Planificación y Control del Entrenamiento de los Equipos de ...
Planificación y Control de la Producción
-
Upload
independent -
Category
Documents
-
view
0 -
download
0
Transcript of Planificación y Control de la Producción
1-13-1
1
PRONÓSTICOS
1er Cuatrimestre2011
Planificación y Control de la Producción
UNS – Departamento de Ingeniería – Área 8
2
Pronósticos
El proceso de generación de pronósticos involucra
mucho más que la estimación de la demanda
futura. El pronóstico también debe tener en cuenta
el uso previsto de las previsiones, la metodología
de agregación y desagregación de los pronósticos
y suposiciones sobre las condiciones futuras.
UNS – Departamento de Ingeniería – Área 8
3
Resumen
UNS – Departamento de Ingeniería – Área 8
4
¿Qué es el pronóstico?
� Proceso de predecir un evento futuro.
� Es la base de todaslas decisiones de negocio:� Producción.
� Inventario.
� Personal.
� Instalaciones.
??
UNS – Departamento de Ingeniería – Área 8
5
Información de Pronóstico
� La información y la técnica de pronóstico deben coincidir con el uso previsto: � Para las decisiones estratégicas tales como la expansión de la capacidad o del mercado son necesarios estimaciones altamente agregadas de las tendencias generales.
� La actividades de planificación de ventas y operaciones requieren pronósticos más detallados en términos de familias de productos y periodos de tiempo.
� La programación y el control maestros de la producción requieren pronósticos altamente detallados, que sólo precisan cubrir un período corto de tiempo.
UNS – Departamento de Ingeniería – Área 8
6
Pronósticos para la Planificación Estratégica de Negocios
� Los pronósticos se presentan en términos generales (unidades monetarias de ventas, toneladas, horas).
� El nivel de agregación puede estar relacionado con indicadores generales (producto nacional bruto, ingresos).
� Los modelos causales y el análisis de regresión/correlación son herramientas típicas.
� La visión de la dirección resulta fundamental y la participación de la alta gerencia es intensiva.
� El pronóstico se prepara generalmente cada año y cubre un horizonte de varios años.
UNS – Departamento de Ingeniería – Área 8
7
Pronósticos para la Planificación de Ventas y Operaciones
� El pronóstico se presenta en medidas agregadas (dólares, unidades).
� El nivel de agregación está relacionado con las familias de productos (la medida común es la familia).
� El pronóstico suele generarse por la suma de las previsiones para los productos individuales.
� La implicación de la dirección es moderada y estálimitada a un ajuste de los valores agregados.
� El pronóstico se prepara generalmente varias veces en el año y cubre un período de varios meses a un año.
UNS – Departamento de Ingeniería – Área 8
8
Pronósticos para la Programación y el Control Maestro de la Producción
� El pronóstico se presenta en términos de productos individuales (unidades).
� El pronóstico suele generarse por medio de procedimientos matemáticos, a menudo utilizando algún tipo de software: � Las técnicas de proyección son comunes. � Se supone que el pasado es un indicador válido del futuro.
� La implicación de la dirección es mínima.
� El pronóstico se actualiza casi constantemente y abarca un período de días o semanas.
UNS – Departamento de Ingeniería – Área 8
9
� Un esquema de pronósticos.� Nivel de agregación del producto (los pronósticos agregados son más precisos).
� Amplitud temporal (mensual, trimestral, etc.) (los pronósticos de mayor amplitud son más precisos)… hay límites para esto.
� Los pronósticos GD son a corto plazo y tácticos mientras que los pronósticos estratégicos son a largo plazo y comúnmente más costosos.
Provisión de Información Apropiada de Pronósticos
UNS – Departamento de Ingeniería – Área 8
12
Influencia del Ciclo de Vida de los productos
� Los períodos de introducción y crecimiento requieren previsiones más extendidas que las de los períodos de madurez y declive.
� A medida que el producto recorre su ciclo de vida, los pronósticos son útiles en la proyección de:
� Nivel de personal.� Niveles de Inventario.� Capacidad de la fábrica.
Introducción - Crecimiento - Madurez - Declive
UNS – Departamento de Ingeniería – Área 8
13
Ciclo de Vida del Producto
Mejor época para aumentar la cuota de mercado
La ingeniería de I + D es crítica
Resulta práctico cambiar el precio o la imagen de calidad
Nicho de fortalecimiento
Mal momento para cambiar la imagen, el precio, o la calidad
Costos competitivos son críticosSe defiende la posición de mercado
El control de costos resulta crítico
Introducción Crecimiento Madurez Declive
Est
rate
gia
y d
ecis
ion
es
Buscadores de Internet
Ventas
iPad
Teléfonos celulares
CD-ROMs
Discos Floppy de 3 ½”
TVs LCD & de plasmaTVsAnalógicas
iPods
UNS – Departamento de Ingeniería – Área 8
14
Ciclo de Vida del Producto
Diseño y desarrollo de productos críticos
Cambios frecuentes de diseño de producto y proceso
Series de producción cortas
Costos de producción elevados
Modelos limitados
Atención a la calidad
Introducción Crecimiento Madurez Declive
Est
rate
gia
s y
tóp
ico
s d
e P
CP Previsión crítica
Confiabilidad de productos y procesos
Mejoras competitivas y opciones de productos
Aumento de la capacidad
Cambio hacia el enfoque en productos
Mejoras en la distribución
Estandarización
Menos cambios rápidos de producto -cambios menos importantes
Capacidad óptima
Aumento de la estabilidad de los procesos
Series de producción largas
Mejora del producto y reducción de costos
Poca diferenciación de producto
Minimización de costos
Exceso en la industria
Cierre de líneas para eliminar los artículos que no proporcionan buenos márgenes
Reducciones de capacidad
UNS – Departamento de Ingeniería – Área 8
15
Tipos de pronósticos
� Previsiones económicas:� Abordan el ciclo económico: tasa de inflación, oferta de dinero, la construcción de viviendas, etc.
� Pronósticos tecnológicos:� Pronostican la tasa de progreso tecnológico.
� Los impactos del desarrollo de nuevos productos.
� Pronósticos de demanda:� Pronostican los volúmenes de venta de productos y servicios existentes.
UNS – Departamento de Ingeniería – Área 8
16
Importancia Estratégica de la previsión
� Recursos Humanos: Contratación, capacitación, despido de trabajadores.
� Capacidad: La escasez de capacidad puede resultar en entregas poco fiables, la pérdida de clientes, la pérdida de cuota de mercado.
� Gestión de la Cadena de Suministro: Buenas relaciones con los proveedores y las ventajas de precio.
UNS – Departamento de Ingeniería – Área 8
17
Siete pasos en el Pronóstico
� Determinar el uso de las previsiones.
� Seleccionar los elementos que se pronosticarán.
� Determinar el horizonte temporal de las previsiones.
� Seleccionar el(los) modelo(s) de previsión.
� Recolectar información.
� Hacer el pronóstico.
� Validar y aplicar los resultados. UNS – Departamento de Ingeniería – Área 8
18
¡¡Las realidades!!
� Los pronósticos son rara vez perfectos.
� La mayoría de las técnicas asumen una estabilidad subyacente en el sistema.
� Las previsiones de familias de productos y globales son más precisas que los pronósticos de productos individuales.
UNS – Departamento de Ingeniería – Área 8
19
Enfoques de pronóstico
� Empleados cuando la situación es vaga y existen pocos datos.
� Cuándo utilizarlos:� Nuevos productos.
� Nueva tecnología.
� Involucra intuición, experiencia:�Por ejemplo, pronósticos de ventas
en Internet.
Métodos cualitativos
UNS – Departamento de Ingeniería – Área 8
20
Enfoques de pronóstico
� Se utilizan cuando la situación es "estable” y existe información histórica.� Productos existentes.
� Tecnología actual.
� Involucra técnicas matemáticas:� Por ejemplo, pronósticos de ventas de
televisores.
