Escolar Documentos
Profissional Documentos
Cultura Documentos
Relaciones relevantes:
Pronóstico - Planeación.
Demanda - Ventas.
Nivel Estratégico:
Largo plazo / A nivel del sector industrial.
Nivel Táctico:
Mediano plazo / A nivel de líneas de producto.
Nivel Operacional:
Corto Plazo / A nivel de producto (SKU).
Administración de Inventarios corto la más alta muchos más bajo series de tiempo
Métodos Populares
9 Grass Root
9 Investigación de Mercados
9 Panel de Consenso
9 Método Delphi
Características:
Se usa en la introducción de nuevos productos y cambios
tecnológicos.
Es regular en exactitud y puntos de cambio.
Posee un costo mediano o alto.
Características:
Típicamente se usan para probar nuevos productos
(yogurt) o en test políticos (encuestas).
Son buenos a corto plazo.
Relativamente caras.
Permiten identificar puntos de cambio
Fases:
Introducción.
Crecimiento.
Maduración.
Saturación.
Ejemplos:
Juguetes.
VHS.
Características:
140
140
120
120
Sales
Sales
Price
100
100
80
80
60
60
40
40
20
20
00
11 33 55 77 99 1111 1313 1515 1717 1919 2121 2323 2525 2727 2929
Week
Week
Tiempo
Patrón
Demanda
de estacionalidad
Tendencia
Nivel
Aleatorio
Tiempo
Dt + Dt +1 + ... + Dt − N +1
At =
N
Se toma Ft+1=At.
120 Demand
3-Week
100 6-Week
80
60
40
20
0
1 3 5 7 9 11 13 15 17 19 21 23 25 27 29
Weeks
Series de Tiempo
2.- Promedios Móviles Ponderados:
Si hay variabilidad en la demanda se pueden usar promedios
móviles ponderados, asignando mayor ponderación a los últimos
períodos.
Ft +1 = At = Wt ⋅ Dt + ...... + Wt − N +1 ⋅ Dt − N +1
t
∑Wi = 1
i =t − N −1
(caso simple, Wi = N1 )
No es recomendable por:
Complejidad.
Se deben llevar los registros de demanda históricos.
Cálculo de las ponderaciones.
120 Demand
3-Week
100 Weighted
80
60
40
20
0
1 3 5 7 9 11 13 15 17 19 21 23 25 27 29
Weeks
Series de Tiempo
3.- Alisamiento Exponencial Simple:
At = α ⋅ Dt + (1 − α ) ⋅ At −1 0 <α <1
Ft +1 = At
Ft +1 = α ⋅ Dt + (1 − α ) ⋅ At −1
= α ⋅ Dt + (1 − α ) ⋅ [α ⋅ Dt −1 + (1 − α ) ⋅ At − 2 ]
= α ⋅ Dt + (1 − α ) ⋅ α ⋅ Dt −1 + (1 − α ) 2 ⋅α ⋅ Dt − 2 + ...
... + (1 − α ) t ⋅ D1
120 Demand
alpha=0.9
100 alpha=0.5
80
60
40
20
0
1 3 5 7 9 11 13 15 17 19 21 23 25 27 29
Weeks
Series de Tiempo
4.- Alisamiento Exponencial con Tendencia:
At = α ⋅ Dt + (1 − α ) ⋅ ( At −1 + Tt −1 ) 0 <α <1
Tt = β ⋅ ( At − At −1 ) + (1 − β ) ⋅ Tt −1 0 < β <1
Ft + k = At + k ⋅ Tt k = 1,2,...
Donde Tt es la tendencia.
120
100
80
60
40
20
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
-20
Weeks
Indicadores:
Desviación media absoluta:
120
Sales MAD
20
100
80 15
60
10
40
5
20
0 0
1 3 5 7 9 11 13 15 17 19 21 23 25 27 29 0 0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9 1
Week
α
188 18
178
168 Sales
17
16
MAD
158 15
148 14
138 13
128 12
118 11
108 10
98 9
88 8
1 3 5 7 9 11 13 15 17 19 21 23 25 27 29 0 0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9 1
Week α
Métodos Causales
1.- Regresión Lineal:
yˆ = a + b ⋅ x
x: variable independiente.
ŷ : variable dependiente.
