Definicin: Es un proceso que permite estimar un evento futuro analizando para ello datos del
pasado. Los datos del pasado se combinan sistemticamente en una forma predeterminada para obtener el estimativo del futuro. Un pronstico es una prediccin de eventos futuros que se utiliza con propsitos de planificacin. Estimacin anticipada del valor de una variable, por ejemplo: la demanda de un producto. Pronosticar es el arte y la ciencia de predecir los eventos futuros. Puede involucrar el manejo de datos histricos para proyectarlos en el futuro, mediante algn tipo de modelo matemtico. Generalmente los pronsticos son tanto intuitivos como subjetivos, esto es debido a que la toma de decisiones se lleva a cabo con un buen modelo matemtico y el buen juicio del administrador. La elaboracin de pronsticos es el proceso de proyeccin de los valores de una o ms variables en el futuro.
Predecir: Es un proceso que permite estimar un evento futuro basndose para ello en los
datos del pasado y en consideraciones subjetivas, estas no necesitan combinarse de una forma predeterminada. Desde el punto de vista conceptual, algunos autores [Tawfik & Chauvel, 1992; Adam & Ebert, 1991; Kalenatic & Blanco, 1993] expresan la importancia de diferenciar entre los trminos prediccin y pronstico, ya que de acuerdo a su criterio, las predicciones se basan meramente en la consideracin de aspectos subjetivos dentro del proceso de estimacin de eventos futuros, mientras que los pronsticos, se desarrollan a travs de procedimientos cientficos, basados en datos histricos, que son procesados mediante mtodos cuantitativos.
La elaboracin de pronsticos por lo general est incluida en una cadena de valor general y en los sistemas de software de planeacin de la demanda. Estos sistemas integran marketing, inventarios, ventas, planeacin de operaciones y datos financieros. Por ejemplo, el mdulo de planeacin de la demanda permite a las empresas integrar la informacin de planeacin de diferentes departamentos u organizaciones en un solo plan de demanda. Algunos proveedores de software comienzan a utilizar las palabras planeacin de la demanda o cadena de la demanda en lugar de la cadena de suministro. Este cambio de nombre resalta el hecho de que los deseos y necesidades de los clientes definen el paquete de beneficios para el cliente y que
Mtodo Delphi: El mtodo Delphi consiste en la elaboracin de pronsticos por opinin de expertos al recabar valoraciones y opiniones de personal clave con base en su experiencia y conocimiento de la situacin. Un grupo especial de expertos se conoce como Delphi. La corporacin RAND desarrollo el mtodo Delphi como una tcnica para que un grupo pronosticara la demanda de productos o servicios nuevos o en un proyecto. El mtodo empieza pidindole a cada miembro que proporcione por escrito su pronstico individual acompaado de cualquier argumento o suposiciones en que se apoye. Estos pronsticos se presentan al investigador Delphi, quien edita, clarifica y resume los datos. Estos datos se les comunican a los miembros, a modo de retroalimentacin, junto con una segunda ronda de preguntas. El procedimiento se repite normalmente alrededor de cuatro rondas, momento en que con frecuencia los miembros del grupo llegan a un consenso en algunos de los temas.
Anlisis del ciclo de vida : Otro recurso cualitativo que se utiliza con frecuencia como ayuda
para el pronstico se conoce como anlisis del ciclo de vida. Los administradores experimentados que han lanzado muchos productos nuevos generalmente pueden estimar cunto tiempo permanece un producto en cada una de las fases de su ciclo de vida. Este pronstico del ciclo de vida, aunado a otra informacin del mercado, produce estimados razonablemente precisos de la demanda a mediano y largo plazo.
