Академический Документы
Профессиональный Документы
Культура Документы
PRONSTICOS DE LA DEMANDA
Un pronstico es una prediccin de acontecimientos futuros que se utiliza con
propsitos de planificacin. (Ritzman, Krajewki, Malhotra)
Los pronsticos de la demanda son proyecciones de la demanda de
productos o servicios de una compaa. Estos pronsticos, tambin llamados
pronsticos de venta, orientan la produccin, la capacidad y los sistemas de
programacin de empresa, as como en planeacin financiera, marketing y de
personal.
Son normalmente originados en el rea de marketing, ya que estos son quienes
estn ms cercanos a los clientes externos. Y estos mismos son de utilidad
para los clientes internos de la compaa en diferentes reas de esta misma.
Adems de proyectar demandas futuras, pueden ser tiles para conocer las
estrategias de los competidores, los cambios normativos y tecnolgicos,
tiempos de procesamiento, tiempos de espera de proveedores y perdidas de
calidad.
Hay que aclarar, que los pronsticos rara vez son perfectos y muchas veces
la realidad puede ser diferente a la proyectada u ocurren sucesos inesperados,
por lo que ser necesaria la bsqueda de actualizacin de sus planes.
Son aportes cruciales para los planes de negocio, planes anuales y los
presupuestos.
Ayuda a en el rea de Finanzas en la proyeccin de Flujos de efectivo y
las necesidad de capital.
El rea de recursos Humanos los utiliza para las necesidades de
contratacin, capacitacin de personal y despidos.
El rea de Produccin/operaciones los utiliza para planear los niveles de
produccin, compras de servicios y materiales, mano de obra y
programas de produccin, inventarios y capacidades a largo plazo.
Genera buenas relaciones tanto con clientes como proveedores, dando
asi ventajas de precio en materiales, transportes y mejora de utilidades.
Los pronsticos a corto plazo tienen a ser ms precisos que los de largo
plazo. Los factores que influyen en la demanda cambian todos los das.
Por lo tanto, a medida que el horizonte de tiempo se alarga, es ms
probable que la exactitud del pronstico disminuya. Entonces es
necesario afirmar que los pronsticos de ventas deben actualizarse
regularmente para mantener su valor e integridad. Despus de cada
periodo de ventas, los pronsticos deben revisarse y corregirse.
Los cuatro patrones bsicos de la mayora de las series de tiempo que definirn
la demanda son:
1. Tendencia.- El incremento o decremento sistemtico de la media de la
serie a travs del tiempo.
Longitud de la estacin
Semana
Mes
Da
Semana
Mes
Ao
Ao
Ao
Da
Trimestre
Mes
Semana
Nmero de estaciones
en el patrn
7
44
28 - 31
4
12
52
3. Cclico.- Son patrones, detectados en los datos, que ocurren cada cierta
cantidad de aos, usualmente estn sujetos al ciclo comercial y son de
gran importancia para el anlisis y la planeacin del negocio a corto
plazo. La prediccin de los ciclos de negocios es difcil porque estos
pueden verse afectados por los acontecimientos polticos o
internacionales.
4. Aleatorio.- 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.
MODELOS DE PRONOSTICOS
Hay dos modelos generales para pronosticar:
1. Modelos cualitativos.- son los que utilizan una variedad de modelos
matemticos que se apoyan en datos histricos y/o variables casuales
para pronosticar la demanda.
2. Modelos Cuantitativos.- incorporan factores como la intuicin, las
emociones, las experiencias personales y el sistema de valores de quien
toma las decisiones para llegar a un pronstico. Son normalmente
utilizados cuando no existen datos histricos con el cual hacer nuestros
pronsticos cuantitativos o bien existen, pero no son demasiado tiles
cuando ocurren ciertos acontecimientos (como la presentaciones de
nuevos productos o paquetes especiales) se reflejan en los datos
pasados, o cuando se espera que ciertos acontecimientos ocurran en el
fututo. Dichos mtodos cuantitativos pueden utilizarse para la
modificacin de los modelos cualitativos, segn el caso de aplicacin. De
no existir estos modelos, los cuantitativos realizaran pronsticos poco
confiables.
4. Investigacin de mercado.
Este mtodo solicita informacin a los clientes o posibles consumidores
acerca de sus planes de compra futuros. Puede ayudar no solo a
preparar el pronstico, sino tambin a mejorar el diseo del producto y
la planeacin de nuevos productos. Sin embargo, los mtodos de
encuesta en el mercado de consumo y composicin de la fuerza de
ventas adolecen de un optimismo exagerado que surge de la
informacin de los clientes.
