Академический Документы
Профессиональный Документы
Культура Документы
1.- Introduccin
Es importante que las empresas cuenten con hiptesis cuyas predicciones de consecuencias
observacionales sean acertadas, para optimizar la eficacia de la planeacin empresarial. El primer
paso en la planeacin es la prediccin, es decir estimar la demanda futura de productos y servicios y
los recursos necesarios para producirlos. Las estimaciones de la demanda para productos y servicios,
por lo general, se conocen como pronsticos de venta que, en la administracin de la produccin y de
las operaciones, constituye el punto de partida de todos los dems pronsticos.
En este trabajo se muestran distintos modelos cuantitativos para realizar predicciones a diferentes
plazos. Estos modelos matemticos se basan en estimaciones estadsticas y, por lo tanto, las
explicaciones y predicciones que de ellos se derivan, no son nomolgicas, sino estocsticas.
Estimamos que los modelos propuestos disminuyen el margen de error y por consiguiente, el riesgo y
la incertidumbre.
Las predicciones a largo plazo sirven para tomar decisiones estratgicas relacionadas con productos,
procesos e instalaciones y por lo general abarcan un ao o ms. Las predicciones a mediano plazo
por lo general cubren varios meses. Tambin, se necesitan predicciones a corto plazo que ayuden en
la toma de decisiones en pocas semanas.
1
3.1.- Mtodos Cualitativos
La Analoga Histrica y las Investigaciones de Mercado son procedimientos tiles para productos
y servicios nuevos. La analoga histrica estima las ventas futuras de un producto nuevo con el
conocimiento de las ventas de un producto similar y las investigaciones de mercado son las
encuestas de mercado que consisten en cuestionarios por correo y/o entrevistas telefnicas.
Por lo tanto, el mtodo de prediccin ms apropiado depender de la etapa del ciclo de vida del
producto.
3.2.-Modelos Cuantitativos
Son modelos matemticos que se basan en datos histricos, bajo el supuesto de que son relevantes
para el futuro. Estos modelos se pueden utilizar con series de tiempo. Una serie de tiempo es un
conjunto de valores observados, medidos durante perodos sucesivos.
Una de las caractersticas ms importantes que tienen estas predicciones es la precisin, que indica
cun cerca estn las predicciones de los datos reales. Las predicciones se realizan antes de conocer
los datos reales. Por lo tanto, su precisin slo puede determinarse despus que haya transcurrido el
tiempo. Si los valores de las predicciones quedan muy cerca de los datos reales, diremos que tienen
una elevada precisin o que el error de prediccin es bajo. Para determinar la precisin de los
modelos de prediccin se suman las distancias entre las predicciones y los datos reales a travs del
tiempo. Si la precisin del modelo es baja, o sea que la suma obtenida es alta, se modifica el mtodo
o se escoge uno nuevo.
Considera la estimacin de condiciones futuras en lapsos mayores de un ao. Son necesarios para
dar apoyo a las decisiones estratgicas sobre planeacin de sistemas de produccin a largo plazo:
procesos, tecnologas, instalaciones, etc.
Los datos histricos de ventas tienden a estar formados por varias componentes: la tendencia, los
ciclos, la estacionalidad y la fluctuacin aleatoria o ruido. La tendencia a largo plazo es una lnea de
pendiente ascendente o descendente, un ciclo es un patrn de datos que puede abarcar varios aos
antes de que se repita, la estacionalidad se repite despus de un perodo, generalmente un ao y la
fluctuacin aleatoria que resulta de variaciones aleatorias o de causas no explicadas.
Regresin Lineal y Correlacin: se utiliza en predicciones a largo plazo. Pero si el conjunto de los
datos histricos se proyecta en slo unos cuantos perodos en el futuro, la regresin tambin
puede utilizarse apropiadamente en predicciones a corto plazo. El anlisis de regresin lineal es
un modelo de prediccin que establece la relacin entre una variable dependiente y una o ms
2
variables independientes. Si los datos histricos son las ventas, que forman una serie de tiempo,
la variable independiente es el perodo y la variable dependiente son las ventas. Un modelo de
regresin no necesariamente tiene que estar basado en una serie de tiempo, en cuyo caso el
conocimiento de los valores futuros de la variable independiente (llamada tambin variable
causal) se utiliza para predecir valores futuros de la variable dependiente.