Entrada-salida
Causal
Economtrico
Box-Jenkins
Cuantitativo Multiplicativo
Auto proyeccin
Exponencial
Encuestas
Pronstico
Delphi
Cualitativo
Analoga histrica
Pruebas de mercadotecnia
Previsin imaginativa : Tambin conocida como juicio informado: por medio de ella el
pronstico se basa en experiencias, intuiciones y juicios personales y de ser posible, en hechos relacionados con los diversos panoramas del futuro. Se caracteriza por una labor de adivinacin subjetiva y de imaginacin; en general, los mtodos empleados no son cientficos.
Pronsticos y Planeacin de la Demanda 6 Docente Ing. J. Paredes C.
Consenso de grupo: Se basa en el supuesto de que varios expertos pueden obtener una
previsin mejor que una sola persona. No existe secreto, se estimula la comunicacin. Las previsiones resultan a veces, influidas por factores sociales y no obedecen a un verdadero consenso.
Precisin Tcnica de previsin Descripcin Corto plazo 0-3 meses Pobre a buena Medio plazo 03 meses3 aos Pobre Largo plazo 2 aos adelante Muy pobre
Aplicaciones tpicas
Datos Necesarios
Promedio mvil
Cada punto de un promedio en movim iento de una serie temporal es el promedio aritmtico o ponderado de varios puntos consecutivos de la serie, donde el nmero de puntos de referencia es seleccionado para eliminar las variaciones estacionales o irregularidades, o ambas.
Suavizacin Exponencial
Box-Jenkins
X-11
Proyecciones de tendencia
Esta tcnica es un promedio, ponderado en movimiento, excepto que se da ms peso a los puntos de referencia ms recientes., descriptivamente el nuevo pronstico es igual al antiguo ms una cierta proporcin de error del pronstico anterior. Existe otro tipo de pronosticacin en la que tambin se tiene en cuenta factores estacionales y de tendencia. Dependiendo de esto en la exponencial algunas son ms verstiles que otras, algunas son ms difciles de computar, y algunas requieren ms tiempo de computador. La suavizacin exponencial es un caso especial de la tcnica Box-Jenkins. La serie cronolgica es adecuada mediante un modelo matemtico que resulta ptimo en el sentido que asigna menores errores a la historia que cualquier otro modelo de esta clase. El tipo debe ser definido por los parmetros identificados. Esta es aparentemente la rutina estadstica ms exacta disponible en la actualidad, pero tambin una de las ms costosas. Desarrollada por Julius Shiskin, de la oficina de Censura, esta tcnica descompone una serie cronolgica en variaciones estacionales, ciclos de tendencia y elementos irregulares. Se utiliza principalmente para el anlisis detallado de la serie cronolgica (incluyendo el estimado de variaciones estacionales); nosotros hemos ampliado sus usos para la pronosticacin, seguimiento y como indicador incorporando otros mtodos analticos. Se utiliza con conocimientos especiales. Quizs es la tcnica ms efectiva para la pronosticacin a mediano plazo 3 meses a 1 ao, permitindole a la persona predecir los puntos de inflexin y programar eventos especiales. Esta tcnica se adecua a una tendencia de lnea y luego la proyecta hacia el futuro por medio de esta ecuacin; por ejemplo, el mtodo de inclinacin caracterstica, polinomios y papel semilogaritmico.
Pobre a buena
Muy pobre
Pobre
Un mnimo de dos aos de la historia de ventas, si existen variaciones estacionales en su defecto, menos datos (por supuesto, cuanta ms historia mejor). Debe especificarse el promedio en movimiento. Igual que para un promedio en movimiento
Muy a excelente
Pobre a buena
Muy pobre
Regular
Control de produccin e inventario para artculos de volumen grande, pronsticos de los balances de efectivo
Como mnimo 3 aos de historia para comenzar. Sin embargo, ms historia resulta ventajosa. En la identificacin del modelo y en la identificacin del parmetro. Como mnimo 3 aos de historia para comenzar.
Bueno
Muy pobre
Muy buena
Seguimiento e indicadores; pronosticacin de las ventas de la compaa, divisin o departamento; establecimiento y crtica de los presupuestos.