4) Regresin Lineal
1) Enfoque intuitivo
La forma ms simple de pronosticar, supone que la demanda del siguiente
periodo ser igual a la demanda del periodo ms reciente. En otras
palabras, si las ventas de un producto fueron de 50 unidades en enero,
podemos pronosticar que en febrero las ventas tambin sern de 50.
Este modelo cuantitativo en algunas lneas de productos son ms efectivos
en costos y ms eficientes con respecto al objetivo. Al menos ofrece un
punto de partida contra el cual comparar otros modelos ms sofisticados
que se utilicen despus.
2) Promedios mviles
Usa un nmero de valores de datos histricos reales para generar un
pronstico. Los promedios mviles son tiles si podemos suponer que la
demanda del mercado permanecer relativamente estable en el tiempo. Un
Promedio mvil de 4 meses se encuentra simplemente al sumar la demanda
medida durante los ltimos 4 meses y dividindola entre cuatro. Al concluir
cada mes, los datos del mes mas reciente se agregan a la suma de los 3
Meses previos y se elimina el dato del mes ms antiguo. Esta prctica
tiende a suavizar las irregularidades del corto plazo en las series de datos.
El promedio mvil simple (que sirve como estimacin de la demanda del
siguiente periodo) se expresa como:
Llegadas de
pacientes
1
2
3
400
380
411
(PRONOSTICO)
Promedio mvil de 3
semanas
(400+380+411)/3 =397
Ejemplo 2:
Una tienda de suministros para jardn quiere hacer un pronstico del ao con el promedio
mvil de 3 meses, incluyendo un pronstico para las ventas de cobertizos de enero del
prximo ao.
Solucin:
Mes
Ventas reales
Enero
Febrero
Marzo
Abril
Mayo
Junio
Julio
Agosto
Septiembre
Octubre
Noviembre
Diciembre
Enero
10
12
13
16
19
23
26
30
28
18
16
14
(PRONOSTICOS)
Promedio mvil de tres
meses
(10+12+13)/3=11.67
(12+13+16)/3=13.67
(13+16+19)/3=16
(16+19+23)/3=19.34
(19+23+26)/3=22.67
(23+26+30)/3=26.34
(26+30+28)/3=28
(30+28+18)/3=25.34
(28+18+16)/3=20.67
(18+16+14)/3=16
Ejemplo 3:
Calcular los pronsticos de promedio mvil de 3 y 9 semanas para estimar la demanda
teniendo los siguientes datos.
Sema
na
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
Pronostico
Demand 3
9
a
Semana Semana
s
s
800
1400
1000
1500
1067
1500
1300
1300
1333
1800
1433
1700
1533
1300
1600
1700
1600
1367
1700
1567
1467
1500
1567
1500
2300
1633
1556
2300
1833
1644
2000
2033
1733
Pronostico
Seman Deman 3
9
a
da
Semana Semana
s
s
16
1700
2200
1811
17
1800
2000
1800
18
2200
1833
1811
19
1900
1900
1911
20
2400
1967
1933
21
2400
2167
2011
22
2600
2233
2111
23
2000
2467
2144
24
2500
2333
2111
25
2600
2367
2167
26
2200
2367
2267
27
2200
2433
2311
28
2500
2333
2311
29
2400
2300
2378
30
2100
2367
2378
Ejemplo 1:
Calcular el promedio mvil ponderado de las ventas de una tienda departamental
teniendo como datos 4 meses consecutivos de ventas. dando ms peso a los datos ms
antiguos.
Solucin:
Ponderacin aplicada
1
2
3
4
Periodo
El ms antiguo
Hace 3 meses
Hace 2 meses
El ms reciente
10
Sumatoria de ponderaciones
Mes
Ventas reales
1
2
3
4
100
90
105
95
(PRONOSTICO)
Promedio mvil de 4 semanas
[(100x1)+(90x2)+(105x3)+(95x4)]/10= 97.5
Ejemplo 2:
La tienda de suministro para jardn quiere pronosticar las ventas de cobertizos ponderando los
ltimos 3 meses, dando ms peso a los datos recientes para hacerlos mas significativos.
