LOGÍSTICA

Capítulo 2: Valor de la Información

Profesor: Juan Pérez R.

 El Valor de la Información
 Antes, la logística se relacionaba solamente con el
movimiento físico de materiales.

 En términos generales, una buena parte de las empresas

ya optimizaron el flujo de materiales.

 Los mayores potenciales de mejora están en el manejo de

la información, mirando no sólo al pasado, sino que al
futuro.

 La logística debe integrar los procesos de planificación y

forecasting, necesitando para esto integrar a los clientes y
proveedores como socios en el intercambio de
información.
 El Valor de la Información
 Efectos de la información sobre las ventas en la Cadena
de Suministro:
 Reducción de la variabilidad en la Cadena de
Suministro, al mejorar los pronósticos de los
proveedores incluyendo información de promociones y
cambios en el mercado.
 Ayuda a coordinar los sistemas y estrategias de
manufactura y distribución.
 Ayuda a los negocios a reaccionar y adaptarse más
rápido a problemas en el suministro.
 Ayuda a reducir los tiempos de reposición.
 Ayuda a los negocios a ubicar productos difíciles.
Beer Game
Evolución de Inventarios vs. Demanda Botillería
Grupo 1 2010
 El Efecto Látigo
 Definición: La variación en la demanda, en
general, se amplifica significativamente hacia
atrás en la cadena

Retailer
Lead Time Órdenes Lead Time Entrega

Wholesaler
Lead Time Órdenes Lead Time Entrega

Distributor
Lead Time Órdenes Lead Time Entrega

Fábrica Simchi-Levi, “Designing and Managing

the Supply Chain”.

Lead Time Fabricación

La variabilidad en la Red
Logística
Fuente: G. Cánepa, Logistics and Supply Chain Management

Compartiendo Información
 ¿Porqué se produce el efecto
látigo?
1. Pronósticos de Demanda: Efecto del pronóstico y
variabilidad

2. Lead Time: A Mayor Lead Time mayor variabilidad

3. Volúmenes de las órdenes: Órdenes en Batch con pedidos

muy grandes y a veces no hay pedidos

4. Variaciones de Precios: Piden más a precios bajos, efecto

de promociones

5. Escasez: Ante la espera de escasez se incrementan

órdenes
Herramientas para disminuir el
Efecto Látigo
1. Reducir Incertidumbre compartiendo información

2. Mejorar Pronósticos de Demanda

3. Definir Políticas de Inventario en función del conocimiento de la demanda

4. Reducir Lead Time de Órdenes

5. Reducir Lead Time de Entrega

6. Alianzas Estratégicas

7. Flexibilidad de la Producción
Herramientas para disminuir el
Efecto Látigo
1. Reducir Incertidumbre compartiendo información

2. Mejorar Pronósticos de Demanda

3. Definir Políticas de Inventario en función del conocimiento de la demanda

4. Reducir Lead Time de Órdenes

5. Reducir Lead Time de Entrega

6. Alianzas Estratégicas

7. Flexibilidad de la Producción
 Pronóstico de Demanda
Conceptos preliminares

 El pronóstico de la demanda consiste en hacer una

estimación de nuestros “futuros eventos” para un periodo
de tiempo determinado.

 El realizar el pronóstico de la demanda, nos permitirá

elaborar nuestra proyección de estos futuros eventos y
provisionar dinero o capacidad para ellos.

 Métodos:
 Análisis de Registros Históricos
 Demanda potencial y porcentaje de captación
 Investigación de mercado
Pronóstico de Demanda
¿Qué veremos?

 Introducción
 Pronóstico de Demanda: Usos y Características
 Tipos de Pronóstico de Demanda
 Cualitativos
 Cuantitativos
 Errores de Pronóstico
 Estimación Bajo Incertidumbre
 Rol de la Demanda
 Caso Wal-Mart
 Base de Datos: 35 terabytes
 Datos propios y de competidores, por producto, por
tienda y por día.
 El sistema cuenta cada punto de venta, en cada
tienda, el nivel de inventario, los productos en tránsito,
estadísticas de mercado, demográficas, financieras y
de desempeño de productos.
 La data es utilizada para analizar tendencias, manejar
inventario y comprender el comportamiento de los
consumidores
 Sistema de Predicción de Demanda entrega 100.000
Predicciones de Venta de Productos en las tiendas
 Rol de la Demanda
 Caso de Planificación de Redes
Móviles:
 42 millones de puntos potenciales de
demanda
 Objetivo: Mejorar el Desempeño de la
Red y Encontrar Nuevos Sitios
Potenciales de Transmisión
 Método: (Gaussian Mixture Model by
Expectation-Maximization) GMM-EM
mejorado, con test de Williams.
 Rol de la Demanda
 Caso de Ubicación Óptima de Supermercados:
 Data: Censo 2002, encuesta de hábitos de compra
 Modelos Aplicados: Demanda Gravitacional, Logit
Multinomial, Modelos de máxima cobertura.
 ¿Cómo definimos demanda?
“Cantidad de bienes o servicios que el consumidor está
dispuesto a adquirir a un precio dado y en un lugar establecido”