Muy bueno
Pobre bueno
Pobre bueno
Pobre
Curva de aprendizaje/ex
Regular
Regular a bueno
8
Regular a bueno
Regular
Vara de acuerdo con la tcnica usada. Sin embargo, un buen mtodo emprico es utilizar un mnimo de 5 aos de datos anuales para empezar. Varios aos de historia de uno o
Modelo de regresin
Regular a buena
Muy buena
Modelo InputOutput
Estas encuestas al pblico en general determinan las intenciones de comprar ciertos productos, o deducen un ndice que deduce el sentir general sobre el presente y el futuro y que estima cmo este sentir afecta los hbitos de compra. Estos mtodos son ms tiles para seguimiento y alerta que para realizar previsiones. El problema fundamental estriba en que pueden situar errneamente un punto de cambio de tendencia (que quiz no se dar nunca). Mtodo de anlisis del flujo de bienes y servicios entre sectores o departamentos, en lo que respecta con la economa de un pas o las relaciones entre una empresa y sus mercados. Muestra que flujo de entradas (Inputs) tiene que existir para que se produzca determinado flujo de salidas (Output). Hay que desarrollar un esfuerzo considerable para utilizar estos modelos adecuadamente y son necesarios detalles adicionales, y que no suelen estar a la mano, si se los quiere aplicar a una determinada empresa. Los modelos economtricos y los modelos input-output se suelen combinar, a veces, a efectos de realizar previsiones. El modelo input-output se emplea para introducir las tendencias a largo plazo en el modelo economtrico, tambin contribuye a estabilizar el modelo economtrico. Porcentaje de un grupo de indicadores econmicos que suben o bajan, y convierten este porcentaje en el ndice.
Mala buena
Mala buena
Muy mala
Buena
Para obtener relaciones significativas se necesitan datos mensuales o trimestrales de varios aos. Es preciso, por condicionamiento matemtico, tener dos observaciones ms que el nmero de variables independientes. Suelen hacer falta datos de varios aos, para relacionar estos ndices con las ventas de la empresa.
No es aplicable
Regular
De 10 a 15 aos de datos histricos. Cantidades considerables de informacin sobre los flujos de productos y servicios dentro de la empresa(o de la economa del pas), para cada ao en que se desee realizar el anlisis input-output. Los mismos que para el promedio mvil y que para el X-11
No es aplicable
Buena a excelente
Buena
ndice difusin
de
Mala buena
Mala buena
Muy mala
Buena
Mala
Mala buena
Mala buena
Mala a buena
X-11: Esta tcnica desglosa una serie temporal en variaciones estacionales, tendencias
cclicas y elementos irregulares. Se us principalmente para el anlisis detallado de series de tiempo, pero tambin puede usarse para la realizacin de previsiones, seguimiento y alerta, si se le incorporan otros mtodos analsticos. Si se le conoce en profundidad, quizs sea la tcnica ms eficaz para previsiones a mediano plazo (entre tres meses y un ao), pues permite proyectar los puntos de cambio de tendencia y situar en el tiempo ciertos acontecimientos especiales.
Proyecciones de tendencia : Esta tcnica ajusta una lnea de tendencia a una ecuacin
matemtica y a continuacin la proyecta en el futuro con esta ecuacin. Existen diversos tipos de proyecciones: de la pendiente caracterstica, segn su tipo logartmico, potencial, exponencial, logstica, etc.
METODOS CAUSALES
Estos mtodos desarrollan un modelo de causa y efecto entre la demanda y otras variables. Son los tipos ms elaborados de los instrumentos de previsin. Expresan matemticamente las relaciones causales significativas, y pueden contemplar las caractersticas internas del flujo de materiales en el proceso productivo y la informacin procedente de investigacin de mercado. Puede tambin incorporar directamente los resultados procedentes de un anlisis de series temporales.
