Retailer
Lead Time Órdenes Lead Time Entrega
Wholesaler
Lead Time Órdenes Lead Time Entrega
Distributor
Lead Time Órdenes Lead Time Entrega
Compartiendo Información
¿Porqué se produce el efecto
látigo?
1. Pronósticos de Demanda: Efecto del pronóstico y
variabilidad
6. Alianzas Estratégicas
7. Flexibilidad de la Producción
Herramientas para disminuir el
Efecto Látigo
1. Reducir Incertidumbre compartiendo información
6. Alianzas Estratégicas
7. Flexibilidad de la Producción
Pronóstico de Demanda
Conceptos preliminares
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”
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
0,0
0 10 20 30 40 50 60
Tiempo
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.
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
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
Ft wt 1 Dt 1 wt 2 Dt 2 ... wt n Dt n n
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
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
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
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
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
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
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
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
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 )
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
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
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
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
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.
max lnV(μ, s) ln 2s 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