Métodos Cuantitativos
UNS – Departamento de Ingeniería – Área 8
21
Vista general de los métodos cualitativos
� Jurado de opinión ejecutiva:� Reunión de opiniones de expertos de alto
nivel, a veces acompañada por modelos estadísticos.
� Método Delphi:� Panel de expertos, interrogado de forma
iterativa.
UNS – Departamento de Ingeniería – Área 8
22
Vista general de los métodos cualitativos
� Estimación compuesta de la fuerza de ventas:� Las estimaciones individuales de los
vendedores se revisan respecto de su razonabilidad, luego se agregan.
� Estudio del Mercado de Consumo:� Preguntarle al cliente.
UNS – Departamento de Ingeniería – Área 8
23
� Involucra a un pequeño grupo de expertos de alto nivel y gerentes.
� El grupo estima la demanda a partir del trabajo conjunto.
� Combina experiencia de gestión con modelos estadísticos.
� Relativamente rápido.
� Inconvenientesdel pensamientogrupal.
Jurado de Opinión Ejecutiva
UNS – Departamento de Ingeniería – Área 8
24
Estimación compuesta de la fuerza de ventas
� Cada vendedor proyecta su o sus ventas.
� Se combinan las estimaciones a nivel regional y nacional.
� Los representantes de ventas conocen las expectativas de los clientes.
� Tiende a ser demasiado optimista.
UNS – Departamento de Ingeniería – Área 8
25
Método Delphi
� Proceso grupal: iterativo, continúa hasta que se llega a un consenso.
� 3 tipos de participantes:� Decisores.� Personal.� Encuestados.
� Reduce el “pensamiento en grupo”.
Personal(Administraciónde la encuesta)
Decisores(Evaluación de respuestas y
toma de decisiones)
Encuestados(Personas que pueden hacer
juicios valiosos)UNS – Departamento de Ingeniería – Área 8
26
Estudio de Mercado de Consumo
� Preguntar a los clientes sobre sus planes de compra.
� A menudo no hay coincidencia entre lo que dicen los consumidores y lo que realmente hacen.
� A veces, resulta difícil obtenerrespuestas.
UNS – Departamento de Ingeniería – Área 8
27
Vista general de los enfoques cuantitativos
1. Enfoque simple
2. Medias móviles
3. Suavizado exponencial
4. Proyección de tendencias
5. Regresión lineal
Modelos de Series de Tiempo
ModeloAsociativo
UNS – Departamento de Ingeniería – Área 8
28
Pronósticos de series temporales
� Conjunto de datos numéricos uniformemente espaciadas en el tiempo:� Se obtiene mediante la observación de la variable de
respuesta en períodos de tiempo regulares.
� Pronóstico basado sólo en valores del pasado, no hay otras variables importantes:� Supone que los factores que influyeron en el pasado e
influyen en el presente seguirán influyendo en el futuro.
� Ejemplo:
Año: 1993 1994 1995 1996 1997
Ventas: 78,7 63,5 89,7 93,2 92,1
UNS – Departamento de Ingeniería – Área 8
30
Descomposición de las Series de Tiempo
UNS – Departamento de Ingeniería – Área 8
31
Componentes de la Demanda
Dem
and
ap
ara
el p
rod
uct
oo
ser
vici
o
| | | |1 2 3 4
Año
Demandapromedio a lo largo de cuatro años
Picos estacionales
Componentede tendencia
Demandareal
Variaciónaleatoria
UNS – Departamento de Ingeniería – Área 8
32
Componente de Tendencia
� Patrón persistente y general hacia arriba o hacia abajo.
� Cambios debidos a la población, la tecnología, la edad, cultura, etc.
� Por lo general tiene varios años de duración.
UNS – Departamento de Ingeniería – Área 8
33
Componente Estacional
� Patrón regular de fluctuaciones hacia arriba y hacia abajo.
� Debido al clima, costumbres, etc.
� Se produce en un solo año.
Número dePeriodo Longitud Estaciones
Semana Día 7Mes Semana 4-4,5Mes Día 28-31Año Trimestre 4Año Mes 12Año Semana 52
UNS – Departamento de Ingeniería – Área 8
34
Componente Cíclica
� Repetición de los movimientos de arriba y abajo.
� Afectada por los ciclos económicos y factores políticos y económicos.
� Varios años de duración.
� Con frecuencia existen relaciones causales o asociativas.
00 55 1010 1515 2020UNS – Departamento de Ingeniería – Área 8
35
Componente Aleatoria
� Fluctuaciones erráticas, no sistemáticas, “residuales”.
� Debida a variaciones aleatorias o eventos impredecibles.
� De corta duración y no repetitivo.
LL MM MiMi JJ VV
UNS – Departamento de Ingeniería – Área 8
36
Proyecciones de tendencia
El ajuste de una línea de tendencia a puntos de datos históricos con el fin de proyectar en el medio y largo plazo.
UNS – Departamento de Ingeniería – Área 8
40
Análisis de Regresión
� La regresión identifica una relación entre dos o
más variables que están correlacionadas:
� La regresión lineal es un caso especial donde la relación
está definida por una línea recta y se utiliza tanto para
las series temporales como para los pronósticos causales:
Y = a + bx
� Y es el valor de la variable dependiente, a es el valor
de la ordenada al origen, b es la pendiente, y x es el
valor de la variable independiente.
UNS – Departamento de Ingeniería – Área 8
41
Método de los Mínimos Cuadrados
� Objetivo: Encontrar la línea que minimiza la suma de los cuadrados de las distancias verticales entre cada punto de datos y la línea.
Y – valor calculado de la variable dependiente
yi – punto real de la variable dependiente
a – ordenada al origen
b – pendiente de la recta
x – periodo de tiempo
Y = a + bx22
222
11 )()()( ii YyYyYyCuadradosdeSuma −++−+−= L
UNS – Departamento de Ingeniería – Área 8
Método de Mínimos Cuadrados
Ecuaciones para calcular los parámetros de regresión:
b =ΣΣΣΣxy - nxy
ΣΣΣΣx2 - nx2
Y = a + bx
a = y - bx
42
UNS – Departamento de Ingeniería – Área 8
43
Requerimientos de los Mínimos Cuadrados
1. Siempre graficar los datos para asegurar una relación lineal.
2. No predecir períodos de tiempo mucho más allá de la base de datos.
3. Las desviaciones en la línea de mínimos cuadrados se supone que son aleatorias.
UNS – Departamento de Ingeniería – Área 8
Método de Mínimos Cuadrados
Periodo de tiempo
Val
ore
s d
e la
var
iab
le d
epen
die
nte
Desviación1(error)
Desviación5
Desviación7
Desviación2
Desviación6
Desviación4
Desviación3
Observación real (valor y)
Línea de tendencia, Y = a + bx
44
UNS – Departamento de Ingeniería – Área 8
45
Método de Mínimos Cuadrados
Periodo de tiempo
Val
ore
s d
e la
var
iab
le d
epen
die
nte
Desviación1(error)
Desviación5
Desviación7
Desviación2
Desviación6
Desviación4
Desviación3
Observación real (valor y)
Línea de tendencia, Y = a + bx
El método de mínimos cuadrados minimiza la
suma de los errores cuadrados (desviaciones)
UNS – Departamento de Ingeniería – Área 8
46
Ejemplo de mínimos cuadrados
Trimestre (x) Ventas (y) xy x2 y2 Y
1 600 600 1 360 000 801,3
2 1550 3100 4 2 402 500 1160,9
3 1500 4500 9 2 250 000 1520,5
4 1500 6000 16 2 250 000 1880,1
5 2400 12 000 25 5 760 000 2239,7
6 3100 18 600 36 9 610 000 2599,4
7 2600 18 200 49 6 760 000 2959,0
8 2900 23 200 64 8 410 000 3318,6
9 3800 34 200 81 14 440 000 3678,2
10 4500 45 000 100 20 250 000 4037,8
11 4000 44 000 121 16 000 000 4397,4
12 4900 58 800 144 24 010 000 4757,1
Suma 78 33 350 268 200 650 112 502 500
UNS – Departamento de Ingeniería – Área 8
47
Ejemplo de mínimos cuadrados
Trimestre Ventas
1 600
2 1550
3 1500
4 1500
5 2400
6 3100
7 2600
8 2900
9 3800
10 4500
11 4000
12 4900
6666,441)6153,359(5,617,779 2 =−=−= xbya
6153,3595,612650
17,779 25,612200 268
)( 222=
⋅−
⋅⋅−=
−
−=∑∑
xnx
yxnxyb
xbxaY 6,35967,441 +=+=
UNS – Departamento de Ingeniería – Área 8
48
Línea de regresión de mínimos cuadrados
Los errores de la regresión son la
distancias verticales desde los puntos a la
línea
UNS – Departamento de Ingeniería – Área 8
49
Ejemplo de mínimos cuadrados
Trimestre Cálculo Pronóstico
13 Y13=441,6+359,6(13) 5119,4
14 Y14=441,6+359,6(14) 5476,0
15 Y15=441,6+359,6(15) 5835,6
16 Y16=441,6+359,6(16) 6195,2
Error estándar de la estimación (Syx): qué tan bueno es el ajuste de la línea a los datos
10
)1,47574900()5,15201500()9,11601550()3,801600(
2
)( 22221
2
−++−+−+−=
−
−
=∑
= L
n
Yy
S
n
i
ii
yx
UNS – Departamento de Ingeniería – Área 8
50
Estacionalidad
� La estacionalidad puede (o no) estar en relación con la tendencia general de la demanda: � La variación estacional aditiva es constante, independientemente de los cambios en la demanda promedio.
� La variación estacional multiplicativa mantiene una relación coherente con la demanda promedio (este es el caso más común).
Estacionalidad aditiva
Estacionalidad multiplicativa
Enero Enero Enero Enero Enero
Enero Enero Enero Enero Enero
Julio Julio Julio Julio
Julio Julio Julio Julio
UNS – Departamento de Ingeniería – Área 8
51
Factor estacional
� Para tener en cuenta la estacionalidad en el pronóstico, se calcula el factor estacional:� Cantidad de corrección necesaria en una serie de tiempo para ajustarla a la estación del año.
Estación Ventas
pasadas
Ventas promedio por
periodo estacional
Factor estacional
Primavera 200 1000/4=250 Real/Promedio=200/250=0,8
Verano 350 1000/4=250 350/250=1,4
Otoño 300 1000/4=250 300/250=1,2
Invierno 150 1000/4=250 150/250=0,6
Total 1000
UNS – Departamento de Ingeniería – Área 8
52
Factor estacional
� Si esperamos (pronóstico) para el año que viene ventas por un total de 1100 unidades, el pronóstico estacional se calcula utilizando los factores estacionales.
Estación Ventas
esperadas
Ventas promedio por
periodo estacional
Factor
estacional
Pronóstico
Primavera 1100/4=275 x 0,8 = 220
Verano 1100/4=275 x 1,4 = 385
Otoño 1100/4=275 x 1,2 = 330
Invierno 1100/4=275 x 0,6 = 165
Total 1100
UNS – Departamento de Ingeniería – Área 8
53
Estacionalidad – Tendencia y estación
Trimestre Cantidad
I – 2008 300
II – 2008 200
III – 2008 220
IV – 2008 530
I – 2009 520
II – 2009 420
III – 2009 400
IV – 2009 700
Tendencia = 170 +55t
Estimación de la tendencia, conviene usar software de regresión lineal para obtenerresultados más precisos
UNS – Departamento de Ingeniería – Área 8
54
Estacionalidad – Tendencia y estación
� Los factores estacionales se calculan para cada estación, luego, se promedian los valores de las estaciones similares.� Factor estacional = Real/Tendencia
Trimestre Valor real
De la ecuación de
tendencia
Tt = 170 + 55t
Razón Real /
Tendencia
Factor Estacional (Promedio de
los mismos trimestres en ambos
años)
UNS – Departamento de Ingeniería – Área 8
55
Estacionalidad – Tendencia y estación
� Los pronósticos se calculan mediante la extensión de la regresión lineal y se ajustan por el factor estacional apropiado: � PITE: Pronóstico que incluye tendencias y factores estacionales.
PITEt = Tendencia x Estacionalidad
I-2010 PITE9 = [170+55(9)]1,25 = 831
II-2010 PITE10 = [170+55(10)]0,78 = 562
III-2010 PITE11 = [170+55(11)]0,69 = 535
IV-2010 PITE12= [170+55(12)]1,25 = 1038
UNS – Departamento de Ingeniería – Área 8
56
Descomposición empleando la regresión de mínimos cuadrados
� Descomponer la serie de tiempo en sus componentes: � Buscar componente estacional.
� Desestacionalizar la demanda.
� Buscar componente de tendencia.
� Pronóstico de los valores futuros de cada componente: � Proyectar la componente de tendencia en el futuro.
�Multiplicar la componente de tendencia por la componente estacional.
UNS – Departamento de Ingeniería – Área 8
57
Descomposición empleando la regresión de mínimos cuadrados
Periodo Trimestre Demanda
real
Promedio del mismo trimestre de
cada año
Factor
estacional
1 I 600 (600+2400+3800)/3=2266,7
2 II 1550
3 III 1500
4 IV 1500
5 I 2400
6 II 3100
7 III 2600
8 IV 2900
9 I 3800
10 II 4500
11 III 4000
12 IV 4900
Total 33 350
Calcular el promedio de los valores del mismo
periodo
UNS – Departamento de Ingeniería – Área 8
58
Descomposición empleando la regresión de mínimos cuadrados
Periodo Trimestre Demanda
real
Promedio del mismo trimestre de
cada año
Factor
estacional
1 I 600 (600+2400+3800)/3=2266,7
2 II 1550 (1550+3100+4500)/3=3050
3 III 1500 (1500+2600+4000)/3=2700
4 IV 1500 (1500+2900+4900)/3=3100
5 I 2400
6 II 3100
7 III 2600
8 IV 2900
9 I 3800
10 II 4500
11 III 4000
12 IV 4900
Total 33 350
UNS – Departamento de Ingeniería – Área 8
59
Descomposición empleando la regresión de mínimos cuadrados
Periodo Trimestre Demanda
real
Promedio del mismo trimestre
de cada año
Factor estacional
1 I 600 (600+2400+3800)/3=2266,7 2266,7/(33350/12)=0,82
2 II 1550 (1550+3100+4500)/3=3050
3 III 1500 (1500+2600+4000)/3=2700
4 IV 1500 (1500+2900+4900)/3=3100
5 I 2400
6 II 3100
7 III 2600
8 IV 2900
9 I 3800
10 II 4500
11 III 4000
