P. 1
332

332

|Views: 3.927|Likes:
Publicado poridkfv

More info:

Published by: idkfv on Dec 04, 2010
Copyright:Attribution Non-commercial

Availability:

Read on Scribd mobile: iPhone, iPad and Android.
download as PDF, TXT or read online from Scribd
See more
See less

06/19/2013

pdf

text

original

Sections

  • Introducción
  • PERFIL DE LA COMPAÑÍA
  • 1.1 ANTECEDENTES DE LA COMPAÑÍA1
  • 1.2 SITUACIÓN GENERAL DEL MERCADO DE AUTOPARTES Y
  • 1.2.1 INDUSTRIA ENSAMBLADORA EN EL TERRITORIO MEXICANO2
  • 1.2.1.1 MODELOS DE VEHÍCULOS ENSAMBLADOS EN MÉXICO
  • 1.2.2 ENTORNO GENERAL DEL MERCADO DE AUTOPARTES
  • 1.2.3 VEHÍCULOS DE MAYOR POBLACIÓN EN MÉXICO
  • 1.3 PERFIL ACTUAL DE LA EMPRESA5
  • 1.3.1 MATRIZ DE EVALUACIÓN DE LOS FACTORES EXTERNOS (EFE)
  • 1.3.2 MATRIZ DEL PERFIL COMPETITIVO
  • 1.3.3 MATRIZ DE EVALUACIÓN DE LOS FACTORES INTERNOS
  • 1.3.4 MATRIZ FODA
  • 1.3.6 MATRIZ DEL BOSTON CONSULTING GROUP (BCG)
  • 1.3.7 MATRIZ INTERNA EXTERNA (IE)
  • 1.3.8 MATRIZ CUANTITATIVA DE LA PLANIFICACIÓN ESTRATÉGICA
  • 1.4 SITUACIÓN ACTUAL DEL CÁLCULO DEL PRONÓSTICO7
  • 1.5 MEDICIÓN DE LA PRECISIÓN DEL PRONÓSTICO8
  • PRONÓSTICOS Y SERIES DE TIEMPO
  • 2.1 BASES DE LOS PRONÓSTICOS
  • 2.1.1 IMPORTANCIA DE LOS PRONÓSTICOS
  • 2.2 TIPOS DE PRONÓSTICOS
  • 2.2.1 PRONÓSTICOS CUALITATIVOS
  • 2.2.2 PRONÓSTICOS CUANTITATIVOS
  • 2.3 CONCEPTOS BÁSICOS DE SERIES DE TIEMPO ESTACIONARIAS
  • 2.3.1 COMPONENTES DE UNA SERIE DE TIEMPO
  • 2.3.2 DESCOMPOSICIÓN DE LAS SERIES DE TIEMPO
  • 2.3.3 MODELOS ARMA
  • 2.3.3.1 NOTACIÓN BACKSHIFT
  • 1. OPERADOR AR(p)
  • 2. OPERADOR MA(q)
  • 3. OPERADOR ARMA(p, q)
  • 2.4 CONCEPTOS BÁSICOS DE SERIES DE TIEMPO NO ESTACIONARIAS
  • 2.4.1 MODELOS LINEALES NO ESTACIONARIOS
  • 2.5 FUNCIÓN DE AUTOCORRELACIÓN
  • 2.5.1 ESTIMACIÓN DE LA FUNCIÓN DE AUTOCORRELACIÓN
  • 2.6 MEDICIÓN DEL ERROR EN EL PRONÓSTICO
  • 2.6.1 CUANTIFICANDO ERRORES DE PREDICCIÓN
  • 2.7 SELECCIÓN DE UNA TÉCNICA DE PRONÓSTICOS.9
  • SELECCIÓN DEL MÉTODO DE PRONÓSTICO Y SU METODOLOGÍA
  • 3.1 METODOLOGÍA
  • 3.2 ANÁLISIS DE PARETO
  • 3.3 FACTORES A CONSIDERAR PARA ELEGIR UNA TÉCNICA DE PRONÓSTICO
  • 3.4 ANÁLISIS DE AUTOCORRELACIÓN
  • 3.5 ANÁLISIS DEL PATRÓN DE DATOS MEDIANTE EL CORRELOGRAMA
  • 3.6 SELECCIÓN DE LA TÉCNICA DE PRONÓSTICO
  • 3.7 DESCRIPCIÓN DE LA TÉCNICA SELECCIONADA
  • 3.8 SELECCIÓN DEL ARREGLO MÁS PRECISO
  • 3.9 COMPARATIVO ENTRE LA METODOLOGÍA ACTUAL Y LA PROPUESTA
  • ESTUDIO DE CASO
  • 4.2 FACTORES QUE INFLUYEN PARA LA ELECCIÓN DE LA TÉCNICA
  • 4.3 AUTOCORRELACIÓN DE LA SERIE DE DATOS
  • 4.5 ELECCIÓN DE LA TÉCNICA DE PRONÓSTICO
  • 4.9 RESULTADOS DE LOS PERIODOS PRONOSTICADOS
  • CONCLUSIONES

