PRONOSTICOS DE LA DEMANDA

PRONOSTICOS DE LA DEMANDA
Pronosticar es el arte y ciencia de predecir acontecimientos futuros
Las decisiones empresariales siempre se toman con informacin insuficiente y
con un margen de incertidumbre mayor o menor, dependiendo del tiempo y los
recursos que se destinan a la bsqueda y el anlisis de la informacin.
Debemos entonces establecer algunas suposiciones y actuar.
Sabemos que nunca ocurrir exactamente lo pronosticado; entonces, para
qu pronosticar?
Porque necesitamos una cierta base -aunque sea mnima-, un criterio, una
justificacin para el curso de accin que decidimos tomar. Porque a partir del
pronstico que generemos, estaremos decidiendo dnde alocar nuestros
recursos financieros, tecnolgicos y humanos.
2.1 IMPORTANCIA ESTRATGICA DEL PRONSTICO
El pronstico es la base de la planeacin corporativa a largo plazo. En las
reas funcionales de finanzas y contabilidad, los pronsticos proporcionan el
fundamento para la planeacin de presupuestos y control de costos.
El marketing depende del pronstico de ventas para planear productos nuevos;
el personal de produccin y operaciones utiliza los pronsticos para tomar
decisiones peridicas que comprenden la seleccin de procesos, la planeacin
de las capacidades y la distribucin de las instalaciones, as como para tomar
decisiones continuas cerca de la planeacin de la produccin, la programacin
y el inventario.
El pronstico de la demanda consiste en estimar las ventas de un producto
durante un determinado periodo futuro.
2.2 CARACTERSTICAS DE LA DEMANDA
Satisfacer las necesidades del cliente y que el negocio o empresa prospere
comercial y financieramente. El mercado est sujeto a diversos factores de
diferente ndole, algunos de ellos son controlables por la empresa y otros no
tanto.
Este se divide en distintos factores:
1. Estacionalidad: refleja una proyeccin de la demanda en un periodo
especfico del ao.
2. Tendencia: determinar y medir las tendencias del precio para asi poder
establecer y manejar operaciones.
3. Variacin aleatoria: altas y bajas del producto (Venta), sin que esta se
pueda predecir con exactitud; lo conveniente ser monitorearlo y
prepararse con inventario para amortiguar el efecto de la demanda.
4. Variacin cclica: las oscilaciones de larga duracin alrededor de la curva
de tendencia, esto quiere decir un ascenso y descenso de una serie de
tiempo en periodos mayores de 1 ao.

2.3 MTODOS CUALITATIVOS

Produce datos descriptivos de las propias palabras de las personas y la
conducta observada.
Tipos de mtodos:
2.3.1Consulta de fuerza de ventas.
Es un sistema de informacin que se usa marketing y administracin que
automatizan algunas funciones de ventas. Estimacin de las reas de ventas
como un todo. Costo de bajo a medio. Pronsticos de ventas, administracin de
rdenes y conocimiento del producto. (Lleva un historial el cual es muy
importante).
2.3.2 Opinin ejecutiva
Los expertos de alto nivel se agrupan con modelos estadsticos. Costo de bajo
a medio. Las posiciones esconden intereses personales, o no se mencionan
por contrariar a la mayora. Gerentes de mercadotecnia, finanzas y produccin
preparan pronsticos a corto y mediano plazo.
2.3.3 Mtodo Delphi.
Su objetivo es la adquisicin de un consenso basado en la discusin entre
expertos. Es un proceso repetitivo. Consta de estos pasos:
1. Elaboracin de cuestionario
2. Revisar informacin
3. Realizar otro cuestionario
4. Conclusiones a partir de la explotacin estadstica de los datos
obtenidos.
Caractersticas:
Es a largo plazo.
Su costo va de medio a alto.
2.3.4 Investigacin del mercado:
Proceso de recopilacin, procesamiento y anlisis de informacin.
Plan estratgico, preparar el lanzamiento del producto o soportar el desarrollo
de los productos lanzados.
Averiguar en el consumidor;
Hbitos
Necesidades
Motivaciones
Gustos
Deseos
2.3.5 Analoga Histrica:
Utiliza un ciclo de vida de un producto utilizado para lanzamientos de productos
nuevos. Informacin basada en productos similares.

