Anda di halaman 1dari 39

UNIDAD 2

Pronóstico de la Demanda
Métodos Cuantitativos
¿Qué es pronosticar?

• Proceso de predecir
acontecimientos futuros.
• Base de todas las
decisiones de un
negocio.
– Producción
– Inventario
– Personal
– Instalaciones
¡¡Vas a ganar $200 000¡¡
Administración de la Demanda

Unidad 2
Temas

• Tipos de demanda.
• Definición y tipos del pronóstico.
• Pronósticos por métodos cualitativos y
cuantitativos.
• Control de pronósticos.
• Pronósticos en el sector servicios.
Tipos de demanda

Demanda independiente:
Bienes terminados

A Demanda dependiente
Partes componentes,
Sub-ensambles, etc.
B(4) C(2)

D(2) E(1) D(3) F(2)


Administración de la Demanda
• Implica reconocer fuentes de demanda para los
bienes y servicios de una empresa, predecir la
demanda y determinar cómo la empresa puede
satisfacer esa demanda.
Tipos de pronóstico
• Pronóstico Económico
– Dirigido a los ciclos de negocios
• Tasa de inflación, tipo de cambio, precios de metales, etc.

• Pronóstico Tecnológico
– Indices de progreso tecnológico
– Aceptación de nuevos productos
• Pronóstico de Demanda
– Proyección de ventas de un producto ya existente
Pronóstico: horizonte de tiempo
• Pronóstico a Corto Plazo
– Usualmente menos de 3 meses.
• Programación de trabajos, asignación de tareas.

• Pronóstico a Mediano Plazo


– Entre 3 meses y 3 años.
• Planificación de ventas, producción y presupuesto.

• Pronóstico a Largo Plazo


– Más de 3 años
• Planificación de nuevos productos, localización de las
instalaciones.
Alto Planeación y
programación
detalladas

Planeación agregada
Nivel de Planes de provisión de personal
detalle Modificaciones de proceso
de una
predicción
Planeación de la capacidad
Planeación de las instalaciones
Planeación de procesos

Bajo
Corto Horizonte de tiempo Largo
Enfoques de pronósticos: métodos

• Métodos Cualitativos • Métodos Cuantitativos


– Se emplean en situaciones – Se emplean en situaciones
no muy claras y con pocos “estables” y se apoyan en
datos históricos: datos históricos:
• Productos nuevos. • Productos existentes.
• Nueva tecnología. • Tecnología actual.

– Son subjetivos y requieren – Utilizan modelos


intuición y experiencia: matemáticos:
• Ejemplo: pronóstico de • Ejemplo: pronóstico de
ventas de gas natural ventas de TV a color.
doméstico.
Métodos Cuantitativos: panorama

• Enfoque simple
• Promedios móviles simples y
ponderados Modelos de series de
• Suavizamiento exponencial tiempo
• Proyección de tendencia

• Regresión lineal
Modelos asociativos
Pronósticos de series de tiempo
• Una serie de tiempo es una secuencia de datos
obtenidos a intervalos iguales
• Se analizan para proyectarlos al futuro
• Supone que los valores futuros se predicen
solamente a partir de los valores pasados.
Ejemplo:
Año: 2005 2006 2007 2008 2009
Ventas: 78,7 63,5 89,7 93,2 92,1
Componentes de una serie de tiempo

• Tendencia
• Estacionalidad
• Ciclos
• Variaciones aleatorias
Demanda de un producto
representada en un periodo de 4 años con tendencia de
crecimiento y estacionalidad

Picos estacionales Componente de tendencia


Demanda del producto o servicio

Línea de
demanda
actual
Demanda media
en cuatro años
Variación
aleatoria
Primer Segundo Tercer Cuarto
año año año año
Enfoque simple

• Suponer que la demanda en el


próximo periodo será igual a la
demanda del periodo más
reciente:
– Si en julio hubo 48 ventas, en
agosto habrá 48 ventas.

• Aplicable en ciertos casos:


– Situaciones estables.

© 1995 Corel Corp.


Promedio móvil simple

• Asume que el promedio es bueno para estimar el


comportamiento futuro

A t -1 + A t -2 + A t-3 + ... + A t -n
Ft =
n
Ft = Pronóstico para el periodo t
n = Número de periodos que se consideran
A t-i = Valor de variable de interés para periodo t-i
Promedio móvil simple: ejemplo

Semana Demanda
1 650
2 678 Proyecte la demanda para cada
3 720
semana, usando el promedio
móvil sobre 3 semanas y el
4 785
promedio móvil sobre 6
5 859 semanas
6 920
7 850
8 758
9 892
10 920
11 789
12 844
Semana Demanda 3-Semanas 6-Semanas
1 650
F4=(650+678+720)/3 =682.67
2 678
F7=(650+678+720 +785
3 720
+859+920) / 6
4 785 682.67
5 859 727.67 =768.67
6 920 788.00
7 850 854.67 768.67
8 758 876.33 802.00
9 892 842.67 815.33
10 920 833.33 844.00
11 789 856.67 866.50
12 844 867.00 854.83
El promedio sobre 3 semanas suaviza la
curva real. El de 6 semanas la suaviza aun
más y muestra la tendencia

