Академический Документы
Профессиональный Документы
Культура Документы
1. ¿Qué es la previsión?
2. Tipos de previsiones
3. La importancia estratégica de la previsión
4. Etapas en el sistema de previsión
5. Enfoques de la previsión
6. Previsión de series temporales
7. Métodos de previsión causal: análisis de
regresión y correlación
8. Seguimiento y control de previsiones
¿QUÉ ES LA PREVISIÓN?
QUÉ ES LA PREVISIÓN?
A corto plazo:
Cobertura hasta tres meses
Se usa para:
Planificación de compras
Programación de trabajos
Asignación de tareas
Planificación de caja
A largo plazo:
Periodos mayores a tres años
Se usa para:
Planificación de desarrollo y lanzamiento de nuevos productos
Gastos de capital – Inversiones
Tasas de inflación
Construcción de viviendas
• Método Delphi
2
• Estudio de mercado
4
DETERMINACION DE LA
DEMANDA
Los pronósticos son estimaciones de la ocurrencia, la cronología o la magnitud de
futuros eventos inciertos, usando para esto la mejor información disponible, para
obtener un dato más confiable.
Juicio
Indicadores
Económicos
Estimación Previsión
de Ventas Subjetiva
Encuestas Previsión de
la Demanda
Demanda Cte.
Dato Previsión
Demanda Objetiva
Histórica
Modelo
Pronostico
MÉTODOS CUALITATIVOS
Método Delphi
Es una técnica de previsión que utiliza un proceso de
grupo que permite a los expertos realizar
previsiones.
Existen 3 tipos de participantes en el método:
Losque toman decisiones: expertos que realizan la
previsión
El personal soporte: ayuda a los que toman decisiones
analizando los resultados de las encuestas
Los encuestados: personas cuyas opiniones son el input
para los tomadores de decisiones
MÉTODOS CUALITATIVOS
Estudio de mercado
• Modelo
• Modelo
asociativos • Regresión lineal
asociativos (o
(o
causales)
causales)
MÉTODOS CUANTITATIVOS
Modelos de series temporales
1. Tendencia
2. Estacionalidad
3. Ciclos
Semana Día 7
Mes Semana 4–4½
Mes Día 28 – 31
Año Trimestre 4
Año Mes 12
Año Semana 52
DESCOMPOSICIÓN DE UNA SERIE
TEMPORAL
Ciclos:
¿Cómo se calculan?
MEDIAS MÓVILES (EJEMPLO)
MES VENTAS REALES (und) MEDIA MÓVIL DE 3 MESES
Enero 10
Febrero 12
Marzo 13
Abril 16 (10+12+13)/3 = 11,67
Mayo 19 (12+13+16)/3 = 13,67
Junio 23 (13+16+19)/3 = 16
Julio 26 (16+19+23)/3 = 19,33
Agosto 30 (19+23+26)/3 = 22,67
Septiembre 28 (23+26+30)/3 = 26,33
Octubre 18 (26+30+28)/3 = 28
Noviembre 16 (30+28+18)/3 = 25,33
Diciembre 14 (28+18+16)/3 = 20,67
MEDIAS MÓVILES (EJEMPLO)
35
30
25
20
15
10
5
0
Matemáticamente es:
Enero 10
Febrero 12
Marzo 13
Abril 16 ((10x1)+(12x2)+(13x3))/6 = 12,17
Ft = nueva previsión
Ft-1 = previa previsión
α = constante de alisado (0 ≤ α ≥ 1)
At-1 = demanda real del periodo previo
t-1 = periodo previo
ALISADO
EXPONENCIAL
Consideración:
¿Como se calcula????