 Saber cual será la demanda permite usar con eficiencia el

sistema productivo y entregar el producto a tiempo
 Dos fuentes básicas de demanda:
 Demanda Dependiente
 Demanda Independiente
 Respecto a la demanda independiente:
 Adoptar papel activo
 Presionar a fuerza de venta, subir/bajar precios, crear campañas,
etc.
 Adoptar papel pasivo
 Porque la empresa funciona a toda capacidad, o es la única en el
mercado, razones legales, éticas, etc.
 Pronóstico de Demanda
 Los pronósticos de demanda son vitales para
toda organización de negocios
 Planeación de presupuesto y control de costos
 Productos nuevos
 Compensaciones al personal
 Selección de procesos
 Distribución de instalaciones
 Planeación de producción
 Programación
 Inventario
 Pronóstico de Demanda
 El pronóstico es la base de la planeación
corporativa a largo plazo y tiene impacto directo
en el mediano y corto plazo
 Es importante ver el horizonte y el nivel de
agregación que se requiere para el pronóstico de
demanda
 Nivel Estratégico: Largo Plazo
 Nivel Táctico: Mediano Plazo
 Nivel Operacional: Corto Plazo.
 Pronóstico de Demanda

Horizonte de Exactitud Número de Nivel Método de

Uso
tiempo Necesaria Productos Gerencial Pronóstico
Cualitativos y
Diseño del Proceso Largo Media Unos o Pocos Alto
Causales
Planeación de la Capacidad Cualitativos y
Largo Media Unos o Pocos Alto
de Instalaciones Causales
Causales y de
Planeación Agregrada Mediano Alta Pocos Mediano
Series de Tiempo
Programación Corto La más Alta Muchos Más Bajo Series de Tiempo
Administración de
Corto La más Alta Muchos Más Bajo Series de Tiempo
Inventarios
 Pronóstico de Demanda
 Un pronóstico perfecto es imposible

 Hay demasiados factores que no se pueden pronosticar con

certeza
 Revisión continua de los pronósticos
 Aprender a vivir con pronósticos imprecisos
 Flexibilidad de reacción

 Utilizar dos o tres métodos

 Análisis de sensibilidad del pronóstico

 No es un número sino un rango

 Componentes de la Demanda
 Seis componentes:
 Demanda Promedio para el periodo
 Tendencia
 Elementos Estacionales
 Elementos Cíclicos
 Eventos como elecciones políticas, guerras, condiciones
económicas
 Variación Aleatoria
 Eventos fortuitos. Parte de la demanda que no se puede
identificar la causa
 Autocorrelación
 Persistencia de la ocurrencia.
 Componentes de la Demanda
16,0

14,0
Mostrar Excel
12,0

10,0
Demanda

8,0
8,0
7,0
6,0
6,0
4,0
5,0

Demanda
2,0
4,0
0,0
0 10 20 30 40 50 60
3,0

Tiempo 2,0

Dda Observada 1,0

0,0
0 10 20 30 40 50 60

Tiempo

Aleatorio Promedio Tendencia

Patron Estacional Ciclo
 Tipos de Pronósticos
 Dos tipos básicos de pronósticos:
 Cualitativos
 Cuantitativos:
 Análisis de Series de Tiempo
 Relaciones Causales
 Simulación
 Métodos Cualitativos
 Técnicas Acumulativas (Grass Roots)

 Investigación de Mercado

 Grupos de Consenso

 Analogía Histórica

 Método de Delphi
 Métodos Cualitativos
Técnicas Acumulativas (Grass Root)
 Deriva pronóstico a través de la compilación de entradas de
aquellos que se encuentran al final de la jerarquía.

 Supuesto: La persona que está más cerca del cliente conoce

mejor sus necesidades futuras.

 Pronósticos se suman y se llevan a nivel más alto.

 EJ: Almacén local trata con cada uno de los vendedores.