Modelo Input-Output: Mtodo de anlisis del flujo de bienes y servicios entre sectores o
departamentos, en lo que respecta a la economa de un pas o a las relaciones entre una empresa y sus mercados. Muestra qu flujo de entradas (inputs) tiene que existir para que se produzca determinado flujo de salidas (outputs).
ndice anticipador: Se trata de considerar una serie temporal relativa a cierta actividad
econmica, cuyo movimiento en una direccin dada precede al movimiento en esa misma direccin de otra serie temporal.
Anlisis del ciclo de vida : Anlisis y previsin de las tasas de crecimiento de un producto.
Son de capital importancia las fases de aceptacin del producto por los diversos grupos: innovadores, seguidores tempranos, mayora temprana, mayora tarda y rezagada. El ciclo de vida del producto es una excelente referencia para escoger la tcnica y la inversin de recursos (costo) que desean involucrarse.
Patrones de demanda
Las observaciones repetidas de la demanda, tomando como base el orden en que se realizan, forman un patrn que se conoce como serie de tiempo. Una tendencia es el patrn subyacente de crecimiento o declinacin de una serie de tiempo. Los cinco patrones bsicos de la mayora de las series de tiempo aplicables a la demanda son: 1. Horizontal: O sea, la fluctuacin de los datos en torno de una media constante. 2. De tendencia: Es decir, el incremento o decremento sistemtico de la media de la serie a travs del tiempo. 3. Estacional: Los patrones estacionales se caracterizan por periodos repetibles de altas y bajas a lo largo de los periodos cortos. Son patrones repetible de incrementos o decrementos de la demanda, dependiendo de la hora del da, la semana, el mes o la temporada. Ejemplos: la demanda de bebidas fras es baja durante el invierno, comienza aumentar durante la primavera y tiene un mximo durante el verano y comienza a declinar en el otoo; demanda de abrigos, etc. 4. Cclico: Los patrones cclicos son patrones regulares en una serie de datos que suceden durante largos periodos. O sea, una pauta de incremento o decremento graduales y menos previsibles de la demanda, los cuales se presentan en el curso de periodos de tiempo ms largos (aos o decenios); y 5. Aleatorio: Una variacin aleatoria (a veces llamada ruido) es la desviacin inexplicable de una serie de tiempo de un patrn predecible, como una tendencia estacional o patrn cclico. 6. Variacin Irregular (una sola vez): Una variacin irregular es una variacin de una sola vez que tiene una explicacin. Por ejemplo, un huracn puede ocasionar un aumento en la demanda de material de construccin, alimentos y agua.
Pronsticos y Planeacin de la Demanda 11 Docente Ing. J. Paredes C.
Cuatro de los patrones de demanda (horizontal, de tendencia, estacional y cclico) se combinan en diversos grados para definir el patrn fundamental de tiempo de demanda que corresponde a un producto o servicio. El quinto patrn, la variacin aleatoria, es resultado de causas fortuitas y, por lo tanto, no puede ser previsto. La variacin aleatoria representa un aspecto de la demanda por lo que todos los pronsticos resultan equivocados. La figura siguiente muestra los cuatro primeros patrones de una serie de tiempo de la demanda, todos los cuales contienen variacin aleatoria. Una serie de tiempo puede contener cualquier combinacin de estos patrones.
12
A corto plazo: En el corto plazo (que abarca en este caso entre cero y tres meses futuros),
los gerentes suelen interesarse en obtener pronsticos de demanda para determinados productos o servicios individuales. En el caso de pronsticos de demanda, se dispone de poco tiempo para reaccionar frente a posibles errores, por lo cual es necesario que dichos pronsticos alcancen la mayor precisin posible para fines de planificacin. El anlisis de series de tiempo es el mtodo que se emplea ms frecuentemente para elaborar pronsticos a corto plazo. Es una forma relativamente econmica y precisa de generar el gran nmero de pronsticos requeridos. Por ltimo, los gerentes usan mtodos de juicio para elaborar pronsticos a corto plazo cuando no disponen de datos histricos sobre un elemento especfico, como en el caso de nuevos productos.