Rangos de Predicciones: cuando el anlisis de regresin lineal genera predicciones para perodos
futuros, stas son estimaciones que estn sujetas a errores. La presencia de errores de
prediccin o de variaciones al azar es un proceso que est inmerso en la incertidumbre. Una
manera de tratar esta incertidumbre es desarrollando intervalos de confianza para las
predicciones.
En este trabajo realizamos una aplicacin con datos reales del ltimo modelo.
Son estimaciones de situaciones futuras que abarcan perodos tan cortos de tiempo que los ciclos, la
estacionalidad y los patrones de tendencia surten muy poco efecto. La fluctuacin aleatoria es la
caracterstica principal que afecta a estas predicciones. Su clculo proporciona informacin para
tomar decisiones sobre: Qu cantidad de un producto debe mantenerse el mes siguiente o debe
producirse la semana siguiente? Cunto de cada materia prima debe pedirse para su entrega la
siguiente semana? Cuntos trabajadores deben programarse para trabajar en tiempo normal y extra
la semana entrante?
Los modelos de prediccin a corto plazo se evalan en funcin de: respuesta de impulso, capacidad
de amortiguacin de ruido y precisin. Las predicciones que reflejan todas las pequeas fluctuaciones
ocurridas en los datos del pasado se dice que incluyen variaciones aleatorias o ruido. Si las
predicciones tienen pequeas fluctuaciones de un perodo a otro, se dice que tienen amortiguacin de
ruido.
Las predicciones que responden rpidamente a los cambios en los datos histricos se describen
como de una respuesta de impulso elevada. Por el contrario, si hay un registro mnimo de los
cambios tienen una respuesta de impulso baja.
Es deseable que una prediccin a corto plazo contenga una respuesta de impulso elevada y una alta
capacidad de amortiguacin de ruido. Ambas situaciones no pueden darse simultneamente. Un
sistema de prediccin que responda rpidamente a los cambios en los datos, obligatoriamente
adquiere una gran cantidad de ruido. Al seleccionar modelos de prediccin se debe escoger cul ser
la caracterstica ms valiosa: una elevada respuesta al impulso o una elevada capacidad de
amortiguacin de ruido.
La precisin de un modelo predictivo ser mayor en la medida que sea ms prxima a los datos
reales. Hay tres medidas de precisin: El error estndar, el Error cuadrtico medio y la Desviacin
media absoluta (MAD).
Mtodo de los Promedios Mviles: es el modelo de las series de tiempo a corto plazo que
pronostica las ventas para el siguiente perodo. Para ello, promedia los datos de unos cuntos
perodos recientes y este promedio se convierte en la prediccin del perodo siguiente. Cuanto mayor
3
sea la cantidad de perodos promediados, mayor es la capacidad de amortiguacin del ruido y menor
es la respuesta de impulso del pronstico y viceversa.
Mtodo de Suavizacin Exponencial: en este mtodo las ventas pronosticadas para el ltimo
perodo se modifican utilizando la informacin del error de prediccin del ltimo perodo. La
suavizacin exponencial toma la prediccin del perodo anterior y le incorpora un ajuste para obtener
la prediccin del siguiente perodo. Este ajuste es proporcional al error y se calcula multiplicando el
error de prediccin del perodo anterior por una constante (constante de suavizacin) entre 0 y 1.
Los pronosticadores seleccionan valores para basados en criterios como la precisin, la respuesta
de impulso y la capacidad de amortiguacin del ruido. No siempre niveles ms altos de implican
predicciones ms precisas. Cada conjunto de datos tiende a tener cualidades nicas, de modo que se
sugiere experimentar con diferentes niveles de para obtener mayor precisin. La suavizacin
exponencial brinda ms peso a los datos de perodos ms recientes que a los perodos mas alejados.