12 IV 4900
Total 33 350
Calcular el factor estacional para cada
periodo
UNS – Departamento de Ingeniería – Área 8
60
Descomposición empleando la regresión de mínimos cuadrados
Periodo Trimestre Demanda
real
Promedio del mismo trimestre
de cada año
Factor estacional
1 I 600 (600+2400+3800)/3=2266,7 2266.7/(33350/12)=0,82
2 II 1550 (1550+3100+4500)/3=3050 3050/(33350/12)=1,10
3 III 1500 (1500+2600+4000)/3=2700 2700/(33350/12)=0,97
4 IV 1500 (1500+2900+4900)/3=3100 3100/(33350/12)=1,12
5 I 2400 0,82
6 II 3100 1,10
7 III 2600 0,97
8 IV 2900 1,12
9 I 3800 0,82
10 II 4500 1,10
11 III 4000 0,97
12 IV 4900 1,12
Total 33 350
Los factoresestacionales
se repitencada año
UNS – Departamento de Ingeniería – Área 8
61
Descomposición empleando la regresión de mínimos cuadrados
Periodo Trimestre Demanda
real
Factor
Estacional
Demanda desestacionalizada
(Real/Factor Estacional)
1 I 600 0,82 600/0,82=735,7
2 II 1550 1,10 1550/1,10=1412,4
3 III 1500 0,97 1500/0,97=1544,0
4 IV 1500 1,12 1500/1,12=1344,8
5 I 2400 0,82 2942,6
6 II 3100 1,10 2824,7
7 III 2600 0,97 2676,2
8 IV 2900 1,12 2599,9
9 I 3800 0,82 4659,2
10 II 4500 1,10 4100,4
11 III 4000 0,97 4117,3
12 IV 4900 1,12 4392,9
Se calcula la demanda
desestacionalizadapara cada periodo
UNS – Departamento de Ingeniería – Área 8
62
Regresión por mínimos cuadrados de datos desestacionalizados
Periodo Demanda
desestacionalizada
1 735,7
2 1412,4
3 1544,0
4 1344,8
5 2942,6
6 2824,7
7 2676,2
8 2599,9
9 4659,2
10 4100,4
11 4117,3
12 4392,9
Resumen
Estadísticas de la regresiónCoeficiente de correlación múltiple 0,92965328Coeficiente de determinación R^2 0,86425523R^2 ajustado 0,85068075Error típico 512,818027
Observaciones 12
ANÁLISIS DE VARIANZAGrados de
libertad Suma de cuadradosPromedio de los
cuadrados FValor crítico
de FRegresión 1 16743469,6 16743469,6 63,6676606 1,2046E-05Residuos 10 2629823,29 262982,329Total 11 19373292,9
Coeficientes Error típico Estadístico t ProbabilidadIntercepción 555,004545 315,617678 1,75847104 0,1091737
Periodo 342,18007 42,8839977 7,97920175 1,2046E-05
Y= 555,0 + 342,2 x
Se usa la regresión lineal para ajustar la
línea de tendencia a los datos
desestacionalizados
UNS – Departamento de Ingeniería – Área 8
63
Generar el pronóstico por la proyección de tendencias y la reestacionalización
Periodo Trimestre Y de la Regresión Factor
estacional
Pronóstico
13 I 555+342,2×13=5003,5 × 0,82 = 4102,87
14 II 555+342,2×14=5345,7 × 1,10 = 5880,27
15 III 555+342,2×15=5687,9 × 0,97 = 5517,26
16 IV 555+342,2×16=6030,1 × 1,12 = 6753,71
Tendencia lineal proyectada
Estacionalidadproyectada
UNS – Departamento de Ingeniería – Área 8
64
Técnicas de pronóstico a corto plazo
� Modelos Estadísticos de Pronóstico:�Media móvil: Promedio no ponderado de un número determinado de períodos anteriores que se utiliza para pronosticar el futuro.
� Suavizado exponencial: Promedio ponderado de todas los periodos pasados que se utiliza para pronosticar el futuro.
� Ambos asumen que existe un patrón subyacente en la demanda que es constante durante un cierto período de tiempo.
UNS – Departamento de Ingeniería – Área 8
65
Enfoque Simple
� Supone que la demanda en el próximo período es igualque la demanda en el período más reciente:�Por ejemplo, si las ventas de enero
fueron de 68, entonces, las ventas de febrero serán de 68.
� A veces, resulta rentable y eficiente.
� Puede ser un buen punto de partida.
UNS – Departamento de Ingeniería – Área 8
66
Método de la Media Móvil
� PMM es una serie de medias aritméticas.
� Se utiliza si hay poca o ninguna tendencia.
� Se utiliza a menudo para suavizar.� Proporciona una impresión general de los datos en
el tiempo.
UNS – Departamento de Ingeniería – Área 8
67
Pronóstico mediante la media móvil
nReal Demanda)(PMMmóvil Media la por Pronósticot
1nti
it ∑+−=
=
i : Índice asociado al periodo.t : Periodo actual.n : Número de períodos de la media móvil (un n pequeño genera
pronósticos más sensibles a los últimos valores).
Ejemplo de cálculo de la media móvil
Período
27 28 29 30 31 32
Demanda real 900 1100 1500 1400 1700 1200
( ) 1300612001700140015001100900
6Real Demanda32 periodo del final al
calculada periodos 6 dePMM32
27i
i
=+++++=
= ∑=
( ) 14336120017001400
3Real Demanda32 periodo del final al
calculada periodos 3 dePMM32
30i
i
=++=
= ∑=
UNS – Departamento de Ingeniería – Área 8
68
Enero 10Febrero 12Marzo 13Abril 16Mayo 19Junio 23Julio 26
Ventas Media MóvilMes reales de galpones de 3-meses
(12 + 13 + 16)/3 = 13 2/3(13 + 16 + 19)/3 = 16(16 + 19 + 23)/3 = 19 1/3
Ejemplo de Media Móvil
101213
(10 + 12 + 13)/3 = 11 2/3
UNS – Departamento de Ingeniería – Área 8
Gráfico de la Media Móvil
| | | | | | | | | | | |
E F M A M J J A S O N D
Ven
tas
de
gal
po
nes
30 –28 –26 –24 –22 –20 –18 –16 –14 –12 –10 –
Ventasreales
Pronósticode media
móvil
69
UNS – Departamento de Ingeniería – Área 8
70
Media Móvil Ponderada
� Se utiliza cuando la tendencia está presente: � Los datos más antiguos suelen ser menos importantes.
� Ponderaciones basadas en la experiencia y la intuición.
Media móvilponderada =
∑ (peso para el periodo n)x (demanda en el periodo n)
∑ pesos
UNS – Departamento de Ingeniería – Área 8
71
Enero 10Febrero 12Marzo 13Abril 16Mayo 19Junio 23Julio 26
Ventas Media MóvilMes reales de galpones Ponderada de 3 meses
[(3 x 16) + (2 x 13) + (12)]/6 = 141/3[(3 x 19) + (2 x 16) + (13)]/6 = 17[(3 x 23) + (2 x 19) + (16)]/6 = 201/2
Media Móvil Ponderada
101213
[(3 x 13) + (2 x 12) + (10)]/6 = 121/6
Pesos utilizados Periodo
3 Último mes2 Dos meses atrás1 Tres meses atrás6 Suma de pesos
UNS – Departamento de Ingeniería – Área 8
72
Problemas Potenciales con la Media Móvil
� El aumento de n suaviza las previsiones, pero las hace menos sensibles a los cambios.
� No pronostica bien las tendencias.
� Requiere muchos datos históricos.
UNS – Departamento de Ingeniería – Área 8
Media Móvil yMedia Móvil Ponderada
30 30 –
25 25 –
20 20 –
15 15 –
10 10 –
5 5 –
Ven
tas
Ven
tas
/ / Dem
and
aD
eman
da
| | | | | | | | | | | |
EE FF MM AA MM JJ JJ AA SS OO NN DD
VentasVentasrealesreales
Media Media MMóóvilvil
Media Media MMóóvilvilPonderadaPonderada
73
UNS – Departamento de Ingeniería – Área 8
74
Suavizado exponencial
� Es una forma de media móvil ponderada.� Disminución exponencial de pesos.
� Los datos más recientes reciben mayor ponderación.
� Requiere una constante de suavizado (α):� Varía de 0 a 1.
� Se selecciona con criterios subjetivos.
� Implica el mantenimiento de un registro reducido de datos históricos.
UNS – Departamento de Ingeniería – Área 8
75
Pronóstico mediante suavizado exponencial
1tt
1tt1tt
)PSE(1)Real (Demanda)PSEReal (DemandaPSE)(PSElexponencia suavizado por Pronóstico
−
−−
−+=−+=αα
α
α: constante de suavizado (0 ≤ α ≤ 1) (un α mayor hace previsiones más sensibles a los últimos valores).
t: período actual. PSEt-1:pronóstico por suavizado exponencial del periodo anterior.
