Escolar Documentos
Profissional Documentos
Cultura Documentos
Y OPERACIONES
PRONSTICOS DE
DEMANDA
Profesor: Francisco Yuraszeck
francisco.yuraszeck@unab.cl
Ingeniero Comercial Universidad Tcnica Federico Santa Mara
Master of Science en Marketing Universidad Adolfo Ibez
Socio Individual Instituto Chileno de Investigacin Operativa (ICHIO)
Mayo 2015
Por qu?
Ejemplos
Formular el
problema
Obtener
Informacin
Seleccin de un
mtodo
Implementar el
mtodo
Usar el pronstico
Evaluar el
mtodo
Mtodos de Pronsticos
El pronstico se puede clasificar en cuatro tipos bsicos:
Cualitativo o subjetivos
Anlisis de series de tiempo
Relaciones causales
Simulacin
Mtodos de Pronsticos
Aplicacin de
los
Pronsticos
Diseo de
Procesos
Horizonte de
Tiempo
Exactitud
Requerida
N de
Productos
Nivel
Administrativ
o
Mtodo de
Pronstico
Largo Plazo
Mediana
Uno o Pocos
Alto
Cualitativos y
Causales
Planeacin de
Capacidad de
Instalaciones
Largo Plazo
Mediana
Uno o Pocos
Alto
Cualitativos y
Causales
Planeacin
Agregada
Mediano
Plazo
Alta
Pocos
Medio
Causales y
Series de
Tiempo
Corto Plazo
Superior
Muchos
Bajo
Series de
Tiempo
Corto Plazo
Superior
Muchos
Bajo
Series de
Tiempo
Programacin
de
Actividades
Administraci
n de
Inventarios
Mtodos de Pronsticos
La seleccin de la tcnica de pronstico a utilizar est influida
por diversos factores:
Mtodos Causales
Proyeccin del mercado en base a datos histricos.
Buscar la causa del comportamiento de la variable a
proyectar relacionndola con variables explicativas.
Mtodos Causales
Los modelos causales de uso ms frecuente son:
Modelo de Regresin
Modelo Economtrico
Mtodo de encuestas de intenciones de compra
Modelo de insumo-producto
La tendencia
La estacionalidad
El componente cclico
La componente no sistemtica
Cantidad
Cantidad
Tiempo
Tiempo
Cantidad
20
Donde:
At-i : demanda real del periodo (t-i)
n : nmero de periodos incluidos en el promedio
pt-i: ponderacin del periodo (t-i);
Ft : pronostico para el periodo t
N-1
N-2
N-3
70%
20%
10%
2.500
2.000
DEMANDA
1.500
N=3
N=9
Prom. Pond
1.000
500
0
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30
Alisamiento Exponencial
En estos mtodos, cada vez que se aade un nuevo dato, se
elimina la observacin ms antigua y se calcula el nuevo
pronstico.
Considera vlida la premisa de que la importancia de los datos
disminuye mientras ms antiguos sean.
Alisamiento Exponencial
El nombre se debe a que cada incremento del pasado se
reduce en (1 - ). Para realizar el pronstico slo se necesitan
tres datos: el pronstico ms reciente, la demanda que se
present para ese perodo y una constante de suavizamiento .
Donde:
F(t) = El pronstico suavizado exponencialmente para el
periodo t
F(t-1) = El pronstico suavizado exponencialmente para el
periodo anterior
A(t-1) = La demanda real para el periodo anterior
= El ndice de respuesta deseado o constante de alisamiento
Alisamiento Exponencial
Para poner en marcha el mtodo de alisamiento exponencial se
requiere de un pronostico inicial. Hay dos formas de realizar el
pronostico inicial.
Usar la demanda del ltimo periodo.
Calcular el promedio de varios periodos recientes de
demanda.