INSTITUTO POLITÉCNICO NACIONAL

UNIDAD PROFESIONAL INTERDISCIPLINARIA DE INVESTIGACIÓN Y CIENCIAS SOCIALES Y ADMINISTRATIVAS

“Metodología para calcular el pronóstico de la demanda y una medición de su precisión, en una empresa de autopartes: Caso de estudio”
TESIS QUE PARA OBTENER EL GRADO DE MAESTRO EN CIENCIAS CON ESPECIALIDAD EN ADMINISTRACIÓN

PRESENTA:

GILBERTO GERMAN MACIAS CALVARIO
DIRECTOR DE TESIS: DR. EDUARDO GUTIÉRREZ GONZÁLEZ

MEXICO, D.F.

2007

DEDICADO A: Adriana. Montse y Yael “por su cariño comprensión y motivación” Germán y Antonia “ por su confianza” Clara “ por su apoyo” Todos aquellos que contribuyeron para lograr este proyecto .

..... 14 1.....1 MATRIZ DE EVALUACIÓN DE LOS FACTORES EXTERNOS (EFE)...........1 CAPÍTULO 1 Perfil de la Compañia.....1 ANTECEDENTES DE LA COMPAÑIA ......................................................................................................1 INDUSTRIA ENSAMBLADORA EN EL TERRITORIO MEXICANO .......3................1..........................2........................................3....................1 MODELOS DE VEHÍCULOS ENSAMBLADOS EN MEXICO ....................................2 SITUACIÓN GENERAL DEL MERCADO DE AUTOPARTES Y REFACCIONES........................ 8 1. 8 1.................. ....................................................8 MATRIZ CUANTITATIVA DE LA PLANIFICACIÓN ESTRATEGICA ....3................... 15 1................................. 5 1....3 MATRIZ DE EVALUACIÓN DE LOS FACTORES INTERNOS ............2 ENTORNO GENERAL DEL MERCADO DE AUTOPARTES......... 7 1...................... 12 1............................... 12 1......... 14 1...............................2..... 11 1.......... 20 1.........4 MATRIZ FODA ................................................................. 18 1..............3...............3 PERFIL ACTUAL DE LA EMPRESA ..................5 MATRIZ DE LA POSICIÓN ESTRATÉGICA Y EVALUACIÓN DE LA ACCIÓN (PEEA) 17 1..........7 MATRIZ INTERNA EXTERNA ............................3............ 10 1.......... 21 .3................. 4 1.....2................2 MATRIZ DEL PERFIL COMPETITIVO ...........6 MATRIZ DEL BOSTON CONSULTING GROUP .........3 VEHÍCULOS DE MAYOR POBLACIÓN EN MÉXICO.................3........3.....2................Contenido RESUMEN ABSTRACT INTRODUCCIÓN ……………………………………………………………………….........