Ejemplo de cálculo del suavizado exponencial
Período
27 28
Demanda real 900 1100
( )( ) ( )( ) ( ) 10019901,0111000,1PSE
99010001,019000,199010009001,01000
conoce se no 28 periodo el en real demanda la pero conoce se 27 periodo el para demanda la cuando 27 periodo del final al calculado PSEPSE
0,1 1000, 26 periodo del final al calculado PSEPSE
28
27
26
=−+==−+==−+=
==== α
Suponer:
UNS – Departamento de Ingeniería – Área 8
Efecto de lasConstantes de Suavizado
Peso asignado a
Periodo 2º Periodo 3º Periodo 4º Periodo 5º Periodomás más más más más
Constante reciente reciente reciente reciente recienteSuavizado (αααα) αααα(1 - αααα) αααα(1 - αααα)2 αααα(1 - αααα)3 αααα(1 - αααα)4
αααα = 0,1 0,1 0,09 0,081 0,073 0,066
αααα = 0,5 0,5 0,25 0,125 0,063 0,031
76
PSEt = αααα Demanda realt + αααα(1-αααα) Demanda realt - 1 + αααα(1- αααα)2 Demanda realt – 2
+ αααα(1- αααα)3 Demanda realt - 3 + ... + αααα(1- αααα)t-1 Demanda real1
UNS – Departamento de Ingeniería – Área 8
77
Impacto de Diferentes α
225 –
200 –
175 –
150 – | | | | | | | | |
1 2 3 4 5 6 7 8 9
Trimestre
Dem
and
a
αααα = 0,1
Demandareal
αααα = 0,5
UNS – Departamento de Ingeniería – Área 8
78
Impacto de Diferentes α
225 225 –
200 200 –
175 175 –
150 150 – | | | | | | | | |
11 22 33 44 55 66 77 88 99
TrimestreTrimestre
Dem
and
aD
eman
da
αααααααα = 0,1= 0,1
DemandaDemandarealreal
αααααααα = 0,5= 0,5��Elegir valores altos de Elegir valores altos de ααααααααcuando es probable que cuando es probable que cambie la media cambie la media subyacente.subyacente.
��Elegir valores bajos de Elegir valores bajos de ααααααααcuando la media cuando la media subyacente es estable.subyacente es estable.
UNS – Departamento de Ingeniería – Área 8
79
Elección de α
El objetivo es obtener el pronóstico más exacto, con independencia de la técnica
Por lo general, esto se hace seleccionando el modelo que nos dé el
error de pronóstico más bajo
Error de pronóstico = Demanda real – Valor del pronóstico
= Demanda realt – PSEt-1
UNS – Departamento de Ingeniería – Área 8
80
Evaluación del pronóstico
� ¿El pronóstico es demasiado alto o demasiado bajo? � Error medio (sesgo).
� ¿Cuál es la magnitud del error de predicción? � Desviación media absoluta (DMA).
� Desvío estándar del error de pronóstico = 1,25 × MAD.
� La medición del sesgo y la DMA es crítica para entender la calidad de las previsiones.
UNS – Departamento de Ingeniería – Área 8
81
Otras Medidas de Error
Error Cuadrático Medio (ECM)
ECM =∑ (Errores de Pronóstico)2
n
Error Porcentual Medio Absoluto (EPMA)
EPMA =∑100|Reali – Pronósticoi-1|/Reali
n
n
i = 1
UNS – Departamento de Ingeniería – Área 8
82
Evaluación del pronóstico
ninformaciódeperiodosdenúmeronperiodo del índicei
nadasticoPron DemandaReal Demanda)DMA(Absoluta Media Desviación
n)adasticoPron DemandaReal (Demanda(sesgo)medio Error
n
1i
1ii
n
1i
1ii
==
−=
−=
∑
∑
=−
=−
Período (i)
1 2 3 4
(1) Demanda real 100 100 5500 100
(2) Pronóstico de demanda 1600 1600 1400 1300
Error (1) – (2) -1500 -1500 4100 -1200
207548300
4)1200410015001500(4errorDMA
254100
41200)410015001500(4)(errorsesgo
4
1i
4
1i
i
4
1i
4
1i
i
==
−++−+−==
−=−=
−+−−==
∑∑
∑∑
==
==
UNS – Departamento de Ingeniería – Área 8
83
Comparación de Errores de Pronóstico
Pronóstico Desviación Pronóstico DesviaciónTonelaje Redondeado Absoluta Redondeado Absoluta
Real con para con paraTrimestreDescargado αααα = 0,10 αααα = 0,10 αααα = 0,50 αααα = 0,50
1 180 175 5,00 175 5,002 168 175,5 7,50 177,50 9,503 159 174,75 15,75 172,75 13,754 175 173,18 1,82 165,88 9,125 190 173,36 16,64 170,44 19,566 205 175,02 29,98 180,22 24,787 180 178,02 1,98 192,61 12,618 182 178,22 3,78 186,30 4,30
82,45 98,62
UNS – Departamento de Ingeniería – Área 8
84
Comparación de Errores de Pronóstico
Pronóstico Desviación Pronóstico DesviaciónTonelaje Redondeado Absoluta Redondeado Absoluta
Real con para con paraTrimestreDescargado αααα = 0,10 αααα = 0,10 αααα = 0,50 αααα = 0,50
1 180 175 5,00 175 5,002 168 175,5 7,50 177,50 9,503 159 174,75 15,75 172,75 13,754 175 173,18 1,82 165,88 9,125 190 173,36 16,64 170,44 19,566 205 175,02 29,98 180,22 24,787 180 178,02 1,98 192,61 12,618 182 178,22 3,78 186,30 4,30
82,45 98,62
DMA =∑ |desviaciones|
n
= 82,45/8 = 10,31Para αααα = 0,10
= 98,62/8 = 12,33Para αααα = 0,50
UNS – Departamento de Ingeniería – Área 8
85
Comparación de Errores de Pronóstico
PronPronóósticostico DesviaciDesviacióónn PronPronóósticostico DesviaciDesviacióónnTonelajeTonelaje RedondeadoRedondeado AbsolutaAbsoluta RedondeadoRedondeado AbsolutaAbsoluta
RealReal concon parapara withwith paraparaTrimestreTrimestreDescargadoDescargado αααααααα = 0,10= 0,10 αααααααα = 0,10= 0,10 αααααααα = 0,50= 0,50 αααααααα = 0,50= 0,50
11 180180 175175 5,005,00 175175 5,005,0022 168168 175,5175,5 7,507,50 177,50177,50 9,509,5033 159159 174,75174,75 15,7515,75 172,75172,75 13,7513,7544 175175 173,18173,18 1,821,82 165,88165,88 9,129,1255 190190 173,36173,36 16,6416,64 170,44170,44 19,5619,5666 205205 175,02175,02 29,9829,98 180,22180,22 24,7824,7877 180180 178,02178,02 1,981,98 192,61192,61 12,6112,6188 182182 178,22178,22 3,783,78 186,30186,30 4,304,30
82,4582,45 98,6298,62DMADMA 10,3110,31 12,3312,33
= 1 526,54/8 = 190,82Para αααα = 0,10
= 1 561,91/8 = 195,24Para αααα = 0,50
ECM =∑ (errores de pronóstico)2
n
UNS – Departamento de Ingeniería – Área 8
86
Comparación de Errores de Pronóstico
Pronóstico Desviación Pronóstico DesviaciónTonelaje Redondeado Absoluta Redondeado Absoluta
Real con para with paraTrimestreDescargado αααα = 0,10 αααα = 0,10 αααα = 0,50 αααα = 0,50
1 180 175 5,00 175 5,002 168 175,5 7,50 177,50 9,503 159 174,75 15,75 172,75 13,754 175 173,18 1,82 165,88 9,125 190 173,36 16,64 170,44 19,566 205 175,02 29,98 180,22 24,787 180 178,02 1,98 192,61 12,618 182 178,22 3,78 186,30 4,30