A mediano plazo: El horizonte de tiempo que caracteriza al mediano plazo abarca entre tres
meses y dos aos futuros. La necesidad de contar con pronsticos a mediano plazo est relacionada con la planificacin de la capacidad. El nivel de detalle requerido en el pronstico no es tan grande como en el caso del corto plazo. Tpicamente, los gerentes pronostican la demanda total de ventas, expresada en dinero o en el nmero de unidades de un grupo (o familia) de productos o servicios similares. Por lo comn, los modelos causales se utilizan en los pronsticos a mediano plazo. Tambin son tiles algunos mtodos de pronsticos basados en el a juicio. En general, el anlisis de series de tiempo no produce resultados precisos a mediano o largo plazo, principalmente porque en l se supone que los patrones existentes van a continuar en el futuro.
A largo plazo: Cuando los horizontes de tiempo abarcan ms de dos aos, los pronsticos se
elaboran de ordinario en torno a la demanda total de ventas, ya sea en trminos de dinero o de alguna otra unidad de medicin comn (por ej. Barriles, kg, kilowatts). Los pronsticos precisos de la demanda a largo plazo para productos o servicios individuales no slo son muy difciles de realizar, sino tambin excesivamente detallados para los propsitos de planificacin de largo alcance. Tres tipos de decisiones (sobre la localizacin de las instalaciones, la planificacin de la capacidad y la seleccin de procesos) requieren estimaciones de la demanda de mercado para un periodo futuro prolongado. Los modelos causales y los mtodos de juicio son las principales tcnicas que se emplean para elaborar pronsticos a largo plazo. A pesar de todo, hasta los pronsticos basados en modelos causales, obtenidos por mtodos matemticos, tienen que ser matizados a travs de la experiencia y el buen criterio administrativo, tomando en cuenta el buen criterio administrativo, tomando en cuenta el horizonte de tiempo en cada caso y las posibles consecuencias de las decisiones basadas en ellos. Otros factores a considerar: o El contexto del pronstico o La relevancia y disponibilidad de datos histricos o El grado de exactitud deseado o El periodo de tiempo que se va a pronosticar o El anlisis de costo-beneficio del pronstico o El punto del ciclo de vida en que se encuentra el producto.
14
Donde Dt = Demanda real en el periodo t N = nmero total de periodos incluidos en el promedio Ft + 1 = Pronostico para el periodo t + 1
Pronsticos y Planeacin de la Demanda 15 Docente Ing. J. Paredes C.
Figura: Demanda proyectada con base en un promedio de movimiento simple de tres semanas.
Solucin El pronstico promedio mvil al final de la semana 3 es: F4 = = 1066.67 As, el pronstico correspondiente a la semana 4 es de 1068 pacientes aproximadamente. Para elaborar el pronstico correspondiente a la semana 5, es necesario conocer las llegadas reales durante las semanas 2 a 4, es decir, los datos de las tres semanas ms recientes.
SUAVIZACIN EXPONENCIAL
Suavizamiento exponencial simple (SES) es una tcnica para la elaboracin de pronsticos que utiliza un promedio ponderado de los valores pasados de la serie de tiempo para pronosticar el valor de sta en el siguiente periodo.
El mtodo de suavizacin exponencial es un mtodo de promedio mvil ponderado muy refinado que permite calcular el promedio de una serie de tiempo, asignando a las demandas recientes mayor ponderacin a las demandas anteriores. Es un mtodo de pronstico formal que se usa ms a menudo, por su simplicidad y por la reducida cantidad de datos que requiere. A diferencia del mtodo de promedio mvil ponderado, que requiere n periodos de demanda pretrita y n ponderaciones, la suavizacin exponencial requiere solamente tres tipos de datos: el pronstico del ltimo periodo, la demanda de ese periodo y un parmetro suavizador, alfa , cuyo valor fluctua entre 0 y 1.0. Para elaborar un pronstico con suavizacin exponencial, ser suficiente que calculemos un promedio ponderado de la demanda ms reciente y el pronstico calculado para el ltimo periodo. La ecuacin correspondiente a este pronstico es:
Pronsticos y Planeacin de la Demanda 17 Docente Ing. J. Paredes C.