Suma el total, agrega inventario de seguridad y efectos de
pedir en cantidad. Luego se lleva al almacén regional, quien
suma la cantidad de cada almacén local, etc.
 Métodos Cualitativos
Investigación de Mercado
 Se utiliza sobre todo para la investigación
de nuevos productos

 Métodos de recopilación: Encuestas,

Entrevistas, Focus Group, etc.
 Métodos Cualitativos
Grupos de Consenso
 “Dos cabezas piensan más que una”

 Grupo de personas con diversas posiciones en la

empresa

 Reuniones abiertas con intercambio libre de ideas

 Algunas personas pueden sentirse intimidadas y no

hablar libremente
 Métodos Cualitativos
Analogía Histórica (Analogía con Ciclos de Vida)

 Producto General o Existente como modelo.

 Productos complementarios, sustituibles o

competitivos

 Ej: Tostador y Cafetera

 Blu-Ray y DVD?
 Móviles 2G y 3G?
 Métodos Cualitativos
Método de Delphi
 Similar a grupos de consenso pero en forma de
cuestionario
 Se elige a los expertos a participar
 Por medio de un cuestionario se obtienen proyecciones
 Se resumen los resultados, se modifica el cuestionario y se
vuelve a repartir
 Nuevamente se resumen los resultados, se refinan
proyecciones y se plantean preguntas nuevas
 Si es necesario se vuelve a repetir el paso anterior
 Por lo regular se requieren tres rondas
 Métodos Cuantitativos
Análisis de Series de Tiempo
 Idea: Predecir el futuro con información del
pasado
 Modelos:
 Pronóstico Naive (Ingenuo)
 Promedio Móvil Simple
 Promedio Móvil Ponderado
 Suavización Exponencial
 Análisis de Regresión Lineal
 Series de Tiempo
 Proyecciones de Tendencia
 Métodos Cuantitativos - Análisis de Series de Tiempo
Pronóstico Naive
Dda 16,0
Meses Naïve
Observada
1 12,6 - 15,0
2 12,6 12,6
3 10,9 12,6 14,0
4 10,9 10,9

Demanda
5 11,4 10,9
13,0
6 11,5 11,4
7 13,7 11,5
8 14,0 13,7 12,0
9 11,8 14,0
10 11,9 11,8 11,0
11 12,0 11,9
12 11,8 12,0 10,0
13 14,3 11,8 0 5 10 15 20
14 14,1 14,3
Tiempo
15 12,1 14,1
16 12,1 12,1 Dda Observada Naïve
17 12,6 12,1
18 12,5 12,6
19 14,8 12,5
20 14,7 14,8
21
22
13,2
13,4
14,7
13,2
A este siempre hay que ganarle!!
23 13,4 13,4
24 13,6 13,4
 Métodos Cuantitativos - Análisis de Series de Tiempo
Promedio Móvil Simple

 Útil cuando la demanda no crece ni baja con

rapidez y no tiene características estacionales

Dt 1  Dt 2  ...  Dt n Ft = Pronóstico para el periodo t

Ft  Dt 1 = Demanda real del periodo t-1
n
n = Número de periodos a promediar

 Varios efectos conflictivos de distintos periodos

 Mientras más largo, más se uniformarán los
elementos aleatorios, pero se retrasa la
tendencia.
 Métodos Cuantitativos - Análisis de Series de Tiempo
Promedio Móvil Simple
Dda Promedio Móvil 3 Promedio Móvil
Tiempo
Observada Meses 4 Meses
16,0
1 12,6 - -
2 12,6 - -
3 10,9 - - 15,0
4 10,9 12,0 -
5 11,4 11,5 12,0 14,0

Demanda
6 11,5 11,1 11,8
7 13,7 11,3 11,5 13,0
8 14,0 12,2 11,5
9 11,8 13,1 11,5 12,0
10 11,9 13,2 11,9
11 12,0 12,5 12,4 11,0
12 11,8 11,9 12,7
13 14,3 11,9 12,7 10,0
14 14,1 12,7 12,4 0 5 10 15 20
15 12,1 13,4 12,2
Tiempo
16 12,1 13,5 12,5
17 12,6 12,8 12,9
Dda Observada Promedio Móvil 3 Meses
18 12,5 12,3 13,1
19 14,8 12,4 13,0 Promedio Móvil 4 Meses
20 14,7 13,3 12,7
21 13,2 14,0 12,7
22 13,4 14,2 13,0
23 13,4 13,8 13,5
24 13,6 13,3 13,8
 Métodos Cuantitativos - Análisis de Series de Tiempo
Promedio Móvil Ponderado

