstico del periodo anterior + (Demanda real del mes anterior Pronstico del periodo anterior)
Las tcnicas de suavizacin exponencial se han aceptado en forma generalizada por seis razones principales: 1. Los modelos exponenciales son sorprendentemente precisos. 2. Formular un modelo exponencial es relativamente fcil. 3. El usuario puede entender cmo funciona el modelo. 4. Se requieren muy pocos clculos para utilizar el modelo. 5. Los requerimientos de almacenamiento en la computadora son bajos debido al uso limitado de datos histricos. 6. Es fcil calcular las pruebas de precisin relacionadas con el desempeo del modelo.
Nuevo pronstico = Pronstico del periodo anterior + (Demanda real del mes anterior Pronstico del periodo anterior)
Ft = Ft 1 + (At 1 - Ft 1)
donde Ft = Ft 1 = = At 1 = nuevo pronstico pronstico del periodo anterior constante de suavizamiento (o ponderacin) (0 1) demanda real en el periodo anterior
25/06/2013
89
Pronstico del periodo anterior = 142 carros Demanda real en el periodo anterior = 153 Constante de Suavizacin = 0.20 Nuevo pronstico = 142 + 0.2(153 142) = 144.2 144 carros Ft = Ft 1 + (At 1 - Ft 1)
Constante de Suavizacin
Se encuentra generalmente entre 0.05 a 0.50 para aplicaciones en negocios. Puede cambiarse para dar ms peso a datos recientes (cuando es alta) o ms
peso a datos anteriores (si es baja).
Con = 1 (extremo), entonces, Ft = Ft 1 + (At 1 - Ft 1) Ft = 1.0At 1 (modelo idntico al mtodo intuitivo)
Con =
25/06/2013
Con = 0.1 (mnimo), el pronstico pone poco peso en la demanda reciente y toma en cuenta los valores histricos de muchos periodos (casi 19).
Cuando = 0.5 (medio), el nuevo pronstico se basa casi por completo en la demanda de los ltimos tres o cuatro periodos.
0 (nulo), el pronstico es igual a lo pronosticado el mes anterior.

91
Seleccin de la constante de suavizamiento

Ponderacin asignada a
Periodo ms Constante de reciente suavizamiento ()
Casi igual peso
2do periodo ms reciente (1 - ) 0.09 0.25
3er periodo ms reciente (1 - )2 0.081 0.125
4to periodo ms reciente (1 - )3 0.073 0.063
5to periodo ms reciente (1 - )4 0.066 0.031
= .1 = .5
0.1 0.5
Ms peso a los cercanos
25/06/2013
92

La razn por la que se llama suavizacin exponencial es que cada incremento en el pasado se reduce (1 ). Por ejemplo, si es 0.05, las ponderaciones para los distintos periodos seran las siguientes ( se define a continuacin):
25/06/2013
93

De la eleccin del coeficiente depende la precisin del pronostico. Se eligen valores altos de cuando el promedio tiene probabilidades de cambiar (ms sensible). Se emplean valores bajos de cuando el promedio en que se basa es bastante estable.
Impacto del coeficiente Suavizamiento exponencial 225

Demanda 200
Demanda actual = .5
= Mayor, cuando es probable que cambie la demanda y menor cuando es menos probable.
175
= .1
150 | 1
25/06/2013
| 2
| 3
| 4
| 5 mes
| 6
| 7
| 8
| 9
95
Impacto del coeficiente Suavizamiento exponencial
25/06/2013
96
Impacto del coeficiente Suavizamiento exponencial

La suavizacin exponencial simple tiene la desventaja de retrasar los cambios en la demanda. Cuando se presenta un cambio brusco esta se dispara. Se retrasa durante un incremento o un decremento pero se dispara cuando ocurre un cambio en la direccin.
Cuantitativo
Modelos de Series de tiempo Suavizamiento exponencial con ajuste de tendencia
25/06/2013
98
Suavizamiento exponencial con ajuste de tendencia

Las tcnicas presentadas hasta el momento, falla en su capacidad de respuesta a las tendencias. El suavizamiento exponencial debe modificarse cuando est presente una tendencia. El Suavizamiento exponencial con ajuste de tendencia permiten mejorar esta situacin

Con la tcnica anterior, En la tabla siguiente se muestra un retraso considerable en los meses 2, 3, 4 y 5
No Ajusta a la tendencia
25/06/2013
100

Formula
Formula de suavizado para tener en cuenta y suavizar la tendencia y el promedio
Pronstico incluyendo la tendencia (FITt) = Pronstico suavizado + exponencialmente (Ft) Tendencia suavizada exponencialmente (Tt)
FITt = Ft + Tt

Formula FITt = Ft + Tt
Este procedimiento requiere dos constantes de suavizamiento: Para el promedio (alfa). y para la tendencia (beta).