Donde se llama constante de suavizamiento (0 1). Para utilizar este modelo, establezca el pronstico del periodo 1, F 1, igual a la observacin real del periodo 1, D 1: Ntese que F2 tambin tendr el mismo valor. Esta forma de la ecuacin muestra que el pronstico para el periodo siguiente es igual al pronstico del periodo actual ms una proporcin del error del pronstico correspondiente al mismo periodo actual. El nfasis que se hace en los niveles de demanda ms recientes puede ajustarse modificando el parmetro de suavizacin. Los valores ms grandes de hacen nfasis en los niveles recientes de la demanda y dan lugar a pronsticos que responden mejor a los cambios en el promedio fundamental. Con valores ms pequeos, se considera ms uniformemente la demanda pretrita y se producen pronsticos ms estables. Este enfoque es similar al ajuste del valor de n en los mtodos de promedio mvil, salvo que en estos ltimos los valores menores de n ponen nfasis en la demanda reciente y los valores ms grandes conceden mayor ponderacin a la demanda pretrita. En la prctica, se ensaya con diversos valores de y se selecciona el que produzca los mejores pronsticos. Para poner en marcha la suavizacin exponenciacin se requiere un pronstico inicial. Hay dos formas de realizar ese pronstico inicial: usar la demanda del ltimo periodo, o bien, si se dispone de datos histricos, calcular el promedio de varios periodos recientes de demanda. El efecto de la estimacin inicial del promedio sobre las estimaciones sucesivas disminuye a lo largo del tiempo porque, con la suavizacin exponencial, las ponderaciones asignadas a las demandas histricas sucesivas, que se utilizan para calcular el promedio, disminuyen exponencialmente. Podemos ilustrar este efecto con un ejemplo. Suponiendo que = 0.20, el pronstico para el periodo t+1 es: Ft + 1 = 0.20Dt + 0.80Ft Mediante la ecuacin correspondiente a Ft, expandimos la ecuacin para Ft + 1: Ft + 1 = 0.20Dt + 0.80(0.20Dt 1 + 0.80Ft 1) = 0.20Dt + 0.16Dt 1 + 0.64Ft 1 Si continuamos expandindola, obtenemos: Ft + 1 = 0.20Dt + 0.16Dt 1 + 0.128Dt 2 + 0.1024Dt 3 + Finalmente, las ponderaciones de las demandas que se remontan muchos periodos en el pasado se aproximan a cero. Igual que en el mtodo de promedio mvil ponderado, la suma de las ponderaciones deber ser igual a 1.0, lo cual va implcito en la ecuacin de suavizacin exponencial. Ejemplo 3: Considere nuevamente los datos sobre la llegada de pacientes del ejemplo 1. Ahora nos encontramos al final de la semana 3. A partir de = 0.10, calcule el pronstico de suavizacin exponencial para la semana 4
18
1100,0000 1090,0000 1131,0000 1167,9000 1181,1100 1242,9990 1288,6991 1289,8292 1330,8463 1367,7616 1380,9855 1472,8869 1555,5982
2500
2000 Semanas
1500 Demanda 1000 500 Suavizacion Exponencial
0
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 La suavizacin exponencial tiene las ventajas de ser sencilla y requerir un mnimo de datos. Su utilizacin es econmica y, por tanto, muy atractiva para las empresas que realizan miles de pronsticos para cada periodo de tiempo. Sin embargo, su sencillez se convierte en una desventaja cuando el promedio fundamental se modifica, como en el caso de las series de demanda que muestran una tendencia. Igual que con cualquier mtodo enfocado nicamente en el supuesto de un promedio estable, los resultados de la suavizacin exponencial se retrasan con respecto a los cambios registrados en el promedio fundamental de la demanda. Los valores ms altos pueden ayudar a reducir los errores de pronstico cuando se produce un cambio en el promedio de las series de tiempo; sin embargo, seguir habiendo retrasos si el promedio cambia sistemticamente. De ordinario, si se requieren valores grandes de (por ej.