FEB
MAR
DEMANDA
ABR
MAY
JUN
ALFA = 0,1
JUL
AGO
ALFA = 0,5
SEP
OCT
ALFA = 0,9
NOV
DIC
Mtodos de Descomposicin
Considera simultneamente los patrones de una serie histrica
de datos:
La tendencia
El componente cclico
El componente estacional
Componente no sistemtico
Mtodos de Descomposicin
El mtodo de descomposicin considera que los cuatro
componentes se relacionan a travs de:
S= T C Y +
Donde:
S= Valor pronosticado
T= Factor de tendencia
C= Componente cclico
Y= Componente estacional
= Variacin no sistemtica
En nuestro ejemplo:
y = mx + b
con m = -36.6 ; b= 25.465
y = -36,648x + 25465
R = 0,008
10.000
5.000
0
1
9 11 13 15 17 19 21 23 25 27 29 31 33 35 37 39 41 43 45 47
En nuestro ejemplo:
Enero 1991 t = 13
S(t)= T(t) Y C +
Donde:
S= Valor pronosticado
T= Factor de tendencia
C= Componente cclico
Y= Componente estacional
= Variacin no sistemtica
t=49
Errores de Pronsticos
El trmino error se refiere a la diferencia entre el valor del
pronstico y lo que ocurri en la realidad.
Fuentes de Error
Los errores se pueden clasificar como sesgados o aleatorios.
Los errores sesgados ocurren cuando se comete un error
consistente. Las fuentes de sesgo incluyen el hecho de no incluir
las variables correctas, el uso de relaciones equivocadas entre
las variables, etc.
Medicin de Errores
Varios trminos comnmente empleados para describir el grado
de error son el error estndar, error cuadrado medio (o
varianza) y desviacin absoluta media (MAD).
La desviacin absoluta media (MAD) es el error promedio en
los pronsticos, mediante el uso de valores absolutos.
Medicin de Errores
Recuerde que el error de un pronstico se define como:
Medicin de Errores
La expresin para la Desviacin Media Absoluta (MAD) es:
TS (#
MADs)
% datos dentro
del rango
+- 1
57.62 %
+-1.5
76.98%
+-2
89.04%
+-3
98.36%
+-4
99.86%
Seal de Rastreo
Una manera de monitorear los pronsticos para asegurar que
se estn llevando a cabo en forma adecuada es el empleo de
una seal de rastreo.
Una seal de rastreo es una medida de desempeo de la
efectividad del pronostico, al predecir los valores reales. Al
actualizar los pronsticos en forma semanal, mensual o
trimestral, el nuevo valor disponible de la demanda se compara
con los valores pronosticados.
Seal de Rastreo
La seal de rastreo se calcula como la suma de los errores de los
pronsticos dividido entre la desviacin media absoluta.
Ejemplo
Comentarios
Es posible formarse una mejor idea sobre lo que la MAD y la
seal de seguimiento significan trazando los puntos en una
grfica. Aunque esto no es completamente legitimo dado el
tamao de la muestra de nuestro ejemplo, se grafica cada mes
de modo de mostrar el cambio en la seal de seguimiento.
Comentarios
Observe que cambi de menos 1 MAD a ms 3.3 MAD. Esto
sucedi porque la demanda real fue mayor que el pronstico
en cuatro de los seis periodos.
Si la demanda real no cayera por debajo del pronstico para
compensar el numerador de la seal de rastreo positiva
continua, la seal de seguimiento seguira aumentando y se
llegara a la conclusin de que suponer una demanda de 1.000
mensual constituye un mal pronstico.
Comentarios
Los lmites aceptables para la seal de seguimiento dependen
del tamao de la demanda pronosticada (los artculos de
volumen alto o ingreso alto se deben vigilar con frecuencia) y la
cantidad de tiempo del personal disponible (los lmites
aceptables ms estrechos hacen que mayor cantidad de
pronsticos estn fuera de los lmites y por lo tanto requieren de
ms tiempo para investigarlos).