Formula
Ft = pronstico suavizado exponencialmente de la serie de datos incluidos en el periodo t.
Ft = (Demanda real del ltimo periodo) + (1 )(Pronstico del ltimo periodo + Tendencia estimada para el ltimo periodo)
Ft = (At - 1) + (1 - )(Ft - 1 + Tt - 1)
At-1 = demanda real en el periodo t = constante de suavizamiento para el promedio (0 1)
Suavizamiento exponencial con ajuste de tendencia Formula

Tt = tendencia suavizada exponencialmente en el periodo t
Tt = (Pronstico de este periodo Pronstico del ltimo periodo + (1 )(Tendencia estimada para el ltimo periodo)
Tt = (Ft - Ft - 1) + (1 - )Tt - 1
= constante de suavizamiento para la tendencia (0 1)
Suavizamiento exponencial con ajuste de tendencia Pasos

Ft = (At - 1) + (1 - )(Ft - 1 + Tt - 1) Tt = (Ft - Ft - 1) + (1 - )Tt - 1
Paso 1: Calcule Ft Paso 2: Calcule Tt Paso 3: Calcule el pronstico FITt = Ft + Tt

Mes (t) 1 2 3 4 5 6 7 8 9 10
25/06/2013
Demanda Real(At) 12 17 20 19 24 21 31 28 36
Pronstico suavizado, Ft 11
Tendencia suavizada, Tt 2
Pronstico incluyendo la tendencia, FITt 13.00
= .2 y = .4
106

Mes (t) 1 2 3 4 5 6 7 8 9 10
25/06/2013
Demanda Real(At) 12 17 20 19 24 21 31 28 36
Pronstico suavizado, Ft 11
Paso 1: Pronostique para el mes 2: F2 F2 = A1 + (1 - )(F1 + T1) = (.2)(12) + (1 - .2)(11 + 2) = 2.4 + 10.4 = 12.8 unidades
107

Mes (t) 1 2 3 4 5 6 7 8 9 10
25/06/2013
Demanda Real(At) 12 17 20 19 24 21 31 28 36
Pronstico suavizado, Ft 11 12.80
Paso 2: Calcule la tendencia en el periodo 2 T2 T2 = (F2 - F1) + (1 - )T1 = (.4)(12.8 - 11) + (1 - .4)(2) = .72 + 1.2 = 1.92 unidades
108

Mes (t) 1 2 3 4 5 6 7 8 9 10
25/06/2013
Demanda Real(At) 12 17 20 19 24 21 31 28 36
Pronstico suavizado, Ft 11 12.80
Tendencia suavizada, Tt 2 1.92
Paso 3: Calcule el pronstico incluyendo la tendencia (FITt) FIT2 FIT2 = F2 + T2 = 12.8 + 1.92 = 14.72 unidades
109

Mes (t) 1 2 3 4 5 6 7 8 9 10
25/06/2013
Demanda Real(At) 12 17 20 19 24 21 31 28 36
Pronstico suavizado, Ft 11 12.80 15.18 17.82 19.91 22.51 24.11 27.14 29.28 32.48
Tendencia suavizada, Tt 2 1.92 2.10 2.32 2.23 2.38 2.07 2.45 2.32 2.68
Pronstico incluyendo la tendencia, FITt 13.00 14.72 17.28 20.14 22.14 24.89 26.18 29.59 31.60 35.16
110
Suavizamiento exponencial con ajuste de tendencia 35

Producto del demandado 30 25 20 15 10 5 0 | 1 | 2 | | | 4 5 6 Tiempo (meses) Todos los derechos reservados | 3 | 7 | 8 | 9
Demanda real (At)
Pronstico incluyendo la tendencia (FITt) Con = .2 y = .4
25/06/2013
111

, se parece a la constante porque: Una alta responde ms rpido a cambios recientes de una tendencia. Una baja da menos peso a las tendencias ms recientes y tiende a suavizar la tendencia actual. Los valores de pueden encontrarse por: Prueba y error. Utilizando algn software. Con la (desviacin media absoluta) MAD como medida de comparacin de dispersin.
Nota: Existen otros modelos de suavizamiento exponencial, como el suavizamiento ajustado a la estacin y el suavizamiento triple, los cuales estn fuera de los alcances de este curso.
Cuantitativo
Modelos de Series de tiempo Proyecciones de tendencia
25/06/2013
113
Proyecciones de tendencia
Ajusta una recta de tendencia a una serie de datos histricos y despus proyecta la recta al futuro (pronsticos). Se pueden desarrollar varias ecuaciones matemticas (por ejemplo, exponencial, log, cuadrtica,) La ecuacin de la recta se halla mediante el mtodo estadstico de mnimos cuadrados.
PASOS
Grafica todos los pares de datos (x,y). Observar la dispersin y determinar con que grafica (lnea o curva) de tendencia se ajusta mejor (obtiene el mnimo de dispersin). Hallar ecuacin mediante el mtodo estadstico de los mnimos cuadrados Extrapolar los valores para realizar el pronstico
25/06/2013
115
Observacin real (Valor de y)
Y = Demanda
Desviacin5 Desviacin7 Desviacin6
Desviacin3 Desviacin4
Desviacin1 (error)
Desviacin2
^ = a + bx Lnea de tendencia, y
25/06/2013
X = Periodo
116
Comportamiento real Extrapolacin
Desviacin5
Y = Demanda
Pendiente
Desviacin3
Desviacin4
Desviacin1 (error)
Desviacin2
25/06/2013
Perodo observado
Perodo TodosX los= derechos reservados
Perodo pronosticado
117
Las ecuaciones para calcular las variables de regresin
Pronstico: valor a predecirse Pendiente: Unidades que aumenta Y por cada incremento en X. O tasa de cambio Punto donde la recta corta al eje Y
25/06/2013
Ecuacin de la lnea recta ^
y = a + bx
b=
xy - nxy x2 - nx2
a = y - bx
Ao
2006 2007 2008 2009 2010 2011 2012
Periodo (x)
Demanda Energa elctrica (y)