 Asigna importancia a los distintos elementos

Ft  wt 1  Dt 1  wt  2  Dt  2  ...  wt  n  Dt  n n

Ft = Pronóstico para el periodo t

w 1
i 1
i

Dt 1 = Demanda real del periodo t-1

wt 1 = Ponderación dada a la demanda real para el periodo t-1
n = Número total de periodos en el pronóstico

 Experiencia
 Prueba
 Por regla general: Más importante el pasado más reciente
 Si los datos son estacionales: Ponderar según estacionalidad
 Ej: trajes de baño
 Métodos Cuantitativos - Análisis de Series de Tiempo
Promedio Móvil Ponderado

Promedio Móvil 16,0

Dda
Tiempo Ponderado 6
Observada
Meses
1 12,6 - 15,0
2 12,6 -
3 10,9 -
14,0
4 10,9 -
5 11,4 -

Demanda
6 11,5 - 13,0
7 13,7 12,0
8 14,0 12,4
9 11,8 11,9 12,0
10 11,9 11,7
11 12,0 11,9 11,0
12 11,8 11,9
13 14,3 12,9
14 14,1 13,4 10,0
15 12,1 12,5 0 5 10 15 20
16 12,1 12,4
Tiempo
17 12,6 12,3
Ponderador
18 12,5 12,2
Dda Observada Promedio Móvil Ponderado 6 Meses
19 14,8 13,4 t-6 50%
20 14,7 13,7 t-5 5%
21 13,2 12,9 t-4 5%
22 13,4 12,9 t-3 10%
23 13,4 13,1 t-2 10%
24 13,6 13,1 t-1 20%
 Métodos Cuantitativos - Análisis de Series de Tiempo
Suavización Exponencial

 Cada incremento en el pasado se reduce 1-α

Ft  Ft 1    ( Dt 1  Ft 1 )
Ft = Pronóstico suavizado exponencialmente para el periodo t
Dt 1 = Demanda real del periodo t-1
 = Constante de suavización

 Se acepta en forma generalizada por seis razones:

 Sorprendentemente preciso
 Relativamente fácil de formular
 Modelo fácil de entender
 Se requieren pocos cálculos
 Bajo requerimiento de almacenamiento de datos
 Fácil de calcular pruebas de precisión de desempeño
 Métodos Cuantitativos - Análisis de Series de Tiempo
Suavización Exponencial
= 0,30
Suavización
Dda
Tiempo Exponencial
Observada 16,0
Factor 0,3
1 12,6
2 12,6 12,6
3 10,9 12,6 15,0
4 10,9 12,1
5 11,4 11,7
14,0
6 11,5 11,6
7 13,7 11,6

Demanda
8 14,0 12,2 13,0
9 11,8 12,8
10 11,9 12,5
11 12,0 12,3 12,0
12 11,8 12,2
13 14,3 12,1
14 14,1 12,7 11,0
15 12,1 13,1
16 12,1 12,8
17 12,6 12,6 10,0
18 12,5 12,6 0 5 10 15 20
19 14,8 12,6
20 14,7 13,2 Tiempo
21 13,2 13,7
22 13,4 13,5 Dda Observada Suavización Exponencial Factor 0,3
23 13,4 13,5
24 13,6 13,5
 Métodos Cuantitativos - Análisis de Series de Tiempo
Suavización Exponencial

 La razón por la que se llama suavización

exponencial es que cada incremento en el pasado
se reduce en 1-α

Ft  Ft 1     Dt 1  Ft 1 
Ft  Ft 1  1     Dt 1  
Ft   Ft 2  1     Dt 2     1       Dt 1
Ft  Ft 2  1     Dt 2    1     Dt 1  
2

Ft   Ft 3  1     Dt 3     1     Dt 2    1     Dt 1  
2

Ft  Ft 3  1     Dt 3    1     Dt 2    1     Dt 1    1   
3 2 1 0
 Métodos Cuantitativos - Análisis de Series de Tiempo
Suavización Exponencial

 Solo se requieren 3 piezas de datos para

pronosticar el futuro
 El pronóstico más reciente
 La demanda real que ocurrió durante el periodo de
pronóstico
 Una constante de suavización

 La constante de suavización determina el nivel de

uniformidad y la velocidad de reacción a las
diferencias entre los pronósticos y las ocurrencias
reales.
 Métodos Cuantitativos - Análisis de Series de Tiempo
Suavización Exponencial (mejoras)