Solucin:
Ponderacin aplicada
Periodo
3
2
1
ltimo mes
Hace dos meses
Hace 3 meses
Sumatoria de ponderaciones
Pronsticos mvil ponderado = (3) (ventas del ultimo mes) + (2) (ventas de hace 2 meses) + (1) (ventas de hace 3 meses)
Suma de las ponderaciones
Mes
Enero
Febrero
Marzo
Ventas
reales
10
12
13
Abril
16
Mayo
19
Junio
23
Julio
Agosto
26
30
PM ponderado de 3 meses
[(3x13)+(2x12)+(10)]/6=
12.17
[(3x16)+(2x13)+(12)]/6=1
4.34
[(3x19)+(2x16)+(13)]/6=1
7
[(3x23)+(2x19)+(16)]/6=2
0.5
[(3x26)+(2x23)+(19)]/6
Septiemb
re
Octubre
Noviemb
re
Diciembr
e
28
18
16
14
[(3x30)+(2x26)+(23)]/6=2
7.5
[(3x28)+(2x30)+(26)]/6=2
8.34
[(3x18)+(2x28)+(30)]/6=2
3.34
[(3x16)+(2x18)+(28)]/6=1
8.67
Grafica de comparacin
Para concluir, Los promedios mviles son efectivos para suavizar las fluctuaciones
repentinas en el patrn de la demanda con el fin de obtener estimaciones estables. Sin
embargo, los promedios mviles presentan tres problemas:
1) Aumentar el tamao de n suaviza de mejor manera las fluctuaciones, pero resta
sensibilidad al mtodo ante cambios reales en los datos.
2) Los promedios mviles no reflejan muy bien las tendencias. Porque son
promedios, siempre se quedaran en niveles pasados, no predicen hacia niveles
ms altos ni ms bajos. Es decir, retrasan los valores reales.
3) Los promedios mviles requieren amplios registros de datos.
4) Suavizacin exponencial
Nuevo pronostico = Pronostico del periodo anterior + (demanda real del mes anterior pronostico del periodo anterior)
En donde:
= ponderacin o constante de suavizamiento, elegida por quien pronostica, que tiene un
valor entre 0 y 1.
La frmula puede escribirse matemticamente como:
Ft = Nuevo pronostico
Ft-1 = pronostico del periodo anterior
= constante de suavizamiento (o ponderacin) , 0 <= <= 1.
At-1 =demanda real en el periodo anterior
Ejemplo 1:
Suponga que el pronstico del mes pasado fue de 1050, si la demanda real del producto fue
de 1000, Qu pronostico tendr el mes presente con un = 0.05?
Solucin:
Ft-1 = 1050
= 0.05
At-1 =1000
Ejemplo 2:
En enero, un vendedor de automviles predijo que la demanda para febrero seria de 142 Ford
Mustang. La demanda real en febrero fue de 153 automviles. Usando la constante de
suavizamiento que eligi la administracin de =.20, el vendedor quiere pronosticar la
demanda para marzo usando el modelo de suavizamiento exponencial.
Solucin:
Ft-1 = 142
= 0.20
At-1 =153
Ejemplo 3:
Se desea saber el pronstico de descarga de granos en un puerto conocido, realizarlo
por medio de suavizacin exponencial para 9 trimestres, teniendo en cuenta que tu
pronstico para el primer trimestre fue de 175. Calcularlos con las constantes de
suavizacin de = 0.10 y = 0.50.Determinar que pronostico se acerca ms al real.
Solucin:
Trimestre
1
2
3
4
5
Descarga (ton)
Reales
180
168
159
175
190
6
205
7
180
8
182
9
presente
Grfico de comparacin
Pronostico = 0.10
Pronostico = 0.50
175
175+0.10(180-175)=175.5
175.5+0.10(168-175.5)=174.75
173.18
173.36
175
175+.50(180-175)=177.5
177.5+.50(168-177.5)=172.75
165.88
170.44
175.02
178.02
178.22
178.59
180.22
192.61
186.30
184.15
Podemos notar que la curva de nuestra constante de suavizacin = 0.10 es mas uniforme,
por lo que no tiene cambios drsticos y no se adapta a la demanda real. Por otra parte,
nuestra curva de =0.50 tiene mayor adaptacin a los cambios de los datos reales, y as,
mayor cercana a la curva de la demanda real siendo sus datos ms certeros.
Ecuacin para calcular el pronstico incluido la tendencia (FIT, forecast including trend) es:
En donde:
FITt = Ft + Tt
Ejemplo 1:
Suponga una Ft inicial de 100 unidades, una tendencia de 10 unidades, un alfa de 0.20 y
una delta de 0.30.