2.4 MTODOS CUANTITATIVOS PARA ESTIMAR LA DEMANDA

Los mtodos cuantitativos o tambin llamados causales, se emplean cuando se
dispone de datos histricos y la relacin entre el factor que se intenta
pronosticar y otros factores externos o internos puede identificarse. Las
relaciones de ese tipo se expresan en trminos matemticos y suelen ser muy
complejas.
2.4.1 Modelos de series de tiempo.
Tcnica de pronstico que emplea una serie de datos puntuales histricos para
obtener el pronstico.
-Modelos asociativos: los modelos causales como la regresin lineal,
incorporan las variables o factores que pueden influir en la cantidad por
pronosticar.
-Pronsticos de series de tiempo: se basa en una secuencia de datos
puntuales separados a intervalos iguales.
-Descomposicin de una serie de tiempo: una serie de tiempo tiene 4
componentes
Las tendencias
La estacionalidad
Los ciclos
Las variaciones aleatorias
2.4.1.1 Enfoque simple
Supone que la demanda en el prximo periodo ser igual a la demanda del
periodo ms reciente. Es la mejor prediccin para los precios de insumos,
acciones, etc. que cotizan. Porque si el mercado realmente creyera que en un
tiempo valdr ms, comprara tanto hoy que hara llevar el precio a ese valor
esperado. Por ejemplo, si hoy la accin de Microsoft cotiza a U$S 20, cunto
predice que va a valer maana?: U$S 20. Y si en realidad maana vale U$S
25, Cunto dira que vale pasado maana? : U$S 25.
2.4.1.2 Promedios mviles
Los promedios mviles son muy tiles. Los promedios mviles indican el
promedio del precio en un punto determinado de tiempo sobre un perodo de
tiempo definido. Se llaman mviles ya que reflejan el ltimo promedio, mientras
que se adhieren a la misma medida de tiempo.
Los promedios mviles simples es un mtodo que se utiliza para estimar el
promedio de una serie de tiempo de demanda y, por lo tanto, para suprimir los
efectos de las fluctuaciones al azar. Este mtodo resulta ms til cuando la
demanda no tiene tendencias pronunciadas ni influencias estacionales. La
aplicacin de un modelo de promedio mvil implica simplemente calcular la
demanda promedio para los n periodos ms recientes, con el fin de usarla
como pronstico para el siguiente periodo.
Promedio mvil ponderado:
En el mtodo de promedio mvil simple, todas las demandas tienen la misma
ponderacin en el promedio, es decir, 1/n. En el mtodo de promedio mvil
ponderado, cada una de las demandas histricas que intervienen en el

promedio puede tener su propia ponderacin. Ejemplo; en un modelo cn

promedio mvil ponderado de tres periodos, al periodo ms reciente se le
puede asignar una ponderacin de 0.50, al segundo se le asigna una
ponderacin de 0.30, y al tercero una de .20. El promedio se obtiene
multiplicando la ponderacin de cada periodo por el valor correspondiente a
dicho periodo y finalmente los productos:
2.4.1.3 Suavizacin exponencial
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 que a las
demandas anteriores. Es el mtodo de pronstico formal que se usa ms a
menudo, por su simplicidad y por la reducida cantidad de datos que requiere.
Este mtodo solo requiere 3 tipos de datos: el pronstico del ltimo periodo, la
demanda de ese periodo y un parmetro suavizador, alfa
, cuyo valor flucta entre 0 y 1.0.
La siguiente es una ecuacin equivalente:
F t+1 = F t +
(Dt Ft)
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.
La suavizacin exponencial tiene las ventajas de ser sencilla y requerir un
mnimo de datos. Su utilizacin es econmica y, por lo tanto, muy atractiva
para las empresas que realizan miles de pronsticos para cada periodo de
tiempo.
2.4.1.4 Tendencia Lineal
Consiste en conocer si los valores absolutos o relativos de un concepto han
crecido o disminuido en el tiempo, partiendo de un periodo considerado base.
Puede referirse a cifras histricas o la determinacin de cifras estimadas para
el futuro.
Regresin simple
En el Modelo de Regresin es muy importante identificar cul es la variable
dependiente y cul es la variable independiente.
En el Modelo de
Regresin Simple se establece que Y es una funcin de slo una variable
independiente, razn por la cual se le denomina tambin Regresin Divariada
porque slo hay dos variables, una dependiente y otra independiente y se
representa as:
Y = f (X)
"Y est regresando por X"
ANLISIS ESTADSTICO: REGRESIN LINEAL SIMPLE
En el estudio de la relacin funcional entre dos variables poblacionales, una
variable X, llamada independiente, explicativa o de prediccin y una variable Y,
llamada dependiente o variable respuesta, presenta la siguiente notacin:
Y=a+bX+e
Donde:

a es el valor de la ordenada donde la lnea de regresin se intercepta con el eje

Y.
b es el coeficiente de regresin poblacional (pendiente de la lnea recta)
e es el error
SUPOSICIONES DE LA REGRESIN LINEAL
Los valores de la variable independiente X son fijos, medidos sin error.
La variable Y es aleatoria
Para cada valor de X, existe una
distribucin normal de valores de Y (subpoblaciones Y)
Las variancias de las subpoblaciones Y son todas iguales.
Todas las medias de las subpoblaciones de Y estn sobre la recta.
Los valores de Y estn normalmente distribuidos y son estadsticamente
independientes.
ESTIMACIN DE LA ECUACIN DE REGRESIN MUESTRAL
Consiste en determinar los valores de "a" y "b " a partir de la muestra, es decir,
encontrar los valores de a y b con los datos observados de la muestra. El
mtodo de estimacin es el de Mnimos Cuadrados, mediante el cual se
obtiene:
Luego, la ecuacin de regresin muestral estimada es:
Que se interpreta como:
a es el estimador de a
Es el valor estimado de la variable Y cuando la variable X = 0
b es el estimador de b , es el coeficiente de regresin
Est expresado en las mismas unidades de Y por cada unidad de X. Indica el
nmero de unidades en que vara Y cuando se produce un
cambio, en una unidad, en X (pendiente de la recta de regresin).
Un valor negativo de b sera interpretado como la magnitud del decremento en
Y por cada unidad de aumento en X.
2.4.2.2 Regresin mltiple
Este tipo se presenta cuando dos o ms variables independientes influyen
sobre una variable dependiente. Ejemplo: Y = f(x, w, z).
Utilizamos regresin mltiple cuando estudiamos la posible relacin entre
varias variables independientes y otra variable dependiente.
Al aplicar el anlisis de regresin mltiple lo ms frecuente es que tanto la
variable dependiente como las independientes sean variables continuas
medidas en escala de intervalo o razn. No obstante, caben otras
posibilidades: (1) tambin podremos aplicar este anlisis cuando relacionemos
una variable dependiente continua con un conjunto de variables categricas;
(2) o bien, tambin aplicaremos el anlisis de regresin lineal mltiple en el
caso de que relacionemos una variable dependiente nominal con un conjunto
de variables continuas.
La anotacin matemtica del modelo o ecuacin de regresin lineal mltiple es
la que sigue:
Y=a+b
1x1 + b2x2 + ... + bnxn + e

presente = a + b
1pasado + b2futuro + e

en donde:
Y es la variable a predecir;
a, b
1x1, b2x2... bnxn, son parmetros desconocidos a estimar;
y e es el error que cometemos en la prediccin de los par- metros.
Aplicaciones de la regresin mltiple
Es cierto que la regresin mltiple se utiliza para la prediccin de respuestas a
partir de variables explicativas. Pero no es sta realmente la aplicacin que se
le suele dar en investigacin. Los usos que con mayor frecuencia
encontraremos en las publicaciones son los siguientes:
Identificacin de variables explicativa
Nos ayuda a crear un modelo donde se seleccionen las variables que pueden
influir en la respuesta, descartando aquellas que no aporten informacin.
Deteccin de interacciones
entre variables independientes que afectan a la variable respuesta.
Identificacin de variables confurosas:
es un problema difcil el de su deteccin, pero de inters en investigacin no
experimental, ya que el investigador frecuentemente no tiene control sobre las
variables independientes.
2.5 Monitoreo y control de los pronsticos
Los especialistas siempre estn tratando de hacer mejores estimaciones
acerca de lo que ocurrir en el futuro al afrontar la incertidumbre. El propsito
fundamental de los pronsticos es hacer buenas estimaciones en las cuales
basar los modelos para la toma de decisiones. Los pronsticos constituyen la
problemtica fundamental dentro de la gestin de la actividad de una empresa
debido a la complejidad de los problemas encontrados cuando se pronostica y
a su impacto sobre todas las decisiones de la empresa.
Una situacin muy particular presenta la previsin de la demanda de piezas de
repuesto, dada la gran cantidad de surtidos que se deben proporcionar, el
elevado grado de variabilidad en la demanda de estas producciones y la
importancia que posee la disponibilidad de estas piezas para el equipamiento
que las utiliza, ya que la disponibilidad en tiempo de las mismas garantiza la
continuidad del proceso productivo en el cual est inmiscuido el equipamiento
que la utiliza dentro de una determinada empresa. Es por ello, que se debe
asegurar un elevado nivel de precisin en la previsin de la demanda de este
tipo de productos.
En este artculo se presenta un procedimiento general para la previsin de la
demanda de las piezas de repuesto basado en su fiabilidad operacional a partir
de la filosofa que caracteriza al sistema y considerando la influencia del mismo
en el mejoramiento de la Gestin del Mantenimiento del equipamiento.
Seguimiento de la implantacin del procedimiento.
En consecuencia, el contenido de cada uno de ellos, plantea los pasos a
desarrollar para prever la demanda de piezas de repuesto basado en su
fiabilidad, llegndose, en ocasiones, a definir las tcnicas especficas a utilizar.
Panorama general de los mtodos de pronstico