8,0

7,0

6,0

5,0

Demanda
4,0

3,0

16,0 2,0

1,0
15,0
0,0
0 5 10 15 20 25 30
14,0
Tiempo
Demanda

13,0
Aleatorio Promedio Tendencia
Patron Estacional Ciclo
12,0

11,0

10,0
0 5 10 15 20

Tiempo
19-08-2013
Dda Observada
Métodos Cuantitativos - Análisis de Series de Tiempo
Suavización Exponencial, con Tendencia

 Suavización Exponencial con Tendencia:

At    Dt  1      At 1  Tt 1  0   1
Tt     At  At 1   1     Tt 1 0   1
Ft 1  At  Tt

 Donde Tt es la tendencia.
 Métodos Cuantitativos - Análisis de Series de Tiempo
Suavización Exponencial, con Tendencia

= 0,30
= 0,20
16,0
Dda
Tiempo At Tt F t+1
Observada
15,0
1 12,6 12,6
2 12,6 12,6 -0,0
3 10,9 12,1 -0,1 12,6 14,0
4 10,9 11,7 -0,2 12,0

Demanda
5 11,4 11,5 -0,2 11,5 13,0
6 11,5 11,4 -0,2 11,3
7 13,7 12,0 -0,0 11,2
8 14,0 12,6 0,1 12,0 12,0
9 11,8 12,4 0,1 12,7
10 11,9 12,3 0,0 12,5 11,0
11 12,0 12,2 0,0 12,3
12 11,8 12,1 -0,0 12,2
13 14,3 12,7 0,1 12,1 10,0
14 14,1 13,2 0,2 12,8 0 5 10 15 20
15 12,1 13,0 0,1 13,4 Tiempo
16 12,1 12,8 0,0 13,1
17 12,6 12,8 0,0 12,9 Dda Observada Ft+1
18 12,5 12,7 0,0 12,8
19 14,8 13,3 0,1 12,7
20 14,7 13,8 0,2 13,5
21 13,2 13,8 0,2 14,0
22 13,4 13,8 0,1 14,0
23 13,4 13,8 0,1 13,9
24 13,6 13,8 0,1 13,9
Métodos Cuantitativos - Análisis de Series de Tiempo
Suavización Exponencial, con Estacionalidad

 Suavización Exponencial con

Estacionalidad de Largo L:
 Dt 
At       (1   )  At 1 0  1
 Rt  L 
 Dt 
Rt       (1   )  R t  L 0   1
 At 
Ft 1  ( At ) / Rt  L 1

 Donde Rt es el factor de estacionalidad.

Métodos Cuantitativos - Análisis de Series de Tiempo
Suavización Exponencial, con Estacionalidad y Tendencia

 Suavización Exponencial con Estacionalidad de

Largo L y tendencia:
 Dt 
At       (1   )  ( At 1  Tt 1 ) 0    1
 Rt  L 
 Dt 
Rt       (1   )  R t  L 0   1
 At 
Tt    ( At  At 1 )  (1   )  Tt 1 0   1
Ft 1  ( At  Tt ) / Rt  L 1
 Métodos Cuantitativos - Análisis de Series de Tiempo
Suavización Exponencial, con Estacionalidad y Tendencia
= 0,30
= 0,20 16,0
= 0,50 L= 6,00
Dda
Tiempo Observad At Tt Rt F t+1 15,0
a
1 12,6 12,6 1,0
14,0
2 12,6 12,6 -0,0 1,0
3 10,9 10,9 -0,3 1,0

Demanda
4 10,9 10,9 -0,3 1,0 13,0
5 11,4 11,4 -0,1 1,0
6 11,5 11,5 -0,1 1,0
7 13,7 12,1 0,1 1,1 11,4 12,0
8 14,0 12,7 0,2 1,0 12,2
9 11,8 12,5 0,1 1,0 12,9
10 11,9 12,4 0,1 1,0 12,6 11,0
11 12,0 12,3 0,0 1,0 12,5
12 11,8 12,2 -0,0 1,0 12,3
10,0
13 14,3 12,5 0,1 1,1 13,0
14 14,1 12,8 0,1 1,1 13,2 0 5 10 15 20
15 12,1 12,8 0,1 1,0 12,6
Tiempo
16 12,1 12,7 0,1 1,0 12,6
17 12,6 12,8 0,1 1,0 12,6
Dda Observada Ft+1
18 12,5 12,8 0,0 1,0 12,6
19 14,8 13,0 0,1 1,1 14,2
20 14,7 13,3 0,1 1,1 14,0
21 13,2 13,5 0,1 1,0 12,8
22 13,4 13,7 0,2 1,0 13,1
23 13,4 13,8 0,1 1,0 13,7
24 13,6 13,9 0,1 1,0 13,7
 Métodos Cuantitativos: Análisis de Series de Tiempo
Análisis de Regresión Lineal
 Relación Funcional entre dos o más variables
correlacionadas.
 Se pronostica una variable en base a la otra.
 Se realiza a partir de datos observados.
 Se grafican los datos