74 79 80 90 105 142 122 y = 692 y = 98.86 =
x2
1 4 9 16 25 36 49 x2 = 140
xy
74 158 240 360 525 852 854 xy = 3,063
1 2 3 4 5 6 7 x = 28 Promedio x = 4 b=
Promedio
xy - nxy x2 - nx2
3,063 - (7)(4)(98.86) 140 - (7)(42)
= 10.54
a = y - bx = 98.86 - 10.54(4) = 56.70

Ao
2006 2007 2008 2009 2010 2011 2012
Periodo (x)
1 2 3 4 5 6 7 x = 28 x=4 b=
Demanda Energa elctrica (y)
x2
xy
74 1 74 79 4 158 La ecuacin de la lnea de 80 9 240 tendencia es: 90 16 360 105 25 525 142y = 56.70 + 36 852 10.54x 122 49 854 xy = 3,063 y = 692 x2 = 140 y = 98.86 = 3,063 - (7)(4)(98.86) 140 - (7)(42) = 10.54
xy - nxy x2 - nx2
a = y - bx = 98.86 - 10.54(4) = 56.70

160 150 140 130 120 110 100 90 80 70 60 50 | 2006 Lnea de tendencia, ^ = 56.70 + 10.54x y Demandad de Energa
| 2007
| 2008
25/06/2013
| | 2010 2011 Aos reservados Todos los derechos
| 2009
| 2012
| 2013
Extrapolacin | 2014
121
El mtodo de mnimos cuadrados implica que se han cumplido tres requisitos: 1. Se debe graficar antes los datos, para identificar si es una relacin lineal o curvilnea. 2. No se recomienda predecir muchos periodos (20 meses histricos, slo podemos pronosticar 3 o 4 meses). No podemos tener 10 aos para pronosticar 3 o 5 aos 3. Se supone que las desviaciones calculadas alrededor de la recta o curva de mnimos cuadrados son aleatorias (Por lo general, es una distribucin normal). La mayora de puntos estn cerca a la recta y solo unos pocos se alejan.
Curva de ajuste exponencial
=
y
= = = ( = 2,7182818 ) =
ln = ln + B()
Curva de crecimiento acelerado
Papel semilogartmico es una recta

Curva de ajuste potencial
= = =
log = l + B. log()
x Curva de crecimiento ms fuerte que el ajuste exponencial

124
Papel logartmico es una recta

25/06/2013
Curva de ajuste logartmico
= = =
= + .ln(X)
y
= + .ln(X)
x Curva de crecimiento se hace ms lenta a medida que transcurre el tiempo.

125
Papel logartmico es una recta

25/06/2013
Cuantitativo
Modelos de Series de tiempo Variaciones estacionales
25/06/2013
126
Variaciones estacionales en los datos

Son movimientos regulares ascendentes o descendentes localizados en una serie de tiempo y que se relacionan con acontecimientos recurrentes como el clima u otros factores
Ejemplo: Vacaciones, helados, cine, peluquera, restaurante, hoteles, navidad, das La estacionalidad puede aplicarse en forma horaria, diaria, semanal, mensual o en otros patrones recurrentes. especiales

Pasos para pronosticar cuando existen estaciones:
1. 2. 3. 4. 5.
Encontrar demanda histrica promedio para cada estacin. Calcular la demanda promedio durante todo el ao. Calcular el ndice de estacionalidad para cada estacin. Estimar la demanda total del siguiente ao. Dividir esta estimacin de la demanda total anual entre el nmero de estaciones, despus multiplicarla por el ndice estacional para ese mes. Esto proporciona el pronstico estacional.
25/06/2013

Mes Ene Feb Mar Abr May Jun Jul Ago Sept Oct Nov Dic
25/06/2013
Demanda 2007 2008 2009 80 70 80 90 113 110 100 88 85 77 75 82 85 85 93 95 125 115 102 102 90 78 82 78 105 85 82 115 131 120 113 110 95 85 83 80
Promedio 2007-2009 90 80 85 100 123 115 105 100 90 80 80 80 Suma 1128 Todos los derechos reservados
Promedio Mensual 94 94 94 94 94 94 94 94 94 94 94 94
ndice estacional
129

Mes Demanda 2007 2008 2009 Promedio 2007-2009 Promedio Mensual 94 94 94 94 94 94 94 94 94 94 94 94 Ene 80 85 105 90 Feb 70 85 85 80 promedio Mar 80 93 Demanda 82 852007-2009 ndice estacional = Abr 90 95 Demanda 115 100 mensual promedio May 113 125 131 123 = 90/94 = .957 Jun 110 115 120 115 Jul 100 102 113 105 Ago 88 102 110 100 Sept 85 90 95 90 Oct 77 78 85 80 Nov 75 82 83 80 Dic 82 78 80 80
ndice estacional 0.957
25/06/2013
130