ALISADO EXPONENCIAL
(EJEMPLO)
En enero, una fabrica predijo para febrero una
demanda de 142 unidades. La demanda real en
febrero fue de 153 unidades. Usando una constante
de alisado escogida por la dirección de α=0,2 se
puede predecir la demanda de marzo, que se calcula
así:
Error = At – Ft
Se usan para:
Comparar distintos modelos de previsión
Controlar que las previsiones están siendo adecuadas
DESVIACIÓN ABSOLUTA MEDIA
(DAM)
Se calcula sumando los valores absolutos de los
errores de previsión individuales y dividiendo por el
número de periodos de los datos (n)
Los programas como SAP encuentran la constante
de alisado mas baja para hacer sus cálculos
Matemáticamente es:
DESVIACIÓN ABSOLUTA MEDIA
(DAM)
VENTAS REALES
MES PREVISIONES (α=0,30) PREVISIONES (α=0,50)
(und)
Enero 10 12 12
Febrero 12 11 11
Marzo 13 11 12
Abril 16 12 12
Mayo 19 13 14
Junio 23 15 17
DESVIACIÓN ABSOLUTA MEDIA
(DAM)
VENTAS
PREVISIONES PREVISIONES
MES REALES DAM (α=0,30) DAM (α=0,50)
(α=0,30) (α=0,50)
(und)
Febrero 12 11 1 11 1
Marzo 13 11 2 12 2
Abril 16 12 4 12 4
Mayo 19 13 6 14 5
Junio 23 15 8 17 6
Matemáticamente es:
ERROR CUADRADO MEDIO
(ECM)
VENTAS REALES
MES PREVISIONES (α=0,30) PREVISIONES (α=0,50)
(und)
Enero 10 12 12
Febrero 12 11 11
Marzo 13 11 12
Abril 16 12 12
Mayo 19 13 14
Junio 23 15 17
ERROR CUADRADO MEDIO
(ECM)
VENTAS
PREVISIONES PREVISIONES
MES REALES ECM (α=0,30) ECM (α=0,50)
(α=0,30) (α=0,50)
(und)
Febrero 12 11 1 11 1
Marzo 13 11 2 12 2
Abril 16 12 4 12 4
Mayo 19 13 6 14 5
Junio 23 15 8 17 6
Enero 10 12 12
Febrero 12 11 11
Marzo 13 11 12
Abril 16 12 12
Mayo 19 13 14
Junio 23 15 17
ERROR PORCENTUAL ABSOLUTO
MEDIO
(EPAM)
VENTAS
PREVISIONES EPAM (α=0,30) PREVISIONES
MES REALES EPAM (α=0,50)
(α=0,30) 100(Error/Real) (α=0,50)
(und)
100x((10 – 100x((10 –
Enero 10 12 12
12)/10) = -20% 12)/10) = -20%
Febrero 12 11 8% 11 8%
Marzo 13 11 15% 12 8%
Donde:
Ft = previsión alisada exponencialmente de la serie
de datos en el periodo t
Tt = tendencia alisada exponencialmente de la serie
de datos en el periodo t
At = demanda real en el periodo t
α = constante de alisado para la media (0≤ α ≤1)
β = constante de alisado para la tendencia (0≤ β ≤1)
ALISADO EXPONENCIAL CON AJUSTE DE
TENDENCIA
En resumen, los tres pasos para calcular una
previsión con ajuste de tendencia son:
Enero 10
Febrero 12
35
Marzo 13 30
Abril 16 25
20
Mayo 19
15
Junio 23 10
Julio 26 5
0
Septiembre
Abril
Enero
Junio
Octubre
Noviembre
Febrero
Julio
Marzo
Mayo
Agosto
Agosto 30
Septiembre 28
Octubre 18
Noviembre 16
Diciembre ?
ALISADO EXPONENCIAL CON AJUSTE DE
TENDENCIA (EJEMPLO)
Datos:
α = 0,20
β = 0,40
La previsión inicial para el mes 1 (Ft) = 12 unidades
La tendencia (Tt) = 2 unidades
a = corte en el eje y
En donde:
b = pendiente de la recta
∑ = sumatoria
x = valores conocidos de la variable independiente
= media de los valores de x
= media de de los valores de x
n = número de datos
PROYECCIONES DE
TENDENCIA
Se puede calcular la intersección con el eje y de la
siguiente forma:
Ejemplo…
PROYECCIONES DE TENDENCIA
(EJEMPLO)
PERIODO DE VENTAS
MES
TIEMPO (x) REALES (y)
x2 xy
Enero 1 10 1 10
Febrero 2 12 4 24
Marzo 3 13 9 39
Abril 4 16 16 64
Mayo 5 19 25 95
Junio 6 23 36 138
Julio 7 26 49 182
Agosto 8 30 64 240
Septiembre 9 28 81 252
Octubre
Noviembre
25
Unidades
20
15
10
Mes
PROYECCIONES DE TENDENCIA
(EJEMPLO)
Ventas estimadas para Octubre:
37 unidades
Ejemplo…
VARIACIONES ESTACIONALES EN LOS
DATOS
DEMANDA DE VENTAS (REALES)
(EJEMPLO)
DEMANDA MEDIA DEMANDA INDICE DE
2010 - 2012 MESUAL MEDIA ESTACIONALIDAD
MES 2010 2011 2012
ENERO 80 85 105 90 94 0,9574
FEBRERO 70 85 85 80 94 0,8511
MARZO 80 93 82 85 94 0,9043
ABRIL 90 95 115 100 94 1,0638
MAYO 113 125 131 123 94 1,3085
JUNIO 110 115 120 115 94 1,2234
JULIO 100 102 113 105 94 1,1170
AGOSTO 88 102 110 100 94 1,0638
SEPTIEMBRE 85 90 95 90 94 0,9574
OCTUBRE 77 78 85 80 94 0,8511
NOVIEMBRE 75 82 83 80 94 0,8511
DICIEMBRE 82 78 80 80 94 0,8511
Demanda media anual = 1128 und
Demanda 1.128
mesual = = 94 und
media 12 meses
VARIACIONES ESTACIONALES EN LOS
DATOS
(EJEMPLO)
Si se estima que la demanda anual del 2013 será
de 1.200 unidades, se puede calcular cómo sería la
demanda mensual…
VARIACIONES ESTACIONALES EN LOS
DATOS
(EJEMPLO)
DEMANDA DE VENTAS (REALES)
DEMANDA MEDIA DEMANDA INDICE DE DEMANDA ESTIMADA
