APLICACIN DE MTODOS PARA PREDECIR LA DEMANDA

INTRODUCCIN

Con este trabajo se quiere llegar a encontrar un modelo ptimo para realizar el pronstico de la demanda en cada uno de los productos de la empresa Clsicos Tejada; para llegar a este logro se iniciara identificado cada uno de los modelos que existen tanto cuantitativos como cualitativos para pronosticar demandas.

Luego de realizar la documentacin respectiva sobre los modelos de pronsticos, se realizara un anlisis de cada grupo de datos que se tiene para cada producto, esto se har mediante graficas realizadas en Excel; posteriormente se aplicara cada uno de los modelos a los tres productos en Win-QSB y se hallara el MAD, valor que determinara cual de todos los modelos es el mas apropiado para realizar pronsticos en los productos de la empresa Clsicos Tejada.

OBJETIVOS

Objetivo General: Determinar para la empresa Clsicos Tejada un modelo ptimo que explique el comportamiento de la demanda para la bata chef, conjunto anti fluido y conjunto servicios generales.

Objetivos Especficos:

1- Conocer los modelos tanto cualitativos como cuantitativos que se pueden utilizar para realizar pronsticos en la demanda. 2- Aplicar cada uno de los modelos para pronosticar la demanda para la bata chef, conjunto antifluido y conjunto servicios generales; en Win-QSB. 3- Encontrar el MAD para cada uno de los modelos que se apliquen en los productos, para as de esta forma determinar el mas apropiado para realizar pronsticos.

MARCO TERICO

DEFINICIN DE LA DEMANDA EN PRODUCCIN. Se entiende por demanda a la cantidad de bienes y servicios que el mercado requiere o solicita para la satisfaccin de una necesidad especfica a un precio determinado. Tipos de la demanda. -Demanda insatisfecha: Lo producido no alcanza a satisfacer el mercado. -Demanda satisfecha: Lo producido es exactamente lo que el mercado requiere. -Satisfecha saturada: La que el mercado ya no puede soportar ms produccin. -Satisfecha no saturada: La que aparentemente satisface la necesidad del clienta pero no puede crecer con mercadotecnia. Tipos de demanda segn temporalidad. -Demanda continua. La que aparece durante largos periodos en crecimiento. Ejemplo: Los alimentos. -Demanda cclica o estacional.se relaciona con los periodos del ao, por circunstancias climatolgicas o comerciales.1 CARACTERSTICAS Debemos destacar ciertas caractersticas de los mtodos de la previsin de la demanda. Han de necesitar poca informacin. Ser eficientes. Ser poco costosos. Deben proporcionar una precisin o exactitud adecuada. Deben adaptarse a cambiar improvistos en el comportamiento de la demanda.
1

http://www.slideshare.net/blanca_garcia/analisis-de-la-demanda

Se necesita la previsin de la demanda para poder planificar la produccin y tambin para realizar la gestin de stock. Dado que las previsiones de las demandas futuras afectarn a las decisiones sobre la produccin a realizar y el nivel de stock, hay que esforzarse en reducir los errores de precisin. Los errores de previsin son inherentes a la propia precisin pero en magnitud puede ser controlado, segn el error de previsin que se admita, se utilizan mtodos de la previsin de la demanda. CLASES DE MTODOS DE PREVISIN DE LA DEMANDA: Mtodo cualitativo y cuantitativo. -Cualitativo: Suelen aplicarse a la etapa uno y son las siguientes: Mtodo Individual: Se basa en opiniones de personas muy vinculadas al mercado del producto en cuestin. Mtodo de los grupos: Se basa en comisiones de expertos que estudian el problema. Suele prevalecer la jerarqua. Mtodo DELPHI: Trata de obtener una opinin consensuada entre un grupo de personas muy vinculadas al mercado. Cada persona asigna una probabilidad a los distintos sucesos. Las opiniones extremas se comunican a todos y se repite el proceso de asignacin de probabilidades hasta obtener un consenso. Mtodo de investigacin de mercado: Se basa en las tpicas encuestas. stas suelen ser caras y estticas (slo valen en el momento en que se producen). Mtodo de analoga de productos: Se basa en la comparacin con el comportamiento conocido de la demanda de productos similares. -Cuantitativa: Suelen aplicarse a las etapas dos y tres. Los datos histricos de la demanda son transformados en predicciones por medio de un modelo matemtico. De extrapolacin: Se basan slo en los datos histricos de la demande del producto. Se pueden citar entre otros mtodos el de los mtodos mviles y el de ajuste exponencial. Causales: Se basan en indicadores exgenos al producto, es decir, en las causas externas que influyen en el comportamiento de la demanda del producto. Box-jenkins: Ms potente y efectivo para hacer previsiones un modelo matemtico bien diseado puede provocar errores de previsin de solo un 0,05% pero la gran exactitud de este mtodo implica a un alto coste y disponer de software y del personal capaz de utilizarlo.