Mes Ene Feb Mar Abr May Jun Jul Ago Sept Oct Nov Dic Demanda 2007 2008 2009 80 70 80 90 113 110 100 88 85 77 75 82 85 85 93 95 125 115 102 102 90 78 82 78 105 85 82 115 131 120 113 110 95 85 83 80 Promedio 2007-2009 90 80 85 100 123 115 105 100 90 80 80 80
Promedio Mensual 94 94 94 94 94 94 94 94 94 94 94 94
ndice estacional 0.957 0.851 0.904 1.064 1.309 1.223 1.117 1.064 0.957 0.851 0.851 0.851
25/06/2013
131

Mes Ene Feb Mar Abr May Jun Jul Ago Sept Oct Nov Dic Demanda 2007 2008 2009 Promedio 2007-2009 Promedio Mensual ndice estacional 0.957 0.851 0.904 1.064 1.309 1.223 1.117 1.064 0.957 0.851 0.851 0.851 80 85 105 90 94 70 85 85 80 94 Pronstico para el 2010 80 93 82 85 94 90 95 115 100 94 Demanda esperada para 2010 una demanda 1,200 113 125 131 123 94 helados 110 115 120 115 94 100 102 94 Ene 113 1,200 x105 .957 = 96 12 88 102 110 100 94 85 90 95 90 94 77 78 85 1,200 80 94 Feb x .851 = 85 75 82 83 80 94 12 82 78 80 80 94
25/06/2013
132
25/06/2013
133

140 130 Demanda 120 110 100 90 80 70 | E
25/06/2013
2010 Pronstico 2009 Demanda 2008 Demanda 2007 Demanda
| F
| M
| A
| M
| | J J Tiempo
| A
| S
| O
| N
| D
134
Cuantitativo
Modelos de Series de tiempo Variaciones cclicas
25/06/2013
135
Variaciones cclicas en los datos

Los ciclos son como las variaciones estacionales de los datos, pero ocurren cada varios aos. El pronstico de variaciones cclicas en una serie de tiempo es difcil de usar. Debido a que influye varios factores: Ciclo econmico. Ciclo del producto.
Cuantitativo
Modelos asociativos
25/06/2013
137
Modelos asociativos
Incorporan variables o factores que pueden influir en la cantidad por pronosticar (causalidad). Ejemplo, Las ventas de cortadoras de csped es afectado por la construccin de nuevas viviendas, el presupuesto de publicidad y los precios de los competidores.
Cuantitativo
Modelos Causales o Asociativos Anlisis de regresin y correlacin
25/06/2013
139
Anlisis de regresin y correlacin

Modelo matemtico de lnea recta usado para describir las relaciones funcionales que hay entre las variables dependiente e independiente. A diferencia del pronstico de series de tiempo: Consideran varias variables relacionadas. Se construye un modelo estadstico que se usa para pronosticar. Este enfoque es ms poderoso que los mtodos de series de tiempo que incluyen slo valores histricos.
25/06/2013
140

PASOS
Grafica el par de datos (x,y). Observar la dispersin y determinar con que grafica (lnea o curva) se ajusta ms (obtiene el mnimo de errores). Hallar relacin que ajusta los puntos mediante relacin grafica o recta de ajuste ptimo (mnimos cuadrados: disminuye al mnimo la suma de las desviaciones cuadrticas). Hallar ecuacin Extrapolar los valores para realizar el pronstico Analizar correlacin

En un anlisis asociativo pueden considerarse muchos factores. Por ejemplo, Las ventas de computadoras personales Dell se relacionan con:
El presupuesto para publicidad. Los precios de la compaa. Los precios y estrategias promocionales de la competencia. La economa. ndices de desempleo.
25/06/2013
142

En este caso, las ventas de PCs se denominan como la variable dependiente y las otras variables son independientes. El trabajo del pronosticador es desarrollar la mejor relacin estadstica entre las ventas de PCs y las variables independientes. El modelo asociativo ms comn es el anlisis de regresin lineal.

Regresin lineal. Podemos usar el mismo modelo matemtico que empleamos con el mtodo de mnimos cuadrados. Pero la variable independiente, x, ya no necesariamente es el tiempo. Se tiene en cuenta la relacin de las variables (correlacin).
25/06/2013
144

Pronosticar un resultado basado en variables de prediccin mediante la tcnica de mnimos cuadrados
y = a + bx
Donde ^ y = valor de la variable dependiente (en nuestro ejemplo, ventas) a = interseccin con el eje y b = pendiente de la recta de regresin x = variable independiente
25/06/2013
145

Ventas Ingresos ($ millones), y ($ miles de millones), x 2.0 1 3.0 3 2.5 4 2.0 2 2.0 1 3.5 7
4.0 Ventas 3.0 2.0 1.0 0
25/06/2013
| 1
| | | 2 3 4 Ingresos
| 5
| 6
146
| 7

Ventas, y 2.0 3.0 2.5 2.0 2.0 3.5 y = 15.0 Ingresos, x 1 3 4 2 1 7 x = 18 x2 1 9 16 4 1 49 x2 = 80 xy 2.0 9.0 10.0 4.0 2.0 24.5 xy = 51.5
x = x/6 = 18/6 = 3 y = y/6 = 15/6 = 2.5