82,45 98,62DMA 10,31 12,33ECM 190,82 195,24
= 1 526,54/8 = 190,82Para αααα = 0,10
= 1 561,91/8 = 195,24Para αααα = 0,50
ECM =∑ (errores de pronóstico)2
n
= 44,75/8 = 5,59%Para αααα = 0,10
= 54,05/8 = 6,76%Para αααα = 0,50
EPMA =∑100|desviacióni|/reali
n
n
i = 1
UNS – Departamento de Ingeniería – Área 8
87
Comparación de Errores de Pronóstico
Pronóstico Desviación Pronóstico DesviaciónTonelaje Redondeado Absoluta Redondeado Absoluta
Real con para con paraTrimestreDescargado αααα = 0,10 αααα = 0,10 αααα = 0,50 αααα = 0,50
1 180 175 5,00 175 5,002 168 175,5 7,50 177,50 9,503 159 174,75 15,75 172,75 13,754 175 173,18 1,82 165,88 9,125 190 173,36 16,64 170,44 19,566 205 175,02 29,98 180,22 24,787 180 178,02 1,98 192,61 12,618 182 178,22 3,78 186,30 4,30
82,45 98,62DMA 10,31 12,33ECM 190,82 195,24EPMA 5,59% 6,76%
UNS – Departamento de Ingeniería – Área 8
88
Suavizado Exponencial con Ajuste de Tendencia
Cuando existe una tendencia, el suavizado exponencial se debe modificar
Pronósticocon inclusión (PSEITt) = de tendencia
Pronóstico Tendenciasuavizado (PSEt) + (Tt) suavizadaexponencial- exponencial-mente mente
UNS – Departamento de Ingeniería – Área 8
89
Suavizado Exponencial con Ajuste de Tendencia
PSEt = αααα(Dt) + (1 - αααα)(PSEt - 1 + Tt - 1)
Tt = ββββ(PSEt - PSEt - 1) + (1 - ββββ)Tt - 1
Paso 1: Calcular PSEt
Paso 2: Calcular Tt
Paso 3: Calcular el pronóstico PSEITt = PSEt + Tt
UNS – Departamento de Ingeniería – Área 8
91
Ejemplo de Suavizado Exponencial con Ajuste de Tendencia
PronósticoDemanda Pronóstico Tendencia con inclusión de
Mes(t) Real (Dt) Suavizado, PSEt-1 Suavizada, Tt-1 tendencia, PSEITt-1
1 12 11 2 13,002 173 204 195 246 217 318 289 3610
PSE1 = ααααD1 + (1 - αααα)(PSE0 + T0)
PSE1 = (0,2)(12) + (1 - 0,2)(11 + 2)
= 2,4 + 10,4 = 12,8 unidades
Paso 1: Pronóstico para el mes 2
UNS – Departamento de Ingeniería – Área 8
92
Ejemplo de Suavizado Exponencial con Ajuste de Tendencia
PronósticoDemanda Pronóstico Tendencia con inclusión de
Mes(t) Real (Dt) Suavizado, PSEt-1 Suavizada, Tt-1 tendencia, PSEITt-1
11 1212 1111 22 13,0013,0022 1717 12,812,833 202044 191955 242466 212177 313188 282899 36361010
T1 = ββββ(PSE1 - PSE0) + (1 - ββββ)T0
T1 = (0,4)(12,8 - 11) + (1 - 0,4)(2)
= 0,72 + 1,2 = 1,92 unidades
Paso 2: Tendencia para el mes 2
UNS – Departamento de Ingeniería – Área 8
93
Ejemplo de Suavizado Exponencial con Ajuste de Tendencia
PronósticoDemanda Pronóstico Tendencia con inclusión de
Mes(t) Real (Dt) Suavizado, PSEt-1 Suavizada, Tt-1 tendencia, PSEITt-1
1 12 11 2 13,002 17 12,8 1,923 204 195 246 217 318 289 3610
PSEIT1 = PSE1 + T1
PSEIT1 = 12,8 + 1,92
= 14,72 unidades
Paso 3: Calcular PSEIT para el mes 2
UNS – Departamento de Ingeniería – Área 8
94
Ejemplo de Suavizado Exponencial con Ajuste de Tendencia
PronósticoDemanda Pronóstico Tendencia con inclusión de
Mes(t) Real (Dt) Suavizado, PSEt-1 Suavizada, Tt-1 tendencia, PSEITt-1
1 12 11 2 13,002 17 12,8 1,92 14,723 20 15,18 2,10 17,284 19 17,82 2,32 20,145 24 19,91 2,23 22,146 21 22,51 2,38 24,897 31 24,11 2,07 26,188 28 27,14 2,45 29,599 36 29,28 2,32 31,6010 32,48 2,68 35,16
UNS – Departamento de Ingeniería – Área 8
95
Ejemplo de Suavizado Exponencial con Ajuste de Tendencia
| | | | | | | | | |
1 2 3 4 5 6 7 8 9 10
Tiempo (mes)
Dem
and
ad
el P
rod
uct
o 35 –
30 –
25 –
20 –
15 –
10 –
5 –
0 –
Demanda real (Dt)
Pronóstico con inclusiónde tendencia (PSEITt-1)
con αααα = 0,2 y ββββ = 0,4
UNS – Departamento de Ingeniería – Área 8
96
Pronósticos Asociativos
Se utiliza cuando los cambios en una o más variables independientes pueden ser
utilizados para predecir los cambios en la variable dependiente
La técnica más utilizada es el análisis de regresión lineal
Se aplica esta técnica tal como se hizo en el ejemplo de series de tiempo
UNS – Departamento de Ingeniería – Área 8
97
Pronósticos Asociativos
Pronóstico de un resultado sobre la base de variables de predicción mediante la técnica de mínimos cuadrados:
Y = a + bx
donde Y = valor calculado de la variable a predecir (variable dependiente).
a = ordenada al origen.b = pendiente de la recta de regresión. x = la variable independiente, usada
para predecir el valor de la variable dependiente.
UNS – Departamento de Ingeniería – Área 8
98
Ejemplo de Pronósticos Asociativos
Ventas Volumen de Sueldos($ millones), y ($ miles de millones), x
2,0 13,0 32,5 42,0 22,0 13,5 7
4,0 –
3,0 –
2,0 –
1,0 –
| | | | | | |0 1 2 3 4 5 6 7
Ven
tas
Volumen de Sueldos
UNS – Departamento de Ingeniería – Área 8
99
Ejemplo de Pronósticos Asociativos
Ventas, y Sueldos, x x2 xy
2,0 1 1 2,03,0 3 9 9,02,5 4 16 10,02,0 2 4 4,02,0 1 1 2,03,5 7 49 24,5
∑y = 15,0 ∑x = 18 ∑x2 = 80 ∑xy = 51,5
x = ∑x/6 = 18/6 = 3
y = ∑y/6 = 15/6 = 2,5
b = = = 0,25∑xy - nxy
∑x2 - nx2
51,5 - (6)(3)(2,5)
80 - (6)(32)
a = y - bx = 2,5 - (0,25)(3) = 1,75
UNS – Departamento de Ingeniería – Área 8
100
Ejemplo de Pronósticos Asociativos
4,0 –
3,0 –
2,0 –
1,0 –
| | | | | | |0 1 2 3 4 5 6 7
Ven
tas
Volumen de Sueldos
Y = 1,75 + 0,25x Ventas = 1,75 + 0,25(sueldos)
Si el año próximo el volumen de sueldos se calcula en $6 mil millones, entonces:
Ventas = 1,75 + 0,25(6)Ventas = $3 250 000
3,25
UNS – Departamento de Ingeniería – Área 8
101
Error estándar de la estimación
� Un pronóstico es una estimación puntual de un valor futuro.
� Este punto esen realidad la media de unadistribuciónde probabilidad.
4,0 –
3,0 –
2,0 –
1,0 –
| | | | | | |0 1 2 3 4 5 6 7
Ven
tas
Volumen de sueldos
3,25
UNS – Departamento de Ingeniería – Área 8
102
Error estándar de la estimación
donde: y = valor de la variable y para cadauno de los puntos de datos.