TCNICAS DE PRONSTICO CUANTITATIVAS EN FUNCIN DEL PATRN DE LA DEMANDA. Regresiones lineales. La primer forma de regresiones lineales documentada fue el mtodo de los mnimos cuadrados, el cual fue publicado por Legendre en 1805,1 y por Gauss en 1809.2 El trmino "mnimos cuadrados" proviene de la descripcin dada por Legendre "moindres carrs". Sin embargo Gauss asegur que conoca dicho mtodo desde 1795. Tanto Legendre como Gauss aplicaron el mtodo para determinar, a partir de observaciones astronmicas, las rbitas de cuerpos alrededor del sol. En 1821, Gauss public un trabajo en dnde desarrollaba de manera ms profunda el mtodo de los mnimos cuadrados, y en dnde se inclua una versin del teorema de GaussMarkov. Etimologa El trmino regresin se utiliz por primera vez en el estudio de variables antropomtricas: al comparar la estatura de padres e hijos, result que los hijos cuyos padres tenan una estatura muy superior al valor medio tendan a igualarse a ste, mientras que aquellos cuyos padres eran muy bajos tendan a reducir su diferencia respecto a la estatura media; es decir, "regresaban" al promedio. La constatacin emprica de esta propiedad se vio reforzada ms tarde con la justificacin terica de ese fenmeno. El trmino lineal se emplea para distinguirlo del resto de tcnicas de regresin, que emplean modelos basados en cualquier clase de funcin matemtica. Los modelos lineales son una explicacin simplificada de la realidad, mucho ms gil y con un soporte terico por parte de la matemtica y la estadstica mucho ms extenso. El modelo de regresin lineal El modelo lineal relaciona la variable dependiente Y con K variables explicativas Xk (k = 1,...K), o cualquier transformacin de stas, que generan un hiperplano de parmetros k desconocidos. El problema de la regresin consiste en elegir unos valores determinados para los parmetros desconocidos k, de modo que la ecuacin quede completamente especificada. Para ello se necesita un conjunto de observaciones. En una observacin cualquiera i-sima (i= 1,... I) se registra el comportamiento simultneo de la variable dependiente y las variables explicativas (las perturbaciones aleatorias se suponen no observables). Los valores escogidos como estimadores de los parmetros, son los coeficientes de regresin, sin que se pueda garantizar que coinciden con parmetros reales del proceso generador. Por tanto, en