Y  a  bX
Y = Variable Dependiente
a = Secante
b = Pendiente
X = Variable Independiente (En este caso el tiempo)
 Métodos Cuantitativos: Análisis de Series de Tiempo
Análisis de Regresión Lineal
 Útil para el pronóstico a largo plazo de eventos
importantes, así como la planeación agregada.
 Supone que los datos del pasado, y los
pronósticos futuros caen sobre una recta.
 Pueden usarse periodos más cortos.
 Se utiliza tanto para Análisis de Series de Tiempo
como para Relaciones Causales, en cuyo caso
una variable es dependiente de la otra.
 Métodos Cuantitativos: Análisis de Series de Tiempo
Análisis de Regresión Lineal

188
Sales

168

148

128

Sales
108 Sales
Regression
88
1 3 5 7 9 11 13 15 17
17 19
19 21
21 23
23 25
25 27
27 29
29
Week
 Métodos Cuantitativos: Análisis de Series de Tiempo
Series de Tiempo Shiskin
 Puede definirse una serie temporal como datos
ordenados en forma cronológica que pueden
tener uno o más componentes de la demanda:
 Tendencia
 Estacional Aditiva
 Cíclico
 Autocorrelación
 Aleatorio
Multiplicativa

 La descomposición de una serie temporal

significa identificar y separar los datos de la serie
temporal en estos componentes.
 Métodos Cuantitativos: Análisis de Series de Tiempo
Series de Tiempo Shiskin
 Es fácil identificar la tendencia y el componente
estacional.
 Es más difícil identificar los componentes de los
ciclos, la autocorrelación y el aleatorio.
 Cuando se tienen efectos estacionales y de
tendencia al mismo tiempo, pueden relacionarse:
 Variación Estacional Aditiva -> Cantidad estacional es
una constante
 Variación Estacional Multiplicativa -> La tendencia se
multiplica por los factores estacionales
 -> Es más común la multiplicativa.
Métodos Cuantitativos: Análisis de Series de Tiempo
Series de Tiempo Shiskin
 Métodos Cuantitativos: Análisis de Series de Tiempo
Proyecciones de Tendencia
 Ajusta una recta matemática de tendencias a los puntos de datos y las
proyecta en el futuro
Tendencia Líneal Tendencia de curva S
2 2
1,9 1,9
1,8 1,8
1,7 1,7
1,6 1,6
1,5
1,5
1,4 1,4
1,3 1,3
1,2
1,2
1,1 1,1
1
1
0,9
0,9
0,8
0,8
0,7
0,7
0,6
0,6
1 2 3 4 5 6 7 8 9 10 11 12
1 2 3 4 5 6 7 8 9 10 11 12

Tendencia asintótica Tendencia exponencial

2 2
1,9 1,9
1,8 1,8
1,7 1,7
1,6 1,6
1,5 1,5
1,4 1,4
1,3 1,3
1,2
1,2
1,1 1,1
1
1
0,9 0,9
0,8
0,8
0,7 0,7
0,6
0,6
1 2 3 4 5 6 7 8 9 10 11 12
1 2 3 4 5 6 7 8 9 10 11 12
 Métodos Cuantitativos:
Relaciones Causales
 Tratar de entender el sistema subyacente y que rodea al
elemento que se va a pronosticar
 La gracia es que una variable independiente sea un
indicador guía
 Ej.: La lluvia para la venta de paraguas

 Relación causal -> Una ocurrencia causa la otra

 Es de gran importancia encontrar las ocurrencias que
realmente son la causa
 Métodos Cuantitativos:
Relaciones Causales
 Varios modelos:
 Análisis de Regresión Múltiple

 Modelos Econométricos

 Modelos de Entrada/Salida

 Principales Indicadores
 Métodos Cuantitativos: Relaciones Causales
Análisis de Regresión Múltiple
 Similar al análisis de regresión en series de
tiempo pero con diversas variables
 Ej.: Mobiliario doméstico en función de número de
matrimonios, construcción de viviendas, ingreso
disponible y tendencias:

S  B  Bm ( M )  Bh ( H )  Bi ( I )  Bt (T )

