PRONOSTICOS

Definicin del pronostico

Arte y ciencia de predecir los eventos futuros El objetivo del pronostico es hacer estimaciones correctas Puede ser subjetivo (intuitiva) u objetiva (utilizando datos historicos) La planeacion efectiva a corto y largo plazo depende del pronostico de la demanda
2

Clasificacion (por su contenido)

Pronosticos

economicos Pronosticos tecnologicos Pronosticos de la demanda

Clasificacion (por horizonte de tiempo)

Pronostico a corto plazo

conservador: <1 ano Agresivo: <3 meses Para: planear compras, programar trabajo, asignar trabajo, decidir niveles de inventarios y mano de obra Conservador: 1-3 aos Agresivo: 3 meses a 1 ao Para: planear ventas, capacidad de produccion, presupuesto, flujo de efectivo Conservador: >5 aos Agresivo: >3 anos Para: planear nuevos productos, gastos de capital, ubicacion o amplicacion de instalaciones, R&D
4

Pronostico a mediano plazo

Pronostico a largo plazo

Caracteristicas de los pronosticos

Pronosticos a mediano y largo plazo
manejan cuestiones mas globales y soportan decisiones administrativas usan mas metodos cualitativos

Pronosticos a corto plazo

Manejan cuestiones muy especificas y del dia a dia Usan mas metodos cuantitativos

Menos precisos

Mas precisos

Se ven afectados por el ciclo de vida del producto

No se ven afectados por el ciclo de vida del producto

Caractersticas de los pronosticos

Los pronsticos siempre estn equivocados, por tanto deben incluir tanto el valor esperado del pronstico como una medida de su error.
Los pronsticos agregados son ms precisos que los desagregados

Mientras ms arriba en la cadena est una compaa (ms lejos del consumidor), mayor ser la distorsin de la informacin que recibe y, por lo tanto, mayor ser el error de pronstico
6

Metodos cualitativos

Incorporan la intuicion, emociones, experiencias personales y sistema de valores de quien los hace:

Jurado de opinion de ejecutivos las opiniones de un grupo de expertos, apoyados con modelos estadisticos, convergen para llegar a una estimacin
Metodo delphi se hacen cuestionarios a un grupo de personas; sus opiniones se resumen y son analizadas por un grupo de expertos, los cuales elaboran el pronstico final en base a ellas.

Metodos cualitativos

Composicin de la fuerza de ventas cada vendedor estima sus ventas y se suman para formar el total Encuesta en el mercado de consumo se solicita informacion a los clientes sobre sus planes de compra futuros.

Analogas de ciclo de vida se basa en la introduccion, crecimiento y saturacion de productos similares Estudios de mercado
8

Metodos cuantitativos
Modelos de series de tiempo suponen que el futuro es una funcion del pasado; usan datos historicos, separados a intervalos iguales, para hacer el pronostico

Enfoque intuitivo Promedios moviles Suavizamiento exponencial Proyeccion de tendencias

Modelos asociativos analizan las variables o factores relacionadas con la cantidad a pronosticar (por eso se les llama modelos causales)
Regresion lineal

Caracteristicas de una serie de tiempo

Tendencia moviemiento gradual, ascendente o descendente, de los datos Estacionalidad patron de datos que se repite despues de un periodo de dias, semanas, meses o trimestres Ciclos patrones en los datos que se repiten despues de varios anos, usualmente sujetos al ciclo comercial

Variaciones aleatorias cambios en los datos generados por casualidad o por situaciones inusuales, sin seguir ningun patron detectable que pueda predecirse
10

Series de tiempo - Enfoque intuitivo

Supone

que la demanda del siguiente periodo sera igual a la del periodo mas reciente
mas barato de los modelos objetivos

Modelo

11

Series de tiempo - Promedios moviles

Utiliza el promedio de un numero n de datos historicos para generar el pronostico.

promedio movil = demanda de los n periodos anteriores n

Si se presentan tendencias se usan ponderaciones para dar mas importancia a los valores recientes

Ejercicio 4.2 Heizer. PP 140

12

Ejemplo (promedios mviles)

35 30 25 20 15 10 5 0
Enero Feb Mar Abr May Jun Jul Ago Sep Oct Nov Dic

30 26 23 19 16 10 12 13 18 16 14 Ventas 28

Usar prom mov con n=3 y n=6. Usar prom mov ponderado con .6, .3, .1

13

Continua Promedios moviles

Efectivo para suavizar las fluctuaciones repentinas en el patrn de la demanda, pero:

Al aumentar el tamano de n, se suavizan mejor las fluctuaciones, pero se quita sensibilidad a los cambios reales Retrasan los valores reales (al ser promedios, no reflejan bien las tendencias) Requieren amplios registros de datos histricos.
14

Series de tiempo Suavizamiento exponencial

Donde 0><1
es la constante de suavizado Su valor tipico en empresas comerciales es de .05 a .50 Se emplean valores altos cuando el promedio tiene probabilidades de cambiar Se emplean valores bajos cuando el promedio inicial es bastante estable

Ejercicio 4.3 Heizer. PP 140

15

Ejemplo. Suav. Exponencial

El puerto de veracruz descarga, cada trimestre, grandes cantidades de grano de los barcos. Quieren, con suav exponencial, predecir cuntas toneladas descargarn el 9 trimestre y contratar suficientes personas para ello.
250 200 180 150 100 50 0 1er trim 2o trim 3er trim 4 5 6 7 8 9 168 159 175 190 205 180 182 Tons. Descarga

16
Usar a=.5 y a=.1 El pronstico para el primer trimestre haba sido de 170 tons

Suavizamiento exponencial con ajuste de tendencia

Cuando se observa una tendencia en los datos, el suavizamiento exponencial debe modificarse por uno que haga ajustes de tendencia: Pronostico (FITt) = pronostico exponencialmente suavizado (Ft) + tendencia exponencialmente suavizada (Tt)

Donde:
Ft = (At-1) + (1- )(Ft-1+Tt-1) Tt= (Ft - Ft-1)+(1- )(Tt-1)

Ft = pronostico exponencialmente suavizado en periodo t Tt = tendencia exponencialmente suavizada para periodo t At = Demanda real en t = constante de suavizado para el promedio = constante de suavizado para la tendencia

17

Ejemplo
35 30 25 20 15 10 5 0
Enero Feb Mar Abr May Jun Jul Ago

30

20 14 10 13

21 19

20

Calcula las ventas de septiembre con suavizamiento exponencial doble. Asume que el pronstico para agosto haba sido de 28 unidades y la tendencia pronosticada para agosto haba sido de 3 unidades.
18

Series de tiempo - Proyeccion de tendencias

Ajusta una recta de tendencia a una serie de datos historicos y despues proyecta dicha recta al futuro para obtener los pronosticos Se usa el metodo de minimos cuadrados para obtener la recta de tendencia cuya formula es:
y = a + bx b= (xy-nxpromyprom)/(x2-nxprom2) a=yprom-bxprom r=nxy- xy/((nx2- (x)2)(ny2- (y)2))

Donde

El metodo no puede predecir periodos lejanos a los datos historicos

Ejercicio 4.13 Heizer. PP 142

19

Ejemplo. Proyeccin de tendencias

35 30 25 20 15 10 5 0
2001 2002 2003 2004 2005 2006 2007 2008 2009

30 26 23 19 16 10 12 13 Ventas

20

Series de tiempo - Variaciones estacionales

Para

considerar variaciones estacionales, la demanda promedio debe multiplicarse por un factor estacional.
factores estacionales indican cuanto difieren los valores reales de los valores promedio en la serie de tiempo.
factor estacional = demanda promedio historica estacional demanda promedio historica anual
Ejercicio 4.27 Heizer. PP 144

Los

21

Fecha 09-Sep

Clientes 84 82

Ejemplo Indices Estacionales

Pasta Alfredo, un restaurante italiano, basa su programacion de mano de obra en la demanda anticipada de sus clientes. La demanda muestra poca tendencia, pero tiene una variabilidad sustancial entre los das de la semana. Por lo tanto, el restaurante desea construir un sistema de pronostico que le permita predecir de manera adecuada el numero de clientes para cualquier da dado en el futuro cercano. Alfredo ha recabado datos de las cuatro ultimas semanas, que se muestran a continuacin. Calcule los ndices estacionales (diarios) para el restaurante