Pronsticos y Planeacin de la Demanda 19 Docente Ing. J. Paredes C.
Tt = (Promedio de este periodo promedio del ultimo periodo) + (1 tendencia en el ltimo periodo) Tt = (Lt Lt-1) + (1 ) Tt-1 Ft+1 = Lt + Tt
Dnde: Lt: Promedio exponencialmente suavizado de la serie en el periodo t Tt: Promedio exponencialmente suavizado de la tendencia en el periodo t =Parmetro de suavizacin para el promedio, con un valor entre 0 y 1 = Parmetro de suavizacin para la tendencia, con un valor entre 0 y 1 Ft+1 = Pronostico para el periodo t + 1 Las estimaciones del promedio y la tendencia correspondientes al ltimo periodo, que se requieren en el primer pronstico, pueden obtenerse a partir de datos del pasado o basarse en una estimacin aproximada si no existen datos histricos. Para encontrar los valores de hasta que obtenga los errores del pronstico ms bajos posibles. Este proceso se puede llevar a cabo en un ambiente experimental, usando el modelo para pronosticar las cifras histricas de demanda. Un laboratorio clnico ofrece servicios a los pacientes del hospital Regional Docente de Trujillo. El administrador est interesado en pronosticar el nmero de pacientes que van a requerir anlisis de sangre cada semana. Es preciso comprar suministros y tomar una decisin acerca del nmero de muestras sanguneas que sern enviadas a otro laboratorio, para compensar las limitaciones de la capacidad del laboratorio principal. Las informaciones recientes acerca de los efectos nocivos que provoca el colesterol en el corazn han generado un incremento en las solicitudes de anlisis ordinarios de sangre en todo el pas. En promedio el laboratorio clnico realiz 28 anlisis de sangre cada semana durante las 4 ltimas semanas. La tendencia en ese periodo fue de tres pacientes adicionales por semana. La demanda en esta semana fue de 27 anlisis de sangre. Usaremos = 0.20 y = 0.20 para calcular el pronstico correspondiente a la semana prxima. Solucin L0 = 28 pacientes y tambin T0 = 3 pacientes El pronstico para la semana 2(la semana siguiente) es: L1 = 0.20 (27) + 0.80 (28+3) = 30.20 T1 = 0.20 (30.20 - 28) + 0.80 (3) = 2.80 F2 = 30.20 + 2.80 = 33 anlisis de sangre Si el nmero real de anlisis sanguneos requeridos en la semana 2 resultara ser 44, entonces el pronstico actualizado para la semana 3 sera el siguiente: L2 = 0.20 (44) + 0.80 (30.2+2.80) = 35.20
Pronsticos y Planeacin de la Demanda 20 Docente Ing. J. Paredes C.
21
Modelos Avanzados para la Elaboracin de Pronsticos Diversos otros mtodos se utilizan con frecuencia cuando existen factores de tendencia o estacionales. Estos son: o Promedio mvil doble: Se utiliza para series de tiempo con tendencia lineal. o Suavizamiento exponencial doble: Se utiliza para las series de tiempo con tendencia lineal. o Aditivo estacional : Se utiliza para las series de tiempo con estacionalidad, que es ms o menos estable al paso del tiempo. o Multiplicativa estacional : Se utiliza para las series de tiempo con estacionalidad que aumenta o disminuye en magnitud con el paso del tiempo. o Aditiva Holt-Winters: Se utiliza para series de tiempo con una tendencia lineal y estacionalidad, que es ms o menos estable al paso del tiempo. o Multiplicativa Holt-Winters: Se utiliza para series de tiempo con tendencia lineal y estacionalidad que aumenta o disminuye en magnitud al paso del tiempo.