25/06/2013
b=
xy - nxy = x2 - nx2
51.5 - (6)(3)(2.5) 80 - (6)(32)
= .25
a = y - bx = 2.5 - (.25)(3) = 1.75


y = 1.75 + .25x
Ventas = 1.75 + .25(ingresos)
Ventas Si se estima que los ingresos del prximo ao ser de $ 6 mil millones, entonces: Ventas = 1.75 + .25(6) Ventas = $3,250,000
25/06/2013
4.0 3.25 3.0 2.0 1.0 0 | 1 | 2 | | 3 4 Ingresos | 5 | 6 | 7
148
Error estndar de la estimacin

4.0
Medida de la variabilidad que se presenta alrededor de la recta de regresin su desviacin estndar.
3.25 3.0 Ventas 2.0 1.0 0 | 1 Recta de regresin, y = 1.75 + .25x | 2 | | 3 4 Ingresos | 5 | 6 | 7
25/06/2013
149

Sy,x = y2 - ay - bxy n-2
Utilizamos el error estndar para establecer los intervalos de prediccin en torno a la estimacin puntual

Sy,x = Sy,x = .306 y2 - ay - bxy n-2 = 39.5 - 1.75(15) - .25(51.5) 6-2
El error estndar de la estimacin es de $ 306.000 pesos en ventas
25/06/2013
151
Coeficientes de Determinacin y Correlacin

Coeficiente de Determinacin (r cuadrado): Representa el porcentaje de la varianza justificado por la variable independiente El coeficiente de correlacin (r): Mide el grado de relacin que hay entre dos variables.
25/06/2013
152
Coeficientes de correlacin para rectas de regresin

Mide la relacin entre variables. Establece que tan fuerte es la relacin de las variables. El coeficiente de correlacin, r, mide el grado de asociacin Los valores van de -1 a +1
25/06/2013
153

y
Relacin directa
(a)
Correlacin positiva perfecta: r = +1
(b)
Correlacin positiva: 0<r<1
Si la correlacin se aleja de 1 y se aproxima a cero la correlacin es baja
Relacin inversa
(c) 25/06/2013
No hay correlacin: r=0
(d)
Correlacin negativa perfecta: r = -1
Aumentos en la variable independiente (x), no esta relacionada con aumentos en Y (dependientes)

154
Coeficiente de Correlacin
Desviacin estndar de la regresin
Sx = Sy = r=
25/06/2013
(x)2 n (y)2 n
(X)2
Sx = Desviacin estandar para valores de X Sy = Desviacin estandar para valores de Y

b = Pendiente
(y)2
r=
b.Sx
Sy
Otra formula
155
nxy - xy [nx2 - (x)2][ny2 - (y)2]


Para el ejemplo anterior
25/06/2013
156
Cuantitativo
Modelos Causales o Asociativos Anlisis de regresin mltiple
25/06/2013
157
Anlisis de regresin mltiple

Mtodo de pronstico asociativo con ms de una variable independiente.
^=a+b x +b x y 1 1 2 2 Manualmente es complejo, por esto se utiliza un programa de computador

= + 1 1 + 2 2 + +
a = intercepto Y = variable dependiente
X = variables predictoras (independientes)
25/06/2013
159

Para el ejemplo anterior
Se incluyen el promedio de las tasas de nteres annual (0,12), la nueva ecuacin queda: Recta de regresin ^ anterior, y = 1.80 + .30x1 - 5.0x2 y = 1.75 + .25x Un coeficiente de correlacin mejorada de r = .96 significa que este modelo hace un mejor trabajo para predecir el cambio en las ventas. Ventas = 1.80 + .30(6) - 5.0(.12) = 3.00 Ventas = $3,000,000
Cuantitativo
Modelos Causales o Asociativos Modelos Economtricos
25/06/2013
161
Modelos Economtricos
Sistema de ecuaciones de regresin interdependientes para describir un proceso complejo. Caractersticas:

25/06/2013
Complejidad alta. Costo alto. Son de largo plazo. Buenos para identificar puntos de cambio.
Cuantitativo Modelos Economtricos
Proyecciones mediante tasas de crecimiento poblacional
25/06/2013
163

Se asume que la demanda o parte de ella tiene relacin con el crecimiento poblacional. Cuando no se conoce la tasa de crecimiento poblacional, esta se puede calcular con los datos de censos.
= poblacin para el ao n
= 0 1 +
0 = poblacin inicial (ao base, es conocida) = tasa de crecimiento de la poblacin

25/06/2013
n = nmero de aos transcurridos entre el ao base (0) y el que se va a calcular (n)

164

CENSO 1994 2006 = 11.646
12
POBLACIN Total 9.670 11.646 Cabecera 2.329 2.923 n = 12
12
Resto 7.341 8.723
11.646 = 9.670 1 + 1.20434 =

12
0 = 9.670
= ?
0 = poblacin inicial (ao base, es conocida) n = nmero de aos transcurridos entre el ao base (0) y el que se va a calcular (n) = tasa de crecimiento de la poblacin
= 0 1 +
25/06/2013
= 0,0152
(1 )12
La tasa de crecimiento entre el 2000 y 2012 fue de 1,56%


Pronstico para el 2012 Suponemos la misma tasa: 1,56%
= ? Valor a calcular 0 = 11.646 n=6
2012 = 11.646 1 + 0,0156
= 0 1 +
= 0,0156
6
0 = poblacin inicial (ao base, es conocida) n = nmero de aos transcurridos entre el ao base (0) y el que se va a calcular (n) = tasa de crecimiento de la poblacin
= 0 1 +
2012 = 12.779
De igual forma calcula para proyectar otros aos