S = Ventas Brutas Anuales

B = Ventas de Base (a partir de otros factores que ejercen influencia)
M = Matrimonios durante el año
H = Construcción de viviendas durante el año
I = Ingreso personal disponible anual
T = Tendencia temporal
 Métodos Cuantitativos: Relaciones Causales
Análisis de Regresión Múltiple
 Es conveniente hacer un pronóstico con
regresión múltiple cuando varios
factores influyen en la variable de
interés
 Su dificultad radica en:
 Encontrar las verdaderas fuentes de causa
 Ver la independencia de las fuentes
 Cálculos matemáticos
Métodos Cuantitativos: Relaciones Causales
Análisis de Regresión Múltiple
Estacionalidad
Subclase
Elasticidad
Demanda Efecto Precio Estilo i
Estilo i Promoción

 P I 
Di (t , P, I )  Ki  K (t )  K prom  exp(   i )(1  )   max( 0,1  )
 PInicial Ic 

Magnitud Ventas
Estilo i Elasticidad Elasticidad
Precio Subclase Inventario Subclase

t = Tiempo (Semana) I = Inventario

P = Precio Ic = Inventario Crítico
PInicial = Precio Inicial (salida)
 Métodos Cuantitativos: Relaciones Causales
Modelos Econométricos
 Intentos por describir algún sector de
la economía mediante ecuaciones
interdependientes

 Pero…
 Hay que pensar como economista: o sea;
oferta, costos de oportunidad, elasticidad,
excedente de los consumidores, demanda,
ventaja comparativa, etc.
 Métodos Cuantitativos: Relaciones Causales
Modelos de Entrada/Salida
 Se enfoca en ventas de otras industrias
 Indica los cambios en las ventas que
una industria productora puede esperar
debido a los cambios en las compras
por parte de la otra
 Métodos Cuantitativos: Relaciones Causales
Principales Indicadores
 Estadísticas que se mueven en la
misma dirección que la serie a
pronosticar, pero antes que ésta

 Ej: Un incremento en el precio de la

gasolina indica una baja futura en la venta
de autos grandes
 Métodos Cuantitativos:
Modelos de Simulación
 Modelos dinámicos
 Permiten hacer suposiciones acerca de
las variables internas y el ambiente
externo del modelo
 ¿Qué pasaría si suben los precios?
 Análisis de Sensibilidad
 Modelos de Simulación:
Pronóstico Enfocado
 Creación de Bernard Smith, quien lo usa
para manejo de inventarios de bienes
terminados.
 Smith dice que los enfoques estadísticos
no dan los mejores resultados
 Afirma que son mejores las técnicas
simples
 El pronóstico enfocado prueba varias
reglas y las simula sobre datos del pasado
 Modelos de Simulación:
Pronóstico Enfocado
 Ejemplos de reglas:
 Lo que se haya vendido en los últimos tres meses,
probablemente es lo que se venderá en los meses siguientes
 Lo que se vendió en el mismo trimestre del año pasado, se
venderá también en este periodo
 El cambio porcentual de los últimos tres meses de este año
será el mismo que se obtendrá en los tres meses siguientes
 Las reglas de pronóstico no son rígidas
 Si una regla funciona, se agrega, si no, se suprime
 Luego se simula por computadora con datos históricos
 Lo que mejor pronostique el pasado, se usa para el futuro
 Errores de Pronóstico
 Se refiere a la diferencia entre el valor de
pronóstico y lo que ocurrió en realidad.
 Nos sirven para ver en qué momento el
pronóstico falla o los datos no sirven
1
MAD   Dt  Ft
n t
1 MAD  0.8 desv. estandard
1 des. estandard  1.25 MAD

 Se utiliza por su simplicidad.

 Errores de Pronóstico
 El valor ideal de MAD es cero (ie, no existe error de
pronósticos).
 Mientras mas grande MAD, menor la precisión del
modelo.
 MAD se usa para:
 Comparar distintos modelos de pronósticos.
 Elegir el “mejor” modelo dentro de una familia de modelos

 Si |Ft - Dt| > 3,75 x MADt (tres desviaciones estándar),

entonces existen sospechas de VALOR EXTREMO.
 Errores de Pronóstico
 Señal de Rastreo:

suma acumulada de la desviación del pronóstico

T
MAD

 Si T  [-6,6] (confiabilidad menor al 97%), entonces

debe revisarse el modelo ya que está sesgado.
Errores de Pronóstico: Señal de Rastreo
16,0
16,0
15,0
15,0
14,0
14,0