Yc = valor calculado de la variable dependiente, a partir de la ecuación de regresión.
n = número de puntos de datos.
Sy,x =∑(y - Yc)2
n - 2
UNS – Departamento de Ingeniería – Área 8
103
Error estándar de la estimación
Desde un punto de vista computacional, esta ecuación es mucho más fácil de usar:
Usamos el error estándar para establecer intervalos de predicción
en torno al punto estimado.
Sy,x =∑y2 - a∑y - b∑xy
n - 2
UNS – Departamento de Ingeniería – Área 8
104
Error estándar de la estimación
4,0 –
3,0 –
2,0 –
1,0 –
| | | | | | |0 1 2 3 4 5 6 7
Ven
tas
Monto de sueldos
3,25
Sy,x = =∑y2 - a∑y - b∑xyn - 2
39,5 - 1,75(15) - 0,25(51,5)6 - 2
Sy,x = 0,306
El error estándar de la estimación es de $306 000 de las ventas.
UNS – Departamento de Ingeniería – Área 8
105
Correlación
� ¿Qué tan fuerte es la relación lineal entre las variables?
� ¡La correlación no implica necesariamente causalidad!
� El coeficiente de correlación, r, mide el grado de asociación.� Sus valores varían entre -1 y +1.
UNS – Departamento de Ingeniería – Área 8
106
Coeficiente de Correlación
r = nΣΣΣΣxy - ΣΣΣΣxΣΣΣΣy
[nΣΣΣΣx2 - (ΣΣΣΣx)2][nΣΣΣΣy2 - (ΣΣΣΣy)2]
UNS – Departamento de Ingeniería – Área 8
107
Coeficiente de Correlación
r = nΣΣΣΣxy - ΣΣΣΣxΣΣΣΣy
[nΣΣΣΣx2 - (ΣΣΣΣx)2][nΣΣΣΣy2 - (ΣΣΣΣy)2]r =
nΣΣΣΣxy - ΣΣΣΣxΣΣΣΣy
[nΣΣΣΣx2 - (ΣΣΣΣx)2][nΣΣΣΣy2 - (ΣΣΣΣy)2]
y
x(a) Correlaciónpositiva perfecta: r = +1
y
x(b) Correlaciónpositiva: 0 < r < 1
y
x(c) Sin correlación: r = 0
y
x(d) Correlaciónnegativa perfecta: r = -1
UNS – Departamento de Ingeniería – Área 8
108
Correlación
� El coeficiente de determinación, r2, mide el porcentaje de cambio en y previsto por el cambio en x.� Rango de valores entre 0 y 1.
� Fácil de interpretar.
Para el ejemplo anterior :
r = 0,901
r2 = 0,81
UNS – Departamento de Ingeniería – Área 8
109
Análisis de regresión múltiple
Si se utilizara más de una variable independiente en el modelo de regresión, la
regresión lineal se puede extender a una regresión múltiple para dar cabida a varias
variables independientes:
Y = a + b1x1 + b2x2 …
Computacionalmente, esto resulta bastante complejo y generalmente se debe
implementar directamente en computadora.
UNS – Departamento de Ingeniería – Área 8
110
Análisis de regresión múltiple
Y = 1,80 + 0,30x1 – 5,0x2
En el ejemplo anterior, incluyendo las tasas de interés en el modelo se obtiene una nueva ecuación:
Un coeficiente de correlación mejorado de r = 0,96significa que este modelo cumple un mejor trabajoen la predicción de las ventas de construcción.
Ventas = 1,80 + 0,30(6) - 5,0(0,12) = 3,00Ventas = $3 000 000
UNS – Departamento de Ingeniería – Área 8
111
� Se quiere conseguir:� Ninguna conducta o dirección del error de
previsión.
� Error = (yi - Yi) = (Real - Previsión).
� Se observa en las representaciones de los errores a lo largo del tiempo.
� Un error de previsión más pequeño:
� Error cuadrático medio (ECM).
� Desviación media absoluta (DMA).
Guía para elegir el modelo de pronóstico
UNS – Departamento de Ingeniería – Área 8
112
Tiempo (años)
ErrorError
0
Conducta deseada
Tiempo (años)
Error
0
Tendencia no explicadatotalmente
Conducta del error de previsión
UNS – Departamento de Ingeniería – Área 8
113
Seguimiento y Control de Pronósticos
� Mide qué tan bien predice el pronóstico los valores reales.
� Cociente entre la Suma Acumulada de los Errores de Pronóstico (SAEP) y la Desviación Absoluta Media (DMA).� Una buena señal de seguimiento tiene valores bajos.
� Si las previsiones son continuamente por exceso o por defecto, el pronóstico tiene un error de sesgo.
SEÑAL DE SEGUIMIENTO
UNS – Departamento de Ingeniería – Área 8
114
Seguimiento y Control de Pronósticos
Señal de Seguimiento
SAEPDMA==
Señal de Seguimiento ==
∑(Demanda reali – Pronósticoi-1)
((((∑|Demanda reali – Pronósticoi-1|/n)
UNS – Departamento de Ingeniería – Área 8
115
Señal de Seguimiento
Señal de seguimiento
+
0 DAMs
–
Límite de Control Superior
Límite de Control Inferior
Tiempo
Señal que excede el límite
Rangoaceptable
UNS – Departamento de Ingeniería – Área 8
116
Ejemplo de Señal de Seguimiento
ErrorError Acumulado
Demanda Demanda Absoluto AbsolutoTrim. Real Pronosticada Error SAEP de Pronóstico de Pronóstico DMA
1 90 100 -10 -10 10 10 10,02 95 100 -5 -15 5 15 7,53 115 100 +15 0 15 30 10,04 100 110 -10 -10 10 40 10,05 125 110 +15 +5 15 55 11,06 140 110 +30 +35 30 85 14,2
UNS – Departamento de Ingeniería – Área 8
117
Ejemplo de Señal de Seguimiento
ErrorError Acumulado
Demanda Demanda Absoluto AbsolutoTrim. Real Pronosticada Error SAEP de Pronóstico de Pronóstico DMA
1 90 100 -10 -10 10 10 10,02 95 100 -5 -15 5 15 7,53 115 100 +15 0 15 30 10,04 100 110 -10 -10 10 40 10,05 125 110 +15 +5 15 55 11,06 140 110 +30 +35 30 85 14,2
Señal de Seguimiento(SAEP/DAM)
-10/10 = -1-15/7,5 = -2
0/10 = 0-10/10 = -1
+5/11 = +0,5+35/14,2 = +2,5
La variación de la señal de control entre -2,0 y +2,5 está dentro de los límites aceptables
UNS – Departamento de Ingeniería – Área 8
118
0
20
40
60
80
100
120
140
160
0 1 2 3 4 5 6 7
Tiempo
Dem
an
da r
eal
-3
-2
-1
0
1
2
3
Señ
al
de s
egu
imie
nto
Ejemplo de Señal de Seguimiento
UNS – Departamento de Ingeniería – Área 8
119
Pronósticos Adaptativos
Resulta factible emplear la computadorapara hacer el seguimiento continuo del error de pronóstico y ajustar los valoresde los coeficientes αααα y ββββ empleados en el suavizado exponencial para minimizarcontinuamente el error de pronóstico.
Esta técnica se conoce con el nombrede suavizado adaptativo.
UNS – Departamento de Ingeniería – Área 8
120
Pronóstico enfocado
Desarrollado por American Hardware Supply, se basa en dos principios:
1. Los modelos sofisticados no son siempremejores que los modelos más simples.
2. No existe una única técnica que deba ser utilizada para todos los productos o servicios.
Este enfoque emplea datos históricos para probardistintos modelos de pronóstico sobre artículosespecíficos.
Se adopta el modelo de pronóstico con menor valor de error para hacer la siguiente estimación de demanda.