25/06/2013
Modelos Economtricos Proyecciones mediante el coeficiente de elasticidad de ingresos
Cuantitativo
25/06/2013
167
Proyecciones mediante el coeficiente de elasticidad de ingresos

Permite calcular la tasa de crecimiento de la demanda a parte de coeficiente de elasticidad de ingresos. Requiere conocimiento de tasa de crecimiento poblacional y del ingreso percpita. Supone que todas las dems variable que afectan o influyen el modelo tienen comportamiento similar.
= p + El.g d = tasa de crecimiento de la demanda p = tasa de crecimiento de la poblacin
El = elasticidad ingresos de la demanda
g = tasa de crecimiento del ingreso percpita

25/06/2013

Para proyectar se toma la siguiente ecuacin
= 0 1 +
= demanda para el ao n
0 = demandad del ao base o inicial d = tasa de crecimiento de la demanda

25/06/2013

Ejemplo:
Tasa de crecimiento anual de la poblacin: 1,4% Tasa de crecimiento del ingreso percpita: 3% Elasticidad de ingreso de la demanda: 2,2343
= p + El.g = 0,0867
25/06/2013
= 0,014 + 2,2343(0,03)
d = tasa de crecimiento de la demanda p = tasa de crecimiento de la poblacin
El = elasticidad ingresos de la demanda
g = tasa de crecimiento del ingreso percpita

170

Para proyectar se toma la siguiente ecuacin
= 0,0867 = 0 1 + 0,0867
= demanda para el ao n
0 = demandad del ao base o inicial d = tasa de crecimiento de la demanda

Cuantitativo
Modelos Economtricos Modelos de Insumo (Leontieff)
25/06/2013
172
Modelos de Insumo (Leontieff)

Describen el flujo de un sector de la economa a otro para predecir los insumos que se necesitan para producir los productos que requiere otro sector.
25/06/2013
173
Modelos de Insumo (Leontieff)

Caractersticas:
Poseen un costo muy alto. Buena exactitud. Son de corto plazo. Dbiles para identificar puntos de cambio.
25/06/2013
174
Cuantitativo
Modelos Causales o Asociativos Simulacin
25/06/2013
175
Simulacin
Caractersticas:
La simulacin de sistemas es complejo. Cara de implementar. Horizonte de corto a mediano plazo. Puede identificar puntos de cambio.
25/06/2013
176
Simulacin
Ejemplo: Distribucin en cadena, para ver demanda de distintos elementos. Planos de produccin, para conocer la demanda por insumos. Transporte urbano, para ver equilbrio veicular.
Cuantitativo
Otros mtodos Suavizamiento adaptable
25/06/2013
178
Suavizamiento adaptable
Es posible utilizar la computadora para monitorear continuamente error de prediccin y ajuste los valores de los coeficientes y se utilizan en suavizacin exponencial para minimizar continuamente error de prediccin Esta tcnica se denomina suavizado adaptativo
Cuantitativo
Otros mtodos Pronstico enfocado
25/06/2013
180
Pronstico enfocado
Pronstico que prueba una variedad de modelos computarizados y selecciona el mejor para una aplicacin en particular. El pronstico enfocado se basa en dos principios:
1. Los modelos de pronstico sofisticados no siempre son mejores que los sencillos. 2. No existe una tcnica nica que deba emplearse para todos los productos o servicios.
25/06/2013
Cuantitativo
Otros mtodos Pronstico en los servicios
25/06/2013
182
Pronstico en los servicios

20%
Porcentaje de ventas Ventas por hora en un restaurante de comida rpida
15% 10% 5%
11-12
12-1 (Almuerzo)
1-2
2-3
3-4
25/06/2013
6-7 (Cena) Hora del da
4-5
5-6
7-8
8-9
9-10
10-11
183
Pronstico en los servicios

12% Porcentaje de llamadas 10% 8% 6% 4% 2% 0%
25/06/2013
Llamadas en lunes a un centro de atencin telefnica de FedEx
6 8 A.M.
10
12
Hora del da
6 8 P.M.
10
12
184

185
2.
25/06/2013
Medicion del error de pronostico

Medicin del error de pronstico

En la prctica se usan varias medidas para calcular el error global de pronstico. Se usan para:
Comparar distintos modelos de pronsticos. Vigilar los pronsticos. Asegurar su buen desempeo

Las tres medidas ms populares son:
MAD (mean absolute deviation; desviacin absoluta media).
Error de pronstico o desviaciones o real menos pronstico
MSE (mean squared error; error cuadrtico medio). MAPE (mean absolute percent error; error porcentual absoluto medio)

Tonelaje real descargado Pronstico con = .10 Desviacin absoluta para = .10 Pronstico con = .50

Desviacin absoluta para = .50
Trimestre
1 2 3 4 5 6 7 8
25/06/2013
180 168 159 175 190 205 180 182
175 175.5 174.75 173.18 173.36 175.02 178.02 178.22
5.00 7.50 15.75 1.82 16.64 29.98 1.98 3.78 82.45
175 177.50 172.75 165.88 170.44 180.22 192.61 186.30
5.00 9.50 13.75 9.12 19.56 24.78 12.61 4.30 98.62