Demanda
Demanda

13,0
13,0
12,0
12,0
11,0
11,0
10,0
10,0 0 5 10 15 20
0 5 10 15 20 Tiempo
8,0
8,0 Tiempo
6,0 Dda Observada Ft+1
6,0
Dda Observada Ft+1 4,0
4,0
2,0
2,0
0,0
0,0 0 5 10 15 20
-2,0
0 5 10 15 20
-2,0
-4,0
-4,0
-6,0
-6,0
-8,0
-8,0 TS TS 6 TS -6
TS TS 6 TS -6

MAD 0,7 MAD 1,0

Errores de Pronóstico: Señal de Rastreo
16,0
16,0

15,0
15,0

14,0
14,0

Demanda
Demanda

13,0
13,0

12,0
12,0

11,0
11,0

10,0
10,0
0 5 10 15 20
0 5 10 15 20
8,0
Tiempo
8,0 Tiempo
6,0
6,0 Dda Observada Suavización Exponencial Factor 0,08
Dda Observada Suavización Exponencial Factor 0,3 4,0
4,0
2,0
2,0
0,0
0,0 0 5 10 15 20
-2,0
0 5 10 15 20
-2,0
-4,0
-4,0
-6,0
-6,0
-8,0
-8,0
TS TS 6 TS -6
TS TS 6 TS -6

α=0.3 α=0.08
Errores de Pronóstico: Señal de Rastreo
16,0 16,0

15,0 15,0

14,0 14,0
Demanda

Demanda
13,0 13,0

12,0 12,0

11,0 11,0

10,0 10,0
0 5 10 15 20 0 5 10 15 20

8,0 Tiempo Tiempo

8,0
6,0 Dda Observada Suavización Exponencial Factor 1 Dda Observada Suavización Exponencial Factor 0
6,0
4,0
4,0
2,0
2,0
0,0
0,0
0 5 10 15 20
-2,0 0 5 10 15 20
-2,0
-4,0
-4,0
-6,0
-6,0
-8,0
-8,0
TS TS 6 TS -6
TS TS 6 TS -6

α=1 MAD 0,7 α=0 MAD 1

 Errores de Pronóstico
 MAD pronosticada:

MADt    Ft  Dt  (1   )  MADt 1
Pronósticos Bajo Incertidumbre
 En muchos casos no es una buena idea resumir en un
número nuestras predicciones futuras sobre el
comportamiento de la demanda. O, depender demasiado de
la información histórica.
 Ciclos de venta muy cortos.
 Demanda altamente estocástica.
 Rápidos cambios tecnológicos y de modas.

 Ejemplos: ropa de moda, juguetes, juegos computacionales,

música, libros, artículos electrónicos…
Pronósticos Bajo Incertidumbre
 En estos casos puede ser mejor modelar la
demanda como una variable aleatoria (o
proceso estocástico) y usar pronósticos
para definir su distribución de
probabilidades.

 Uno de los ejemplos más populares es

suponer que la demanda está
Normalmente distribuida con media  y
desviación estándar s.
 Pronósticos Bajo Incertidumbre
 Supongamos que tenemos N observaciones de la
demanda
 {xi: i=1,…,N}. Como podemos estimar  y s?

Metodo de Maxima Verosimilitud

n
1 n
max V(μ, s)    ( xi ,  , s ) 
 ,s
V   xi
i 1 n i 1
 xi   
n 2
n 2

 
max lnV(μ, s)   ln 2s 2  i 1
 ,s
n
2s 2
s V2   xi  V 
1
2 n i 1
 Conclusiones
 No es fácil desarrollar un sistema de
pronóstico
 Es fundamental para cualquier esfuerzo
de planeación
 En corto plazo: Predecir necesidades de
materiales, productos, servicios u otros
recursos
 En largo plazo: Base para los cambios
estratégicos, como el desarrollo de
mercados nuevos, creación de productos,
ampliar instalaciones
 Conclusiones
 Para los pronósticos de largo plazo son
provechosos los métodos causales

 Para los de corto y mediano plazo, los modelos

simples, como la suavización exponencial,
pueden ser satisfactorios

 La filosofía ideal es crear el mejor pronóstico que

sea posible y protegerse manteniendo la
flexibilidad del sistema para tener en cuenta
inevitables errores de pronóstico
 Palabras Clave
 Demanda Dependiente
 Demanda Independiente
 Análisis de Series de Tiempo
 Suavización Exponencial
 MAD y Señal de Rastreo
 Regresión Lineal para proyección
 Modelo Causal