Fiabilidad: es la probabilidad de que un item (sistema o elemento) realice

satisfactoriamente la misin especificada, durante un perodo determinado y
bajo un conjunto dado de condiciones operativas.
Patrones de Fallos:
Durante dcadas, la sabidura convencional sugera que la mejor forma de
optimizar el desempeo de activos fsicos era restaurarlos o reponerlos a
intervalos fijos. Esto se basaba en la premisa de que hay una correlacin
directa entre la cantidad de tiempo (nmero de ciclos) que el equipo est en
servicio, y la probabilidad de que falle, como muestra la Figura 2. Esto sugiere
que la expectativa es que la mayora de los tems operarn confiablemente por
un perodo X, y luego se desgastan.
Proceso de mejora de la previsin de la demanda
El procedimiento comienza con la definicin de la filosofa, la cual debe ser el
punto de mira del sistema ya que constituye la poltica que regir
permanentemente su desempeo.
Luego se realiza la determinacin de la situacin actual con el fin de definir,
basndose en el anlisis de una serie de indicadores, las caractersticas que
presenta el sistema de previsin de la demanda en ese momento, para
posteriormente, en funcin de dicha situacin, proponer algunas mejoras que
permitan hacer ms eficiente el proceso de previsin. Una vez planteadas las
mejoras, se debe comprobar si con ellas se alcanzan los niveles de precisin
deseados y necesarios y proponer nuevas mejoras si las anteriores no son
suficientes o pasar a la aplicacin de las mismas en caso contrario. La
aplicacin debe estar unida a un seguimiento constante que retroalimente al
sistema, para tomar las medidas necesarias en caso de presentarse alguna
perturbacin.
2.6 Pronsticos con computadora
En muchas aplicaciones de los pronsticos a corto plazo, las computadoras
son indispensables. Con frecuencia, las empresas tienen que preparar
pronsticos para cientos o incluso miles de productos o servicios en forma
reiterada. Por ejemplo, una amplia red de instalaciones de servicio mdico
necesita calcular pronsticos de la demanda de cada uno de sus servicios en
cada departamento. Esta operacin implica grandes volmenes de datos que
deben ser manipulados con frecuencia. Los analistas tienen que examinar las
series de tiempo que corresponden a cada producto o servicio a fin de elaborar
un pronstico.
Existen muchos paquetes de software para pronstico que pueden usarse en
computadoras de cualquier tamao y ofrecen una amplia variedad de
capacidades de pronstico y de formatos para mostrar los resultados. La tarea
ms laboriosa en el desarrollo de un buen modelo consiste en ajustarlo a los
datos. Para esta operacin es necesario determinar los valores de ciertos
parmetros del modelo, a fin de que los pronsticos tengan la mayor precisin
posible. Los paquetes de software proporcionan diversos grados de ayuda a
este respecto. Las tres categoras de paquetes de software que resultan
apropiadas para esto son:
1. Sistemas manuales, en los cuales el usuario selecciona la tcnica de
pronstico y especifica los parmetros necesarios para un determinado
modelo de pronstico;

2. Sistemas semiautomticos, en los cuales el usuario especifica la tcnica

de pronstico, pero el software determina los parmetros para el
modelo, de modo que puedan obtenerse los pronsticos ms precisos; y
3. Sistemas automticos, en los cuales el software examina los datos y
sugiere no slo la tcnica apropiada, sino tambin los mejores
parmetros para el modelo.
INSTITUTO TECNOLOGICO DE MINATITLAN
CARRERA: INGENIERIA EN GESTION EMPRESARIAL
GESTION DE LA PRODUCCION 1
TEMA: UNIDAD 2. PRONOSTICOS DE LA DEMANDA
CATEDRATICO: CESAR CRUZ REYES
INTEGRANTES DEL EQUIPO:
RICARDO GARCIA ALDUCIN
DANIELA GONZALEZ VAZQUEZ
GUILLERMO ALEJANDRO GONZALEZ MERLIN
GLAFIRA SOLIS GOMEZ