Los valores son por su parte estimaciones de la perturbacin aleatoria o errores. Supuestos del modelo de regresin lineal Para poder crear un modelo de regresin lineal, es necesario que se cumpla con los siguientes supuestos: La relacin entre las variables es lineal. Los errores son independientes. Los errores tienen varianza constante. Los errores tienen una esperanza matemtica igual a cero. El error total es la suma de todos los errores. Correlacin En probabilidad y estadstica, la correlacin indica la fuerza y la direccin de una relacin lineal entre dos variables aleatorias. Se considera que dos variables cuantitativas estn correlacionadas cuando los valores de una de ellas varan sistemticamente con respecto a los valores homnimos de la otra: si tenemos dos variables (A y B) existe correlacin si al aumentar los valores de A lo hacen tambin los de B y viceversa. La correlacin entre dos variables no implica, por s misma, ninguna relacin de causalidad Fuerza, sentido y forma de la correlacin La relacin entre dos variables cuantitativas queda representada mediante la lnea de mejor ajuste, trazada a partir de la nube de puntos. Los principales componentes elementales de una lnea de ajuste y, por lo tanto, de una correlacin, son la fuerza, el sentido y la forma: La fuerza mide el grado en que la lnea representa a la nube de puntos: si la nube es estrecha y alargada, se representa por una lnea recta, lo que indica que la relacin es fuerte; si la nube de puntos tiene una tendencia elptica o circular, la relacin es dbil. El sentido mide la variacin de los valores de B con respecto a A: si al crecer los valores de A lo hacen los de B, la relacin es positiva; si al crecer los valores de A disminuyen los de B, la relacin es negativa. La forma establece el tipo de lnea que define el mejor ajuste: la lnea recta, la curva monotnica o la curva no monotnica. Coeficientes de correlacin Existen diversos coeficientes que miden el grado de correlacin, adaptados a la naturaleza de los datos. El ms conocido es el coeficiente de Pearson (introducido en realidad por Francis Galton), que se obtiene dividiendo la covarianza de dos variables por el producto de sus desviaciones estndar.

Modelo discriminativo El Anlisis Discriminante es una tcnica estadstica multivariante cuya finalidad es analizar si existen diferencias significativas entre grupos de objetos respecto a un conjunto de variables medidas sobre los mismos para, en el caso de que existan, explicar en qu sentido se dan y proporcionar procedimientos de clasificacin sistemtica de nuevas observaciones de origen desconocido en uno de los grupos analizados. En esta leccin aprenderemos los pasos a seguir para llevar a cabo un Anlisis Discriminante. Seis son los objetivos de la leccin: -Plantear el problema a resolver por un Anlisis Discriminante - Analizar si existen diferencias significativas entre los grupos -Establecer el nmero y composicin de las dimensiones de discriminacin entre los grupos analizados -Determinar qu variables clasificadoras explican la mayor parte de las diferencias observadas -Construir procedimientos sistemticos de clasificacin de objetos de procedencia desconocida en los grupos analizados - Evaluar la significacin estadstica y prctica de los resultados obtenidos en el proceso de clasificacin

ANLISIS DE DATOS Bata Chef

-Valores de ventas mensuales:

Mes 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 Ventas $ 3.500.000,00 $ 4.500.000,00 $ 5.000.000,00 $ 6.000.000,00 $ 3.000.000,00 $ 3.500.000,00 $ 4.000.000,00 $ 5.000.000,00 $ 4.500.000,00 $ 3.000.000,00 $ 3.500.000,00 $ 3.000.000,00 $ 4.000.000,00 $ 3.250.000,00 $ 5.000.000,00 $ 3.500.000,00 $ 4.500.000,00 $ 3.750.000,00 $ 6.000.000,00 $ 3.000.000,00 $ 4.000.000,00 $ 3.750.000,00 $ 5.000.000,00 $ 3.000.000,00

Ventas 2010-2011 Bata Chef

$ 6.500.000,00 $ 6.000.000,00

$ 5.500.000,00

Ventas

$ 5.000.000,00 $ 4.500.000,00 $ 4.000.000,00 $ 3.500.000,00 $ 3.000.000,00 $ 2.500.000,00 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 Mes

Se observa en la grafica de ventas por meses para el conjunto servicios generales un comportamiento cclico, aunque no se encuentra definido de forma clara ya que por normatividad las empresas del sector industrial deben dotar a sus colaboradores de los elementos de proteccin personal como mnimo cuatro veces en el ao, razn por la cual se elaboro la siguiente grafica por trimestres que permite definir de forma clara los ciclos y picos estacionales para las ventas de este producto. -Valores de ventas trimestrales:
Trimestre 1 2 3 4 5 6 7 8 Ventas $ 4.333.333,33 $ 4.166.666,67 $ 4.500.000,00 $ 3.166.666,67 $ 4.083.333,33 $ 3.916.666,67 $ 4.333.333,33 $ 3.916.666,67