189

MAD =
|deviaciones| n
Para = .10 = 82.45/8 = 10.31 Para = .50 = 98.62/8 = 12.33


Puede comparar entre varios mtodos cual es el ms ajustado


MSE (mean squared error; error cuadrtico medio).
Promedio de los cuadrados de las diferencias encontradas entre los valores pronosticados y los observados.
2 ( ) Errores de prontico
MSE =
25/06/2013
192

MSE (mean squared error; error cuadrtico medio).
Puede comparar entre varios mtodos cual es el ms ajustado


MSE (mean squared error; error cuadrtico medio). MSE = (error de pronstico)2 n
Para = .10 = 1,526.54/8 = 190.82 Para = .50 = 1,561.91/8 = 195.24


MAPE (mean absolute percent error; error porcentual absoluto medio)
Un problema tanto con la MAD como con el MSE es que sus valores dependen de la magnitud del elemento que se pronostica. Si el elemento pronosticado se mide en millares, los valores de la MAD y del MSE pueden ser muy grandes.
25/06/2013
Promedio de las diferencias absolutas encontradas entre los valores pronosticados y los reales, expresado como un porcentaje de los valores reales.
MAPE =
i =1
100 Reali Pronstico i Reali n

195

25/06/2013
196

MAPE =
100|desviacini|/reali
i=1
Para = .10 = 44.75/8 = 5.59% Para = .50 = 54.05/8 = 6.76%


Trimestre Tonelaje real descargado Pronstico con = .10
Pronstico con = .50
1 2 3 4 5 6 7 8
180 168 159 175 190 205 180 182
175 175.5 174.75 173.18 173.36 175.02 178.02 178.22
25/06/2013
5.00 7.50 15.75 1.82 16.64 29.98 1.98 3.78 82.45 MAD 10.31 MSE 190.82 MAPE 5.59% Todos los derechos reservados
175 177.50 172.75 165.88 170.44 180.22 192.61 186.30
5.00 9.50 13.75 9.12 19.56 24.78 12.61 4.30 98.62 12.33 195.24 6.76%
198

199
2.
25/06/2013
Monitoreo y control de pronosticos

Equivocaciones en pronsticos
Pronsticos famosos que de alguna forma carecieron de exactitud:
Pienso que tal vez haya un mercado mundial para cinco computadoras. Thomas Watson, director de IBM, 1943 640,000 bytes de memoria deben ser suficientes para cualquiera. Bill Gates, 1981 Internet colapsar de manera catastrfica en 1996. Robert Metcalfe, inventor de internet
25/06/2013
201
Monitoreo y control de pronsticos

Una manera de supervisar el pronstico es empleando Una seal de control
Esta medida evala qu tan bien predicen los pronsticos los valores Reales. Cada vez que se obtiene informacin se evala la exactitud. Proporcin de errores de pronstico acumulativos de la desviacin media absoluta (MAD) Buena seal de seguimiento tiene valores bajos Si los pronsticos son constantemente altas o bajas, el pronstico tiene un error de sesgo
Cmo monitorear un modelo de Pronstico

Ventas (Unidades)
Limite Superior = 3.300
3.000
Pronstico = 2.400
2.000
Limite Inferior= 1.500
1.000
0 25/06/2013
10
11 12 Aos 203

1 MAD 0.8 standard deviation 1 standard deviation 1.25 MAD
Error de pronstico o desviaciones o real menos pronstico
25/06/2013
204

1 MAD 0.8 standard deviation 1 standard deviation 1.25 MAD
25/06/2013
205
Cmo monitorear un modelo de Pronstico
25/06/2013
206

Una manera de supervisar el pronstico es empleando Una seal de control
La seal de control se calcula como:
La RSFE (running sum of the forecast errors; suma continua de errores del pronstico) dividida entre La MAD (mean absolute deviation; desviacin absoluta media):
Seal de La RSFE suma continua de errores del pronstico control = MAD desviacin absoluta media
25/06/2013
207

Las seales de control positivas indican que la demanda es mayor que el pronstico. Las seales de control negativas indican que la demanda es menor que el pronstico. Una buena seal de control (es decir, una con RSFE baja) tiene casi tanto error positivo como error negativo. En otras palabras, una pequea desviacin est bien, pero los errores negativos y positivos deben equilibrarse entre s para que la seal de control se centre muy cerca de cero. Una tendencia consistente de los pronsticos a ser mayores o menores que los valores reales (es decir, con RSFE alta) se llama error de sesgo.

Sesgo: Pronstico que est consistentemente arriba o abajo de los valores reales de una serie de tiempo. El sesgo ocurre cuando, por ejemplo, se usan las variables o la recta de tendencia incorrectas, o si se aplica de manera incorrecta un ndice estacional.