.............5 FUNCIÓN DE AUTOCORRELACIÓN ..... 33 2....5 MEDICIÓN DE LA PRECISIÓN DEL PRONÓSTICO ....................... 24 1......... 48 2... 34 2... Q) .......................1 IMPORTANCIA DE LOS PRONÓSTICOS ...................1....... 46 2.3 MODELOS ARMA ...........................................3................4 CONCEPTOS BÁSICOS DE SERIES DE TIEMPO NO ESTACIONARIAS ..30 2........................3........................1 MODELOS LINEALES NO ESTACIONARIOS........................2 TIPOS DE PRONÓSTICOS ..........................2 PRONÓSTICOS CUANTITATIVOS ................ 46 2...............1 BASES DE LOSPPRONÓSTICOS........................... 44 2............................................... 50 2......................................................................................................................................4...... 45 2..........................................................................................................................4 SITUACIÓN ACTUAL DEL CÁLCULO DEL PRONÓSTICO................................................................... 39 2...........................................1 PRONÓSTICOS CUALITATIVOS ....................... 31 2.... 51 ......................................................... OPERADOR ARMA(P......... 41 2.........2..1 NOTACIÓN BACKSHIFT .4............................................................ 44 1........................ 36 2.......3............... OPERADOR AR(P) .......................... OPERADOR MA(Q) .............................. 32 2............................................................................................................2 TRANSFORMACIÓN DE MODELOS LINEALES NO ESTACIONARIOS A ESTACIONARIOS ............................. 43 2..........................................3 CONCEPTOS BÁSICOS DE SERIES DE TIEMPO ESTACIONARIAS . 26 CAPÍTULO 2 PRONÓSTICOS Y SERIES DE TIEMPO .3...............................................2 DESCOMPOSICIÓN DE LAS SERIES DE TIEMPO ............... 45 3........................1..................1 COMPONENTES DE UNA SERIE DE TIEMPO .........................................................................................................2.............3...................................

.......6.4 ANÁLISIS DE AUTOCORRELACIÓN ............................................................................................... 59 3.. 61 3............7SELECCIÓN DE UNA TÉCNICA DE PRONÓSTICO ........................ .......................2..................2 FACTORES QUE INFLUYEN PARA LA ELECCIÓN DE LA TÉCNICA ............1 ESTIMACIÓN DE LA FUNCIÓN DE AUTOCORRELACIÓN .................1 METODOLOGÍA ......................................... 73 3. 75 4..................................9 COMPARATIVO ENTRE LA METODOLOGÍA ACTUAL Y LA PROPUESTA.........1 CUANTIFICANDO ERRORES DE PREDICCIÓN ...........................2 ANÁLISIS DE PARETO .. 57 3....7 DESCRIPCIÓN DE LA TÉCNICA SELECCIONADA............................6 MEDICIÓN DEL ERROR EN EL PRONÓSTICO .................1 DETERMINACIÓN DE LOS PRODUCTOS A ANALIZAR MEDIANTE EL ANÁLSIS DE PARETO ............................................. 55 CAPÍTULO 3 SELECCIÓN DEL MÉTODO DE PRONÓSTICO Y SU METODOLOGÍA .................8 SELECCIÓN DEL ARREGLO MÁS PRECISO ...... 66 3.............. 62 3........................................................................................................................56 3.................. 51 2...................................................... 76 4................. 57 3.............. 65 3..........................6 SELECCIÓN DE LA TÉCNICA DE PRONÓSTICO .. 54 2.......3 FACTORES A CONSIDERAR PARA ELEGIR UNA TÉCNICA DE PRONÓSTICO ....................... 78 ........................................................................................................5......................... 73 CAPÍTULO 4 ESTUDIO DE CASO ............................................... 53 2..............................................................................5 ANÁLISIS DEL PATRON DE DATOS MEDIANTE EL CORRELOGRAMA ................................