Ventas 2010-2011 Bata Chef

$ 5.000.000,00 $ 4.500.000,00

Ventas

$ 4.000.000,00 $ 3.500.000,00 $ 3.000.000,00 $ 2.500.000,00 1 2 3 4 5 6 7 8 Trimestre

Por medio de esta grafica se logro determinar que tiene un comportamiento cclico durante todos los trimestres, se observa una estacionalidad entre el trimestre 1 y 7 con un valor en ventas de $4.333.333,33; y se logra detallar una situacin atpica en el trimestre 4, ya que para esa poca la empresa no recibi pedido por parte de la Avena Cubana, razn por la cual se presenta un descenso porcentual del 30% con respecto al tercer trimestre. Por consiguiente se toma la decisin de eliminar el punto del cuarto trimestre y se elaboro la siguiente grafica.

Ventas 2010-2011 Bata Chef

$ 5.000.000,00 $ 4.500.000,00

Ventas

$ 4.000.000,00 $ 3.500.000,00

$ 3.000.000,00
$ 2.500.000,00 1 2 3 4 Trimestre 5 6 7

En la nueva grafica se presenta un descenso en ventas de $583.333,33 entre los trimestres 3 y 5, y es probable que entre los trimestres 6 y 9 se presente el mismo descenso es decir halla un comportamiento cclico con respecto a los trimestres 3 y 5; con lo cual se pronostica un descenso en la ventas de la bata chef cada vez mas notorio.

Conjunto Servicio Generales -Valores de ventas mensuales:

Mes 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24

Ventas $ 1.800.000,00 $ 1.500.000,00 $ 2.100.000,00 $ 1.200.000,00 $ 1.200.000,00 $ 900.000,00 $ 2.400.000,00 $ 2.100.000,00 $ 3.000.000,00 $ 1.500.000,00 $ 1.800.000,00 $ 2.700.000,00 $ 2.400.000,00 $ 1.800.000,00 $ 3.000.000,00 $ 2.100.000,00 $ 2.400.000,00 $ 1.500.000,00 $ 2.700.000,00 $ 1.800.000,00 $ 2.100.000,00 $ 3.000.000,00 $ 2.700.000,00 $ 2.100.000,00

Ventas 2010-2011 Conjunto Servicios Generales

$ 3.500.000,00 $ 3.000.000,00

$ 2.500.000,00
Ventas

$ 2.000.000,00 $ 1.500.000,00

$ 1.000.000,00
$ 500.000,00 $ 0,00 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 Mes

Se observa en la grafica de ventas por meses para el conjunto servicios generales un comportamiento cclico, aunque no se encuentra definido de forma clara ya que por normatividad las empresas del sector industrial deben dotar a sus colaboradores de los elementos de proteccin personal como mnimo cuatro veces en el ao, razn por la cual se elaboro la siguiente grafica por trimestres que permite definir de forma clara los ciclos y picos estacionales para las ventas de este producto. -Valores de ventas trimestrales:

Trimestre 1 2 3 4 5 6 7 8

Ventas $ 1.800.000,00 $ 1.100.000,00 $ 2.500.000,00 $ 2.000.000,00 $ 2.400.000,00 $ 2.000.000,00 $ 2.200.000,00 $ 2.600.000,00

Ventas 2010-2011 Conjunto Servicios Generales

$ 3.000.000,00 $ 2.500.000,00 $ 2.000.000,00 $ 1.500.000,00

Ventas

$ 1.000.000,00
$ 500.000,00 $ 0,00 1 2 3 4 5 6 7 8 Trimestre

En la grafica de ventas por trimestres se puede observar, picos estacionales en los trimestres 1, 3, 5 y 8; se logra analizar un aumento en las ventas de este producto, un ejemplo claro se da al momento de comparar el trimestre 1 con el trimestre 5 con un 25% mas de ingresos en ventas para la empresa; se evidencia en el trimestre 2 una comportamiento anormal con respecto a los dems puntos, ya que all se presenta una disminucin en ventas del 38,89% con respecto al trimestre uno; este comportamiento se debe a que el producto en los trimestres anteriores no tenia un mercado importante de clientes y en el trascurso del trimestre 2 al 3 se logro impulsar este producto realizando la consecucin de clientes en el sector de la salud representado en varios hospitales los cuales hasta la actualidad siguen realizando sus compras a Clsicos Tejada.