Aunque son de apariencia muy similar, estas dos variables miden efectos extremadamente diferentes al pronosticar. Puesto que el DAM suma tan solo los valores absolutos de los errores, tanto los valores positivos como los negativos se agregan a la suma para as determinar el tamao promedio del error. Esto da al administrador una idea de la precisin del modelo de pronstico. Un administrador podra aprovechar este conocimiento y decir: Estos pronsticos normalmente son precisos slo dentro del 10%; es mejor mantener un abastecimiento adicional de alrededor del 10 por ciento como proteccin contra este posible error. Por otro lado, el sesgo indica si el pronstico est usualmente muy bajo o muy alto y qu tanto. Un administrador que lo sep a puede decir En promedio, se est pronosticando un 10 por ciento muy alto; sin peligro se puede hacer de 5 a 10 por ciento menos, para protegerse contra este error potencial. O sea que la DAM indica tan solo el tamao promedio del error, mientras que el sesgo seala el promedio total del error y su direccin. Como se mencion anteriormente, los mejores mtodos para pronosticar mostrarn las medidas de menor error. Suponga que dos mtodos para pronosticar se prueban comparndolos con los datos de la demanda por un periodo de cuatro meses. El mtodo A dio pronsticos de enero a abril de 102, 107, 106 y 113 respectivamente; el mtodo B dio 104, 105, 107, 110 y las demandas reales fueron 103, 106, 106 y 111. La DAM para el mtodo A seria: DAM =
| | | | | | | |
=1
23
= 0.50
Para el mtodo B, la DAM es tambin 1, pero el sesgo es 0; por lo tanto el mtodo B es mejor. Bien puede suceder que un mtodo tenga una DAM menor, pero un sesgo mayor, o viceversa. En tales casos hay que considerar las circunstancias de la situacin, para determinar si la medida ms importante es la DAM o el sesgo. CUADRADO DEL ERROR MEDIO (MSE del ingls mean squared error) Es el promedio de las diferencias al cuadrado, entre el pronstico y los valores observados. MSE =
( )
MAPE (Mean Absolute Porcentual Error Error Porcentual Medio Absoluto): Es la media absoluta entre el pronstico y los valores observados expresados como porcentaje de los valores observados. DAM =
| |
|(
DESVIACION ESTANDAR O ERROR ESTANDAR DE LA REGRESION La desviacin estndar es la medida de la dispersin de los valores pronosticados con respecto de la demanda real. La estimacin se hace ms precisa conforme el grado de dispersin alrededor del plano de regresin se hace ms pequeo. Para medirla se utiliza la frmula: =
( )
= 1.25 DAM
( )
: Valores estimados a partir a partir de la ecuacin de regresin n : Nmero de datos m : Nmero de variables independientes Ejemplo 4: La tabla siguiente muestra las ventas reales de sillas tapizadas que realiz un fabricante de muebles y los pronsticos correspondientes a cada uno de los ltimos ocho meses. Calcule usted el DAM, El sesgo, MSE y la desviacin estndar Mes t ) 1 2 3 4 5 6 7 8 Total Demanda Dt 200 240 300 270 230 260 210 275 Pronostico Ft 225 220 285 290 250 240 250 240 Error Et -25 20 15 -20 -20 20 -40 35 -15 Cuadrado del error 2 Et 625 400 225 400 400 400 1600 1225 5275 Error absoluto | | (| | 12.5% 8.3 5.0 7.4 8.7 7.7 19.0 12.7 81.3
25 20 15 20 20 20 40 35 195 Promedio
10.1625% Solucin: Usando las formulas correspondientes a cada una de las mediciones, tenemos: Desviacin absoluta media DAM = 195/8 = 24.4 Sesgo = -15/8 = -1.875
Pronsticos y Planeacin de la Demanda 24 Docente Ing. J. Paredes C.
25