950
900
850 Demanda
800
Demanda

3 - Semanas
750
700 6 - Semanas
650
600
550
500
1 2 3 4 5 6 7 8 9 10 11 12
Sem ana
Promedio móvil ponderado

Asigna peso (importancia) diferente a cada valor que está


siendo promediado

Ft = w 1A t -1 + w 2 A t -2 + w 3 A t -3 + ... + w n A t -n

wt = peso dado al periodo “t”

w
i=1
i =1 Los pesos deben sumar 1
Promedio móvil ponderado

Ft  0.4A t 1  0.3A t 2  0.2A t 3  0.1A t 4

1  0.4  0.3  0.2  0.1


Promedio móvil ponderado: ejemplo
Con los datos mostrados, pronostique la demanda para
semana 4 usando el promedio ponderado móvil

Semana Demanda Pesos


1 650
2 678
t-1 0.5
3 720 t-2 0.3
4 t-3 0.2
Los pesos dan mayor importancia a los datos más
recientes
Promedio móvil ponderado: ejemplo

Semana Demanda Pronóstico


1 650
2 678
3 720
4 693.4

F4 = 0.5(720)+0.3(678)+0.2(650)=693.4
Promedio móvil: limitaciones
• Al aumentar el tamaño de “n” se suavizan las
fluctuaciones, pero se pierde sensibilidad frente a
los datos recientes.
• No reflejan bien las tendencias.
• Requieren amplios registros de datos históricos.
Suavizamiento exponencial

• También llamado método exponencial aminorado.


• Forma de ponderar el promedio móvil
– Ponderación declina exponencialmente
– Datos mas recientes son ponderados
• Requiere una constante de suavizado (α)
– Rango desde 0 a 1
– Elegido subjetivamente
• Implica mantener muy pocos registros de datos
históricos
Suavizamiento exponencial

Ft = α A t -1 + (1- α) Ft -1

Pronóstico =  (Demanda del periodo anterior)


+ (1 –  ) ( Pronóstico del periodo anterior)

Ft  Ft-1  α (A t-1 - Ft-1)


Regresión lineal
• Supone una relación lineal entre la variable de
respuesta “Y” y el periodo de tiempo “X”:

yˆ  a  bx
• Se calcula mediante el método de los mínimos
cuadrados:
– Minimiza la suma de errores cuadrados.
Método de mínimos cuadrados

Observación
real
Valores de la variable dependiente

Desviación

Punto en la línea
b de tendencia
ˆ  a  bx
Y
1
a

Periodo de tiempo
Regresión lineal

a = y - bx
Fórmulas para calcular “a” y “b”

b=
 xy - n(y)( x )
 x - n(x)
2 2

a = intercepción de la recta de regresión con el eje y


b = pendiente de la recta de regresión
x = valores conocidos del tiempo
y = valores conocidos de la demanda
_
y = promedio de los valores de y
_
x = promedio de los valores de x
n = número de datos
Regresión lineal

Ejemplo
Con los datos que siguen, ¿cuál es el modelo de
regresión lineal simple que se puede usar para predecir
las ventas futuras?

Semana Ventas
1 150
2 157
3 162
4 166
5 177
31

Respuesta: Usando las fórmulas de regresión lineal se


calculan “a” y “b”

Sem ana Sem ana*Sem ana Ventas Sem ana*ventas


1 1 150 150
2 4 157 314
3 9 162 486
4 16 166 664
5 25 177 885
3 55 162.4 2499
Prom edio Sum a Prom edio Sum a

b=  xy - n( y )( x ) = 2499 - 5(162.4)(3 )  63 = 6.3


 x - n( x)
2 2
55  5(9) 10

a = y - b x = 162.4 - (6.3)(3) = 143.5


32

El modelo de regresión lineal resultante es: Yt = 143.5 + 6.3x

Gráficos del pronóstico y de las ventas reales:

180
175
170
165
Ventas
Ventas

160
155 Pronóstico
150
145
140
135
1 2 3 4 5
Semana
Error de pronóstico
Error de pronóstico: definición

Error del pronóstico =


demanda real – valor pronosticado

Et  A t  Ft

–3
+5
Error de pronóstico acumulado

CFE : Cumulative Forecast Error


Suma continua de errores del pronóstico
Suma corriente de errores del pronóstico

CFE  Et
• Los errores positivos y negativos deben equilibrarse
• Útil para evaluar el sesgo en un pronóstico
Medición del error:
Desviación absoluta media (MAD)
n

A
t =1
t - Ft
MAD =
n
• Si MAD = 0, no hay error en el pronóstico
• A mayor MAD, menor precisión en el pronóstico
• Si los datos siguen una distribución normal:
1 MAD  0.8 desviación estándar
1 desviación estándar  0.81 MAD

• Ampliamente usado, adecuado para medir el error del pronóstico


Error cuadrático medio (MSE)

• MSE : Mean square error


Error cuadrático medio


2
E
MSE  t

n
• Se acentúa en grandes desviaciones
Resumen

• Los pronósticos raras veces son exactos


• Las técnicas de pronóstico suponen estabilidad
en los datos históricos.
• Los pronósticos por familia de productos o
agregados son más exactos que los
individuales.
Fin