Conjunto Antifluido

-Valores de ventas mensuales:

Mes 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24

Ventas $ 5.000.000,00 $ 6.000.000,00 $ 6.000.000,00 $ 4.500.000,00 $ 3.500.000,00 $ 4.000.000,00 $ 4.500.000,00 $ 5.000.000,00 $ 7.500.000,00 $ 4.500.000,00 $ 7.000.000,00 $ 4.000.000,00 $ 11.000.000,00 $ 9.000.000,00 $ 10.000.000,00 $ 7.500.000,00 $ 9.000.000,00 $ 2.000.000,00 $ 11.000.000,00 $ 7.000.000,00 $ 9.500.000,00 $ 8.500.000,00 $ 11.500.000,00 $ 7.500.000,00

Ventas 2010-2011 Conjunto Antifluido

$ 14.000.000,00 $ 12.000.000,00

$ 10.000.000,00
Ventas
$ 8.000.000,00 $ 6.000.000,00

$ 4.000.000,00
$ 2.000.000,00 $ 0,00 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 Mes

Se observa en la grafica de ventas por meses para el conjunto servicios generales un comportamiento cclico, aunque no se encuentra definido de forma clara ya que por normatividad las empresas del sector industrial deben dotar a sus colaboradores de los elementos de proteccin personal como mnimo cuatro veces en el ao, razn por la cual se elaboro la siguiente grafica por trimestres que permite definir de forma clara los ciclos y picos estacionales para las ventas de este producto.

-Valores de ventas trimestrales:

Trimestre Ventas 1 $ 5.666.666,67 2 $ 4.000.000,00 3 $ 5.666.666,67 4 $ 5.166.666,67 5 $ 10.000.000,00 6 $ 6.166.666,67 7 $ 9.166.666,67 8 $ 9.166.666,67

Ventas 2010-2011 Conjunto Antifluido

$ 12.000.000,00 $ 10.000.000,00 $ 8.000.000,00

Ventas

$ 6.000.000,00 $ 4.000.000,00 $ 2.000.000,00 $ 0,00 1 2 3 4 5 6 7 8 Trimestre

En esta grafico se puede observar picos estacionales en los trimestres 1 y 3, se evidencian aumento en la ventas, como ejemplo se observa al comparar el trimestre 2 con el 6, donde hay un aumento en ventas del 35%; como anormalidad se puede observar lo sucedido en el trimestre 5 ya que para esta temporada se explica a la llegada de un contrato grande para la empresa que represento un aumento en sus ventas del 48%, pero que sucedi de forma espordica, razn por la cual se toma la decisin de eliminar este dato de la grafica.

Ventas 2010-2011 Conjunto Antifluido

$ 10.000.000,00 $ 8.000.000,00

Ventas

$ 6.000.000,00 $ 4.000.000,00

$ 2.000.000,00
$ 0,00 1 2 3 4 Trimestre 5 6 7

Con la eliminacin del punto numero 5 se logra observar de forma mas clara el alce en las ventas del producto en la empresa, y adems se evidencia un valor constante de ventas igual a $9.166.666,66 en los trimestres 7 y 8.