Si la demanda real resulta ser de 115 en lugar de los 100 pronosticados, calcule el
pronstico para el periodo siguiente.
Solucin:
Al sumar el pronstico inicial y la tendencia, se obtiene
FIT1 = F1 + T 1 = 100 +10 = 110
La verdadera A1 se da como 115. Por lo tanto,
F2= FIT1 + (A1 FIT1)
Ejemplo 2:
Mes
Demanda
Real
(At)
Pronostico
Suavizado Ft
Tendencia
suavizada Tt
1
2
3
4
5
6
7
8
9
10
12
17
20
19
24
21
31
28
36
?
11
12.8
15.176
17.82
19.91
22.51
24.11
27.14
29.28
32.48
2
1.92
2.10
2.32
2.23
2.38
2.07
2.45
2.32
2.68
Pronostico
incluyendo
tendencia
FITt
13
14.72
17.28
20.14
22.14
24.89
26.18
29.59
31.60
35.16
Solucin;
Solucin;
=14.72+ .20(17-14.72)=15.176
T2 = T1 + (F2 FIT1)
T3 = T2 + (F3 FIT2)
= 1.92+.40(15.176-14.72)=2.10
Grafica comparativa.
Con la grafica podemos darnos cuenta que nuestro pronostico con tendencia nos ayuda a
la aproximacion de los datos proyectados con los datos reales.
Existen 3 medidas para calcular el error global de pronostico. Estas medidas pueden
usarse para comparar distintos modelos de pronostico, Asi como para vigilar los
pronsticos y asegurar su buen desempeo. Las tres medidas mas populares son:
1. MAD (desviacin absoluta media)
2. MSE (error cuadrtico medio)
3.MAPE (error porcentual absoluto medio)
Su valor se calcula sumando los valores absolutos de los errores individuales del
pronstico y dividiendo el resultado entre el nmero de periodos con datos (n):
MAD = I Real Pronostico l
n
Ejemplo:
Se desea saber el pronstico de descarga de granos en un puerto conocido, realizarlo
por medio de suavizacin exponencial para 9 trimestres, teniendo en cuenta que tu
pronstico para el primer trimestre fue de 175. Calcularlos con las constantes de
suavizacin de = 0.10 y = 0.50.Determinar que pronostico se acerca ms al real.
Solucin:
Trimestre
Descarga
(ton) Reales
180
168
159
175
190
6
7
8
205
180
182
Desviacin
Desviacion
Pronostico
Pronostico
absoluta para
absoluta para
= 0.10
= 0.50
= 0.10
= 0.50
175
175
180-175= 5
180-175=5
168-175.5=
168175.5
177.5
7.5
177.5=9.5
174.75
172.75
15.75
13.75
173.18
165.88
1.82
9.12
173.36
170.44
16.64
19.56
175.02
180.22
29.98
24.78
178.02
192.61
1.98
12.61
178.22
186.3
3.78
4.3
Suma de desviaciones
absolutas:
82.45
82.45/8
=10.31
MAD
98.62
98.62/8=
12.33
Con base a estos resultados, se elegir una constante de suavizacin de alfa = 0.10, ya
que esta tiene una MAD ms pequea.
Ejemplo:
El Gerente de operaciones del puerto quiere calcular el MSE para un alfa = .10
Desviacin
absoluta para
= 0.10
175
180-175= 5
168-175.5=
175.5
7.5
174.75
15.75
173.18
1.82
173.36
16.64
175.02
29.98
178.02
1.98
178.22
3.78
errores al cuadrado
MSE
Trimestre
Descarga
(ton) Reales
180
168
159
175
190
6
7
8
205
180
182
Suma de
Pronostico
= 0.10
(Error)2
(5)2 =25
(7.5)2=56.25
248.06
3.31
276.89
898.80
3.92
14.29
1526.52
190.82
Este Mtodo de clculo de error, no es muy recomendable, ya que exagera mucho este
mismo por la elevacin al cuadrado que se realiza, por lo que depender mucho de las
desviaciones, estn tienen que ser pequeas para ser mejor y as minimizarlo.
Trimestre
1
2
3
4
5
6
7
8
Desviacion
Pronostico
absoluta
para Error porcentual absoluto
= 0.10
= 0.10
100(lErrorl/actual)
180
175
180-175= 5
100*(5/180)=2.78%
168-175.5=
168
175.5
7.5
100*(7.5/168)=4.46%
159
174.75
15.75
9.91%
175
173.18
1.82
1.04%
190
173.36
16.64
8.76%
205
175.02
29.98
14.62%
180
178.02
1.98
1.10%
182
178.22
3.78
2.08%
Suma de Errores
44.75%
MAPE
5.59%
Descarga
(ton) Reales
En conclusin:
MAPE expresa el error como un porcentaje de los errores
reales, sin que se distorsione por un solo valor muy grande.