10-Sep

11-Sep
12-Sep 13-Sep 14-Sep 15-Sep 16-Sep

78
95 130 144 42 82 71

160 140

17-Sep

18-Sep
19-Sep 20-Sep

89
94 144 135 48 93 77

120 100

21-Sep 22-Sep 23-Sep 24-Sep

80 60 40

25-Sep
26-Sep 27-Sep 28-Sep 29-Sep 30-Sep

83
103 135 140 37 80 67

20 0 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 1 2 3 4 5 6

01-Oct

02-Oct
03-Oct 04-Oct 05-Oct

98
96 125 136

22

Asociativos - Regresion y correlacion

Los metodos asociativos casi siempre consideran varias variables relacionadas con la cifra por predecir.
Con dichas variables, se construye un modelo estadistico que se usa para pronosticar la demanda. Los modelos estadisticos mas usados son regresion lineal y regresion multiple. Deben calcularse el coeficiente de correlacion (r ) y el coeficiente de determinacion (r2) de cada modelo para entender bien las relaciones entre las variables del mismo.

Ejercicio 4.34 Heizer. PP 145

23

Ejemplo de regresin mltiple

El numero de accidentes automovilsticos mensuales en cierta regin esta relacionado con el numero de automviles regisrados (X1), la venta de bebidas alcohlicas (X2) y la cantidad de lluvia en pulgadas (X3). Si la formula de regresin para esta variable es la siguiente, calcule el nmero de accidentes esperados en cada escenario.

Y=7.5+3.5x1+4.5x2+2.5x3

Escenario

Autos registrados (x 1000) 2 3 4

Venta de bebidas (10,000) 3 5 7

Pulgadas de lluvia

Accidentes esperados

A B C

0 1 2

24

Seleccion de un modelo de pronostico

Para patrones de demanda estables, que surgen durante el periodo de madurez del ciclo de vida util de un producto, resultan adecuados los promedios moviles o bien las tecnicas de suavizamiento exponencial unico. Cuando un producto se encuentra en sus etapas iniciales de crecimiento, o en los periodos de dispersion del producto, quiza sea mas adecuado el suavizamiento exponencial doble. Se ha descubierto que los modelos de regresion, junto con los indices de estacionalidad, son mas efectivos para fines de pronostico a mediano plazo. Narasimhan
25

Medicion del error

Error de un pronostico = demanda real - valor pronosticado

fin de comparar distintos modelos de pronostico, asi como para vigilar su buen desempeno, se usan medidas para calcular el error global del pronostico:

26

Medicion del error

Mean

absolute deviation (MAD):

MAD = promedio (errores absolutos)

Mean

absolute percent error (MAPE):

MAPE = promedio (errores/demandas reales)

Mean

squared error (MSE):

MSE = promedio (errores cuadrticos)
Ejercicio 4.8 Heizer. PP 141

27

Ejemplo de medicin del error

Las temperaturas diarias altas en la ciudad de Houston durante la ultima semana fueron las siguientes: 93, 94, 93, 95, 96, 88 y 90 (ayer). a) Pronostique la temperatura alta para hoy usando un promedio movil de 3 dias b) Pronostique la temperatura alta para hoy usando un promedio movil de 2 dias c) Calcule la desviacion absoluta media con base en un promedio movil de 2 dias d) Calcule el error cuadratico medio para un promedio movil de 2 dias e) Calcule el error porcentual absoluto medio para el promedio movil de 2 dias

28

Supervision de los pronosticos

Usar un grafico de control para monitorear los pronsticos:

Seal de control = sesgo/ MAD = suma (errores) mad Nota: Una senal de control buena es aquella con un bajo sesgo; es decir, donde los errores negativos y positivos se equilibran.

sesgo = suma acumulada de los errores de pronstico

Los limites del grafico de control debe elegirlos cada empresa, pero expertos recomiendan +-4MAD (4MAD=3.2)

29

Ejemplo de seal de control

En la tabla se muestran las ventas trimestrales de cuernitos (en millares), asi como la demanda pronosticada a) Completa los datos de la tabla b) Grafica la senal de contro resultante c) Elige unos limites de control para la grafica (y justificalos). Indica si la senal de control cayo siempre dentro de limites

Trimestre 1 2 3 4 5 6

Demanda 90 95 115 100 125 140

Pronstico 100 100 100 110 110 110

Error

Error absoluto

SCEP

SCEP (absoluto)

MAD acumulada

Seal de control

30

Software para pronsticos

Los

software para planeacin de la demanda (Demand planners) incluyen algoritmos para hacer pronsticos

La

mayora funcionan con pronsticos adaptativos (la computadora prueba varios modelos o varios alfas y va escogiendo aqul que mejor se haya comportado los ltimos meses).
31