APLICACIN DE MTODOS -Suavizacin exponencial: BATA CHEF

Al aplicar el modelo de suavizacin exponencial se obtiene un MAD igual a 0,2615678 y una seal de rastreo igual a -2,092313; valores que indican que este mtodo no aplica de forma optima para determinar el pronstico de la demanda para la bata chef. CONJUNTO SERVICIOS GENERALES

Al aplicar el modelo de suavizacin exponencial se obtiene un MAD igual a 0,4194196 y una seal de rastreo igual a 2,738159; valores que indican que este mtodo no aplica de forma optima para determinar el pronstico de la demanda para el conjunto de servicios generales. CONJUNTO ANTIFLUIDO

Al aplicar el modelo de suavizacin exponencial se obtiene un MAD igual a 1,459906 y una seal de rastreo igual a 3,60327; valores que indican que este mtodo no aplica de forma optima para determinar el pronstico de la demanda para el conjunto de servicios generales.

-Winter aditivo: CONJUNTO SERVICIOS GENERALES

Al aplicar el modelo de Winter aditivo se obtiene un MAD igual a 0,5572599 y una seal de rastreo igual a 1,349614; valores que indican que este mtodo aplicara de forma optima para determinar el pronstico de la demanda para el conjunto de servicios generales, ya que al compararlo con todos los modelos es el que presenta una seal de rastreo mas cercana a 1.

BATA CHEF

Al aplicar el modelo de Winter aditivo se obtiene un MAD igual a 0,3182076 y una seal de rastreo igual a -1,211947; valores que indican que este mtodo aplicara de forma optima para determinar el pronstico de la demanda para la bata chef, ya que al compararlo con todos los modelos es el que presenta una seal de rastreo mas cercana a 0. CONJUNTO ANTIFLUIDO

Al aplicar el modelo de Winter aditivo se obtiene un MAD igual a 1,298159 y una seal de rastreo igual a 2,756989; valores que indican que este mtodo aplicara de forma optima para determinar el pronstico de la demanda para el conjunto antifluido, ya que al compararlo con todos los modelos es el que presenta una seal de rastreo mas cercana a 0. -Promedio Simple: BATA CHEF

Al aplicar el modelo promedio simple se observa que arroja un MAD 0.243539 y una seal de rastreo -2.847325, siendo un modelo poco optimo para determinar el pronstico del producto. CONJUNTO SERVICIOS GENERALES

Al aplicar el modelo promedio simple al producto servicios generales se puede observar que el modelo arroja un MAD de 0.4819047 y una seal de rastreo de 4.0944862 siendo poco optimo para realizar el pronstico CONJUNTO ANTIFLUIDO

Al realizar el modelo promedio simple al producto conjunto anti fluido arroja un MAD de 1.770561 y una seal de rastreo 4.11811 siendo un modelo poco optimo para realizar el pronstico. -Regresin lineal: BATA CHEF

Al aplicar el modelo de regresin lineal podemos observar que este no es ptimo para realizar el pronstico ya que los puntos a pronosticar estn muy dispersos.

CONJUNTO SERVICIOS GENERALES

Al aplicar el modelo de regresin lineal podemos observar que este no es ptimo para realizar el pronstico ya que los puntos estn muy dispersos. CONJUNTO ANTIFLUIDO

Al realizar el modelo de regresin lineal podemos observar que no es un modelo ptimo para realizar el pronstico ya que los puntos estn muy dispersos.

CONCLUSIONES 1-Mediante la investigacin de varias fuentes bibliogrficas se identificaron los siguientes modelos para realizar pronsticos de demanda: -Promedio simple. -Regresin lineal. -Suavizado exponencial. -Winter aditivo. 2-Se aplicaron los cuatros modelos de pronostico de demanda a cada uno de los tres productos los cuales arrojaron los siguientes resultados de MAD y seal de rastreo. Producto Promedio Simple MAD
0.243539

Suavizado exponencial MAD Seal de rastreo

Winter aditivo MAD Seal de rastreo

Seal de rastreo
-2.847325

0,2615678 -2,092313

0,3182076 -1,211947

Bata Chef
1.770561 4.11811 1,459906 3,60327 1,298159 2,756989

Conjunto Antifluido Conjunto Servicios Generales

0.4819047 4.0944862

0,4194196 2,738159

0,5572599 1,349614