Mtodo de Suavizacin Exponencial con Tendencia: el modelo difiere del anterior porque
considera datos con tendencia. Esta caracterstica puede estar presente en datos a mediano plazo.
Tambin se conoce como suavizacin exponencial doble, ya que suaviza tanto la estimacin del
promedio como la estimacin de tendencia, utilizando dos constantes de suavizacin.
Para seleccionar un mtodo de prediccin se debe considerar varios factores: costo, precisin, datos
disponibles, lapso de tiempo, naturaleza de los productos y servicios, respuesta de impulso y
amortiguacin del ruido.
Para monitorear y controlar un modelo de prediccin es conveniente utilizar lo que se conoce como
seal de seguimiento.
n n
(Demanda real Demanda prediccin )i (Demanda real Demanda pronosticada )i
Seal de seg = i =1
n
= i =1
MAD
(Demanda real Demanda prediccin ) i
i =1
n
4.- Aplicaciones
4
El gerente de la Peluquera Exclusiva de San Miguel de Tucumn desea estimar las ventas a corto
plazo. Los datos registrados corresponden a las ventas mensuales desde Enero de 2006 hasta
Agosto de 2009. De este modo, la serie de tiempo consta de 44 datos.
1.- Se recurre al modelo de Regresin Lineal para realizar predicciones de las ventas futuras para
Setiembre y Octubre de 2009.
Para predecir las ventas futuras en los meses requeridos, se asignan los valores 45 y 46, que son
los dos valores siguientes de X: Y (45) = 4.802,17 Y (46) = 4.880,64
2.- Para evitar las fluctuaciones, debidas a patrones estacionales, que ocurren durante un ao y se
repiten anualmente, recurrimos a otro modelo de regresin lineal donde se consideran los datos de
las ventas, agrupados trimestralmente desde Enero de 2006 hasta Diciembre de 2008, obteniendo 12
datos.
Para desestacionalizar los datos se divide cada dato trimestral en su ndice de estacionalidad. Con
estos datos desestacionalizados (12 trimestres) se realiza una regresin lineal que resulta:
a = 5524,278 b = 623,010
Y = a + b X = 5524,278 + 623,010 . X
Las predicciones de las ventas desestacionalizadas para los cuatro trimestres del ao 2009 son:
Y(13) = 13623,40
Y(14) = 14246,41
Y(15) = 14869,42
Y(16) = 15492,43
Las predicciones estacionalizadas se calculan multiplicando estos ltimos por sus respectivos ndices
de estacionalidad, obtenindose:
3.- Como se contaba con datos semanales se recurri al modelo de Promedio Mvil para la
prediccin de las ventas para todas las semanas. En general, las ventas fueron estables en el ao
2009, con algunas fluctuaciones aleatorias de una semana a otra. Se consider un promedio mvil de
3, 5 y 7 semanas y se utilizaron los datos de 34 semanas consecutivas correspondientes al ao 2009
(desde enero 2009 hasta agosto 2009). Tambin, se compara la precisin de cada uno de los
promedios con el perodo de las 27 semanas ltimas.
5.- Conclusiones
En este trabajo mostramos diferentes modelos matemticos para realizar predicciones. Algunos de
ellos fueron aplicados a un conjunto de datos reales, correspondientes a las ventas de un negocio
durante tres aos. Se aplicaron los modelos pertinentes para obtener estimaciones en diversos
perodos de tiempo.
5
La incertidumbre nunca puede ser totalmente eliminada porque es un rasgo intangible y psicolgico
de la administracin. Con la aplicacin de los modelos matemticos usados se disminuye el riesgo de
error en la prediccin, porque se muestra que hay una relacin muy estrecha entre los valores
predictivos y los valores reales. En consecuencia, un administrador puede tomar decisiones con cierto
grado de certeza.
Podemos concluir que la aplicacin de los modelos de prediccin permite tomar acciones futuras,
dando cierta seguridad en la produccin oportuna de productos y servicios de la calidad ms alta al
costo ms bajo, logrando una ptima planeacin empresarial.
Bibliografa