Min ∑ ( yi − yi ) = Min ∑ (a + b ⋅ xi − yi )
ˆ 2 2
i i
Capítulo 2: Pronósticos de Demanda #30
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
∑y i ∑x i
a= i
−b⋅ i
n n
⎡⎛ ⎞ ⎛ ⎞⎤
n ⋅ ∑ xi ⋅ yi − ⎢⎜ ∑ xi ⎟ ⋅ ⎜ ∑ yi ⎟⎥
⎣ ⎝ i ⎠ ⎝ i ⎠⎦
b=
i
2
⎛ ⎞
n ⋅ ∑ xi − ⎜ ∑ xi ⎟
2
i ⎝ i ⎠
Capítulo 2: Pronósticos de Demanda #32
Regresión Lineal
2
⎡ ⎛ ⎞ ⎛ ⎞⎤
⎢n ⋅ ∑ xi ⋅ yi − ⎜ ∑ xi ⎟ ⋅ ⎜ ∑ yi ⎟⎥
⎣ ⎝ i ⎠ ⎝ i ⎠⎦
R =
2 i
⎡ ⎛ ⎞
2
⎤ ⎡ ⎛ ⎞ ⎤
2
⎢n ⋅ ∑ xi − ⎜ ∑ xi ⎟ ⎥ ⋅ ⎢n ⋅ ∑ yi − ⎜ ∑ yi ⎟ ⎥
2 2
⎢⎣ i ⎝ i ⎠ ⎥⎦ ⎢⎣ i ⎝ i ⎠ ⎥⎦
yˆ = f( x, z , w)
Modelo de 3 Factores
Elasticidad
Precio
Demanda
Demanda
Demanda
Elasticidad
Inventario
Estacionalidad
Demanda
Demanda == Estacionalidad
Estacionalidad××Elast.
Elast.Precio
Precio××Elast.
Elast.Inventario
Inventario
0.8
Stock / max Stock
0.6
0.4
0.2
Ventas / max Ventas
0
7 12 17 22 27 32
Semana (Temporada 2002)
Datos
DatosAgrupados
AgrupadosporporEstilo
EstiloyyGrupos
GruposdedeTiendas
Tiendas
¾¾Estacionalidad
EstacionalidadPrecio
PrecioEspecifica
Especificadel
delEstilo
Estilo
Datos
DatosAgrupados
AgrupadosporporEstilo
EstiloyyTienda
Tienda
¾¾Factor
Factorde
deAjuste
AjusteMagnitud
MagnituddedeVentas
VentasEspecífica
Específica
aacada
cadaEstilo
EstiloyyTienda
Tienda
Capítulo 1: La Función de Operaciones #38
Aplicación: Modelo
Estacionalidad
Subclase
Elasticidad
Demanda Efecto
Precio Estilo i
Estilo i Promoción
⎡ P I ⎤
Di (t , P, I ) = K i × K (t ) × K prom × exp ⎢(γ + γ i )(1 − ) + µ max(0,1 − )⎥
⎣ PInicial Ic ⎦
Magnitud Ventas
Estilo i Elasticidad Elasticidad
Precio Subclase Inventario Subclase
100
100
50
50
0
0
7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 31 32 33 34 35 39
7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 31 32 33 34 35 39
Semana (Invierno 2002)
Semana (Invierno 2002)
9Ajuste mejora al considerar Efecto Promoción
9Ajuste mejora al considerar Efecto Promoción
Capítulo 1: La Función de Operaciones #40
Aplicación: Resultados
Sweater
SweaterSport
SportML
ML6884
6884Saville
SavilleRow
Row
(Alto las Condes - Parque Arauco)
(Alto las Condes - Parque Arauco)
30
30
25 Real
Real R2 = 0,67
25
Modelo
Ve n ta (U n id a d e s)
20 Modelo
Ve n ta (U n id a d e s)
20
15
15
10
10
5
5
0
0
8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 31 32
8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 31 32
Semana (Invierno 2002)
Semana (Invierno 2002)
Casaca
CasacaTela
TelaTJ21
TJ21Gianni
GianniMorelli
Morelli
(Alto
(Altolas
lasCondes
Condes- -Parque
ParqueArauco)
Arauco)
40
40
35 R2 = 0,32
35
30 Real
30 Real
Venta (Unidades)
Venta (Unidades)
25 Modelo
25 Modelo
20
20
15
15
10
10
5
5
0
0
7 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 34 38 39
7 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 34 38 39
Semana (Invierno 2002)
Semana (Invierno 2002)
Características:
Complejidad alta.
Costo alto.
Son de largo plazo.
Buenos para identificar puntos de cambio.
Ejemplos:
Precio cobre.
Sectores de la economía.