UNS – Departamento de Ingeniería – Área 8
121
Pronósticos en el Sector de los Servicios
� Presenta desafíos inusuales:� Existe una necesidad especial de registros en el corto plazo.
� Las necesidades difieren en gran medida en función de la industria y el producto.
� Vacaciones y otros eventos del calendario.
� Eventos inusuales.
UNS – Departamento de Ingeniería – Área 8
122
Pronóstico de un Restaurante de Comida Rápida
20% –
15% –
10% –
5% –
11-12 1-2 3-4 5-6 7-8 9-1012-1 2-3 4-5 6-7 8-9 10-11
(Hora del almuerzo) (Hora de la cena)Hora del día
Po
rcen
taje
de
Ven
tas
UNS – Departamento de Ingeniería – Área 8
123
Pronóstico de un Call Center
12% 12% –
10% 10% –
8% 8% –
6% 6% –
4%4% –
2%2% –
0%0% –
HoraHora del del ddííaaA.M.A.M. P.M.P.M.
22 44 66 88 1010 1212 22 44 66 88 1010 1212
UNS – Departamento de Ingeniería – Área 8
124
Agregación de pronósticos
� El proceso de PVO concilia las diferencias entre los pronósticos de diversas fuentes. � Conocimiento del cliente/producto.
� Suma de los pronósticos detalladas de cada producto (por familia de productos, por ejemplo).
� El resultado de la PVO es un pronóstico de la demanda agregada.
� Los pronósticos a largo plazo/agregados son más precisos que los pronósticos a corto plazo/detallados.
UNS – Departamento de Ingeniería – Área 8
125
� Los pronósticos de ventas para muchos diferentes fines de toma de decisiones pueden representar un serio problema de coordinación en muchas empresas.
� Con frecuencia, estos pronósticos independientes no se confrontan para verificar que son consistentes.
� Una forma de lograr consistencia es a través de pronósticos piramidales.
Agregación y Desagregación de Pronósticos
UNS – Departamento de Ingeniería – Área 8
126
Pronóstico piramidal
� Es un método de agregación y desagregación de pronósticos:� Asegura la coherencia a medida que se integran las distintas fuentes de pronóstico.
� Proporciona un marco lógico para agregar los pronósticos de menor nivel y distribuir los cambios en los pronósticos de mayor nivel entre productos individuales.
UNS – Departamento de Ingeniería – Área 8
129
Pro
nóst
ico
agre
gado
haci
aar
riba Forzar
el ajustehacia
abajo
Pronóstico Piramidal
Volumentotal del
negocio ($)
Volumen de familiasde producto(unidades/$)
Volumen de productosterminados / artículos
(unidades)
UNS – Departamento de Ingeniería – Área 8
130
Pro
nóst
ico
agre
gado
haci
aar
riba
Forzarel ajuste
haciaabajo
$Negocio
TotalNivel 1
X ZLíneas de producto
Nivel 2
X1 X2 Z1 … Z9Artículos individuales
Nivel 3
Ejemplo de Pronóstico Piramidal
agregaciónhacia arriba
$950000$778460
X Z15 000 25 00013 045 28 050$16,67 $20
X1 X2 Z1 … Z98200 4845
$20,61 $10
agregaciónhacia arriba
Paso 1: Agregar hacia arriba para verificar que no existen discrepancias entre el pronóstico inicial y el pronóstico de negocios
Paso 2 :Forzar el ajuste hacia abajo del pronóstico corregido hasta llegar al nivel de artículos finales
Pronóstico de Negocio ($)Pronóstico Agregado ($)
Pronóstico por líneas (unidades)Pronóstico Agregado (unidades)
Precio unitario medio
Pronóstico inicial (unidades)Precio unitario
Discrepancia
Se adopta $900 000 comopronóstico corregido
subjetivamente
UNS – Departamento de Ingeniería – Área 8
131
Ejemplo de Pronóstico Piramidal
Forzar el ajustehacia abajo
Forzar el ajustehacia abajo
$900000
X Z
15 082 32 429
X1 X2 Z1 … Z9
9480 5602
Pronóstico de la Gerencia ($)
Pronóstico forzado* (unidades)
Pronóstico forzado** (unidades)
Se adopta $900 000 comopronóstico corregido
subjetivamente
*Pronóstico forzado (X) = $900 000
x (13 045) = 15 082 unidades$778 460
*Pronóstico forzado (Z) = $900 000
x (28 050) = 32 429 unidades$778 460
**Pronóstico forzado (X1) = 15 082
x (8200) = 9480 unidades13 045
**Pronóstico forzado (X2) =15 082
x (4845) = 5602 unidades13 045
UNS – Departamento de Ingeniería – Área 8
134
Demanda Histórica
Producto A
Región 1 150
Región 2 300
Precio de Venta $4,50
La Gerencia ha determinado que la demanda del próximo año será de $10 000.
CALCULAR la demanda proyectada en unidades para los productos A y B en cada región.
Producto B
Región 1 300
Región 2 450
Precio de Venta $8,50
Ejercicio de Pronóstico Piramidal
UNS – Departamento de Ingeniería – Área 8
135
Basándonos en la demanda histórica
A = 150 + 300 = 450 × $4,50 = $2025
B = 300 + 450 = 750 × $8,50 = $6375
Total = $8400
A: Región 1 = 1,19 × 150 = 178,5
Región 2 = 1,19 × 300 = 357,0
B: Región 1 = 1,19 × 300 = 357,0
Región 2 = 1,19 × 450 = 535,5
178,5 + 357,0 = 535,5 � 535,5 × $4,50 = $2409,75
357,0 + 535,5 = 892,5 � 892,5 × $8,50 = $7586,25
= 1,19 (incremento del 19%)$10 000
$8400
$9996,00
Ejercicio de Pronóstico Piramidal - Solución
UNS – Departamento de Ingeniería – Área 8
136
� Los pronósticos a largo plazo o por línea de producto (agregados) son más precisos que los detallados.
Agregación y Desagregación de Pronósticos
Distr. de ventas mensuales Distr. de ventas anuales
Promedio = 20 unidadesDesvío estándar = 2 u.Rango de 95% = 16 - 24 u.Desvío = ± 20%
Promedio = 240 unidadesDesvío estándar = 6,9 u.Rango de 95% = 226 - 254 u.Desviación = ± 5,8%
Efecto de agregar en la precisión del pronóstico
Mean = 20.00 Mean = 20.00
UNS – Departamento de Ingeniería – Área 8
137
1 mes 1 trimestre 1 año
Volumen total ± 12 8 8
Familia 15 10 8
Tipo en la familia 15 12
Grado en el tipo 30
SKU (artículo) 50
TiempoNivel de Detalle
Niveles realistas de desviación de pronósticos (%)Valores Promedio
Estudio Caso Polysar Ltd.
UNS – Departamento de Ingeniería – Área 8
138
Información Externa
� Las actividades o condiciones que pueden invalidar la hipótesis de que la historia es un buen indicador del futuro deben considerarse en el proceso de pronóstico: � Promociones especiales, cambios de productos, publicidad, acciones de la competencia.
� Pueden ser necesarios cambios en el proceso de pronóstico:� Cambiar el parámetro de suavizado exponencial para poner más (o menos) énfasis en la historia reciente.
� Pronosticar con mayor frecuencia para identificar las condiciones que dan lugar a errores de pronóstico más grandes.
UNS – Departamento de Ingeniería – Área 8
139
Conclusiones
� Los modelos de pronóstico deben ser tan simples como resulte posible. Los modelos simples a menudo superan a enfoques más complicados.
� Las entradas (datos) y salidas (pronósticos) deben ser observados en cuanto a la calidad y la pertinencia.
� La información sobre las fuentes de variación (estacionalidad, tendencias de mercado, políticas de la empresa) deben incorporarse en el sistema de pronóstico.
� Los pronósticos provenientes de distintas fuentes se deben conciliar y hacerse coherentes con los planes y restricciones de la empresa.