Una vez calculadas las seales de control, se comparan para determinar los lmites de control. Cuando una seal de control excede el lmite inferior o superior, existe un problema con el mtodo de pronsticos y la administracin querr reevaluar la forma en que pronostica la demanda.
Grafico de seal de control

La seal excedi el lmite Seal de control + 0 MADs Lmite superior de control Intervalo aceptable
Lmite inferior de control Tiempo
25/06/2013
211

Cmo deciden las empresas cules deben ser los lmites de control superior e inferior? No existe una respuesta nica, pero se recomienda que los lmites no sean tan bajos como para enviar la seal con el mnimo error de pronstico ni tan altos que dejen pasar pronsticos malos de manera regular.
25/06/2013
212

Una MAD equivale aproximadamente a 0.8 desviaciones estndar, 2 MAD = 1.6 desviaciones estndar, 3 MAD = 2.4 desviaciones estndar, y 4 MAD = 3.2 desviaciones estndar; lo cual sugiere que para que un pronstico est bajo control, se espera que el 89% de los errores caiga dentro de 2 MAD, el 98% dentro de 3 MAD, o el 99.9% dentro de 4 MAD.5

Error Error Absoluto Demanda Demanda Error Absoluto del Acumulado Trimestre real Pronsticada Error Acumulado Pronstico del Pronstico MAD
1 2 3 4 5 6
90 95 115 100 125 140
100 100 100 110 110 110
-10 -5 +15 -10 +15 +30
-10 -15 0 -10 +5 +35
10 5 15 10 15 30
10 15 30 40 55 85
10.0 7.5 10.0 10.0 11.0 14.2
25/06/2013
214

Error Error Absoluto Demanda Demanda Error Absoluto del Acumulado Trimestre real Pronsticada Error Acumulado Pronstico del Pronstico MAD
Seal de control (RSFE/MAD)
Error Acumulado RSFE
1 2 3 4 5 6
-10/10 90= -1 100 -15/7.5 95 = -2 100 0/10 =0 115 100 -10/10 = -1 100 110 +5/11 = +0.5 125 110 +35/14.2 140 = +2.5 110
-10 -5 +15 -10 +15 +30
-10 -15 0 -10 +5 +35
10 5 15 10 15 30
10 15 30 40 55 85
10.0 7.5 10.0 10.0 11.0 14.2
RSFE: Error acumulado

Como la seal de control oscila de 2 MAD a +2.5 MAD (entre 1.6 y 2.0 desviaciones estndar), podemos concluir que est dentro de los lmites aceptables.
Algunos factores que influyen negativamente en la formulacin de un pronstico

No tener una visin sistmica de la empresa. No se involucra el personal idneo y necesario. No dar importancia a los pronsticos para la planeacin de la empresa. No se reconocer la limitaciones de los pronsticos. No seleccionar el mtodo adecuado. No calibrar los modelos (realizar seguimiento al comportamiento de la demanda)

1.8 Pronostico - 21 - 05 - 13 Enviar

Загружено:

Сведения о документе

Оригинальное название

Авторское право

Доступные форматы

Поделиться этим документом

Поделиться или встроить документ

Параметры публикации

Этот документ был вам полезен?

Это неприемлемый материал?

Авторское право:

Доступные форматы

1.8 Pronostico - 21 - 05 - 13 Enviar

Загружено:

Авторское право:

Доступные форматы

Pronsticos En Ventas

Oscar Fdo. Guzmn Quintero

Todos los derechos reservados

predecir eventos futuros.

Para nuestro caso determinar la Demanda

Utilidad de los pronsticos

El efecto de la sobre o subestimacin de la demanda

Horizontes de tiempo del pronstico

2. Pronstico a mediano plazo:

3. Pronstico a largo plazo:

Todos los derechos reservados

Para realizar un pronostico De ventas se debe conocer

Conceptos relacionados con La Demanda

Conceptos relacionados con La Demanda

Todos los derechos reservados

Conceptos relacionados con La Demanda

Continua (permanente) Cclica o estacional (no permanente)

Conceptos relacionados con La Demanda

Comportamiento del consumidor

Todos los derechos reservados

Todos los derechos reservados

Todos los derechos reservados

Ciclo del producto

Ciclo de vida del Producto

Todos los derechos reservados

Gestin de La Demanda de un Producto

Todos los derechos reservados

Situacion economica y politica del pais

Todos los derechos reservados

Flujo circular de la renta

Todos los derechos reservados

Clasificacin de Los Mtodos de Pronstico

Seguimiento Modelo Pronstico Todos los derechos reservados

Imprecisiones de los pronsticos

Todos los derechos reservados

Cual Metodo de Pronostico utilizar?

Cul modelo emplear Depende de:

En la practica se combinan ambos

Usos de los Mtodos de Pronstico

Todos los derechos reservados

pasos en la elaboracion de un pronostico

7 pasos en la elaboracin de un pronstico

Clasificacin de Los Mtodos de Pronstico

Seguimiento Modelo Pronstico Todos los derechos reservados

Todos los derechos reservados

Ej: Ventas por internet

Todos los derechos reservados

Tcnica: Jurado de opinin ejecutiva

Todos los derechos reservados

Tcnica: Jurado de opinin ejecutiva

Tcnica: Jurado de opinin ejecutiva Fases

Todos los derechos reservados

Tcnica: Mtodo Delphi

Tcnica: Mtodo Delphi

Tcnica: Mtodo Delphi

Tcnica: Mtodo Delphi

Tcnica: Composicin de la fuerza de ventas

Todos los derechos reservados

Tcnica: Composicin de la fuerza de ventas o pronsticos visionarios

Tcnica: Encuesta en el mercado de consumo

Todos los derechos reservados

Tcnica: Encuesta en el mercado de consumo

Tcnica: Encuesta en el mercado de consumo