MES 2010 2011 20122010 - 2012 MESUAL MEDIA ESTACIONALIDAD 2013
Demanda 1.200
mesual = x indice de estacionalidad de cada mes
estimada 12 meses
COMPARACIÓN DE PROYECCIONES
DE TENDENCIA (EJEMPLO –
ANÁLISIS LINEAL)
140
120
100
80
y = 0.3699x + 87.157
60
40
20
0
1 3 5 7 9 11 13 15 17 19 21 23 25 27 29 31 33 35
COMPARACIÓN DE PROYECCIONES
DE TENDENCIA (EJEMPLO –
ANÁLISIS LINEAL)
140
120
100
80
60
40
20
0
1 3 5 7 9 11131517192123252729313335373941434547
COMPARACIÓN DE PROYECCIONES DE TENDENCIA
(EJEMPLO – CONSIDERANDO ESTACIONALIDAD)
140
120
100
80
60
40
20
0
1 3 5 7 9 11131517192123252729313335373941434547
VARIACIONES CÍCLICAS EN LOS
DATOS
Los ciclos son como las variaciones estacionales
de los datos pero que se producen cada varios
años
Es difícil preverlas a partir de una serie temporal de
datos porque no es fácil predecir el punto de
inflexión que indica que está empezando un nuevo
ciclo
El mejor camino es encontrar una variable líder con
la parezca que la serie de datos tiene correlación
PREVISIÓN CAUSAL O ASOCIATIVA
ANÁLISIS DE REGRESIÓN Y
CORRELACIÓN
Es un modelo matemático que utiliza una línea
recta para describir las relaciones funcionales entre
las variables dependientes e independientes con la
cantidad que se va a predecir
Una vez identificadas las variables, se construye un
modelo estadístico
Este enfoque es mas potente y preciso que el de
las series temporales, que únicamente utilizan
valores históricos de la variable a predecir
ANÁLISIS DE REGRESIÓN Y
CORRELACIÓN
En el análisis causal hay que tener en cuenta
muchos factores. Ej:
Las ventas de GREST pueden relacionarse con el presupuesto de
publicidad de la comercializadora, los precios de venta, los precios
de los competidores y sus estrategias de promoción, o incluso la
economía nacional y la tasa de desempleo. En este caso, las
ventas del GREST serían las variables dependientes y las otras
variables serían las independientes
Hay que buscar la mejor relación estadística entre
las ventas del producto y las variables
independientes
El modelo cuantitativo de previsión causal mas
común es el análisis de regresión lineal
USO DEL ANÁLISIS DE REGRESIÓN
PARA REALIZAR PREVISIONES
Puede utilizarse el mismo modelo matemático del
método de los mínimos cuadrados con proyección
de tendencia
ŷ = a + bx
Ejemplo…
CÁLCULO DE LA ECUACIÓN DE
REGRESIÓN LINEAL (EJEMPLO)
Con el paso del tiempo, la empresa ha descubierto
que el volumen de ventas de antigripales depende
del número de casos de gripe que MinSalud registra.
14,000
12,000
10,000
8,000
6,000
4,000
2,000
0
0 50,000 100,000 150,000 200,000 250,000
Casos registrados
CÁLCULO DE LA ECUACIÓN DE
REGRESIÓN LINEAL (EJEMPLO)
A partir de los seis puntos, se observa una relación
de carácter positivo entre la variable independiente
(casos registrados) y la variable dependiente
(ventas): a medida que se registran mas casos de
gripe, las ventas de antigripales tienden a ser
mayores
ŷ = -13.710,36 + (10,65)(x)
14,000
12,000
10,000
8,000
6,000
4,000
2,000
0
-50,000 0 50,000 100,000 150,000 200,000 250,000
Casos registrados
ERROR ESTÁNDAR DE LA
ESTIMACIÓN
Este error estándar de estimación (Sy,x) se
conoce como la desviación estándar de la
regresión: mide el error desde la variable
dependiente, y, hasta la línea de regresión, en
lugar de hasta la media.
∑y2 = 120.571.000.000
Sy,x = 46.897
El error estándar en la medición es de 46.897
unidades de ventas
COEFICIENTES DE CORRELACIÓN
PARA LAS RECTAS DE REGRESIÓN
La ecuación de regresión es una forma de expresar
la naturaleza de la relación entre dos variables
Las rectas de regresión no son relaciones “causa –
efecto”
Describen la relación entre las variables
En el ejercicio…
0 DAM
_
SEGUIMIENTO Y CONTROL DE
PREVISIONES –
LÍMITES DE SEGUIMIENTO
Se trata de hallar valores razonables no tan
pequeños como para ser superados con cada
pequeño error de la previsión y no tan grandes
como para permitir que se pasen por alto de forma
habitual las malas previsiones
Se sugiere utilizar ± 4 DAM para productos de gran
volumen y ± 8 DAM para los de bajo volumen
Un DAM equivale a ± 0,8 desviaciones estándar
Previsión enfocada:
Es la previsión que prueba diversos modelos
informáticos y selecciona al mejor para una aplicación
determinada
RESUME
N
Las previsiones son una parte crítica de las
funciones de quien dirige las operaciones