Es quizs el mtodo ms fcil de interpretar.
Ejemplo:
Se requiere saber el desempeo del pronstico de ventas, los limites
aceptables son de 4 MAD.
Solucin:
Usando el pronstico y los datos de demanda para los ltimos 6 trimestres,
desarrollamos una seal de control en la tabla siguiente:
Trimestr
e
Demand
a Real
Demand
a
pronosti
cada
90
100
95
100
115
100
5
6
RSFE
Error
Absoluto
del
pronostico
Error absoluto
acumulado del
pronostico
MAD
seal de
control
(RSFE/MAD)
Error
90-100=10
95-100=5
-10
-10+(-5)=15
10
10
10+5=15
10/1=10
15/2=7.
5
100
15
-15+15=0
15
15+15= 30
30/3=10
110
-10
-10
10
40
10
-1
125
110
15
15
55
11
0.45
140
110
30
35
30
85
14.17
2.47
-10/10=-1
-15/7.5=-2
Y = a +bX,
Dnde:
Y = el valor de la variable dependiente que se despeja.
a = es la secante (punto donde la recta cruza en el eje y)
b = es la pendiente (si es numero positivo se inclina a la derecha o
asciende, si es negativa esta se inclina a la izquierda o desciende)
X = variable independiente (en anlisis de serie de tiempo, las X son
las unidades de tiempo)
Sy,x = y2 - ay bxy
n-2
raz cuadrada de la divisin
n xy x*y__
___
[n x2 (x)2 ] [n y2 (y)2]
Ejemplo:
Las ventas de una lnea de productos en una empresa durante los 12 trimestres
de los ltimos 3 aos son las siguientes:
TRIMESTRE
1
2
3
4
5
6
VENTAS
TRIMESTRE
VENTAS
600
1550
1500
1500
2400
3100
7
8
9
10
11
12
2600
2900
3800
4500
4000
4900
Solucin:
Se debe graficar los datos en una grfica de dispersin
Podemos notar que existe una relacin positiva entre la variable dependiente
(ventas) y la variable independiente (Tiempo). Esto significa, que conforme pasa el
tiempo, mayores sern nuestras ventas.
Ahora encontraremos la recta de tal manera que los errores o acercamiento de los
puntos con la recta sean mnimos.
Ecuacin de la recta:
Y = a +bx
Para encontrar a y b utilizaremos el mtodo de mnimos cuadrados, siendo las
ecuaciones:
Dnde:
a = Secante de Y
a= -
b XX
b = xy - n XX *
x2 nXX2
b = pendiente de la recta
= promedio de todas las y
XX = promedio de todas las x
1
2
3
4
5
6
7
8
9
10
11
12
600
1550
1500
1500
2400
3100
2600
2900
3800
4500
4000
4900
xy
600
3100
4500
6000
12000
18600
18200
23200
34200
45000
44000
58800
x= 78
y=
33350
xy=
268200
X2
1
4
9
16
25
36
49
64
81
100
121
144
360000
2402500
2250000
2250000
5760000
9610000
6760000
8410000
14440000
20250000
16000000
24010000
x2
=650
y2=
112502500
PRONOSTI
CO
Y = a+ bx
801.3
1160.9
1520.5
1880.1
2239.7
2599.4
2959
3318.6
3678.2
4037.8
4397.4
4757.1
X = 78/12 = 6.5
= 33350/12 = 2779.17
Teniendo los datos del anlisis de mnimos cuadrados, podemos calcular nuestra a
y b dndonos como resultado:
b = (268200) (12)(6.5)*(277917) =
359.62
a= - b XX
b = xy - n XX *
x2 nXX2
De tal manera que con nuestros resultados, trazamos la mejor recta, esa con la
que nuestros mrgenes de error que ocurren entre pronostico y datos reales sean
mnimos.
r=
n xy x*y__
___
[n x2 (x)2 ] [n y2 (y)2]
r = ____12*268200 78*33350______
= 0.97
[12*650 - 782 ] [12*112502500 - 333502]
Nuestro resultado de correlacin fue de .97, lo que indica que existe una fuerte
correlacin positiva entre las variables X y Y.