...................4 CORRELOGRAMA DEL PATRON DE DATOS PRESENTADA POR LA SERIE..5 ELECCIÓN DE LA TÉCNICA DE PRONÓSTICO ............................................. 95 CONCLUSIONES ..... 105 BIBLIOGRAFÍA APÉNDICES 108 110 ..........8 COMPARACIÓN DE RESULTADOS ENTRE LA METODOLOGÍA ACTUAL Y LA PROPUESTA ............................................3 AUTOCORRELACIÓN DE LA SERIE DE DATOS ....7 DETERMINACIÓN DE LOS ARREGLOS MÁS PRECISOS A APLICAR ................................................. 82 4............................................................ 90 4.. 86 4............................................................................................ 80 4.....9 RESULTADOS DE LOS PERIODOS PRONOSTICADOS .........4.................. 84 4.................................................................6 APLICACIÓN DE LA TÉCNICA SELECCIONADA PARA EL CÁLCULO DEL PRONÓSTICO 85 4.....................

otorgar al nivel directivo una solución mediante la búsqueda y prueba de nuevas técnicas. el trabajo lo abocamos en una metodología basada en la técnica estadística Box-Jenkins de series de tiempo que ayude a los directivos de las empresas a conocer la demanda de autopartes de su organización que pudiera presentarse en el futuro. que contribuyan de manera importante a mejorar la precisión en el cálculo de su pronóstico de forma global e individual. Por las razones anteriores. es difícil sistematizar las solicitudes de los pedidos y por ende la determinación del tipo de demanda que presenta cada organización se vuelve más complicada. para atacar la falta de consistencia en la manera de realizar el cálculo del pronóstico de la demanda y al mismo tiempo. para que resulten mejores tomas de decisiones a la hora de realizar pedidos y de esta forma. logrando con esto evaluar sólo aquellos productos de mayor peso en la organización. ya que debido a la diversidad en los tipos de organizaciones con las que se trabaja en el mercado de refacciones automotrices. dentro de una clasificación ABC. la metodología que propondremos abarca todos aquellos artículos clasificados como A. .RESUMEN La presente obra nos muestra una metodología general para el cálculo del pronóstico de la demanda en las empresas del ramo de autopartes. utilizando una herramienta más confiable que disminuya el error al momento de calcular el pronóstico y mejore su eficiencia. Por lo cual. se optimicen recursos al disminuir gastos de inventarios innecesarios y las posibles pérdidas de oportunidad de la empresa. despertando la inquietud de utilizar algunas otras técnicas para anticipar su demanda. En la investigación nos enfocaremos exclusivamente a estudiar el tipo de demanda que se presenta en el mercado de repuesto.

Abstract This thesis shows a general methodology used in the forecast calculus for the demand in automotive enterprises. trying to get an homogenized method in the calculus of the forecast and at the same time. since in the different types of organizations involve in this automotive segment. the proposal methodology encompasses all those articles classified as “A” getting from an ABC classification. provide to the top level management new techniques which they can anticipate the patron of the demand. . allowing that the decisions can be taken in the best way and the resources optimized. this work provide a new methodology founded in the Box Jenkins statistical technique for time serial. which will help to the managers to know and manage the possible demand for their organization in the future. the systematization of the customer orders is not easy. the determination of the kind of demand showed by every enterprise becomes more difficult. Therefore. This investigation will focus exclusively to the demand existing in the aftermarket. reducing the inventory cost and avoiding the possible opportunity cost for customer orders not covered. According with the above mentioned. using a reliable tool to reduce the mistakes in the forecast calculus and improve its efficiency. contributing to improve the accuracy in the forecast for every article and in a global way. making possible evaluating those articles with a big impact within the organization. As regards.

resulta difícil aceptar que las organizaciones que se encuentran inmersas en el ámbito mundial. aunque ya se haya iniciado a trabajar sobre ellas. o se presentan faltantes. mantengan sistemas de gestión de demanda basados sólo en la experiencia o en el uso de técnicas elementales. Por tales razones. ya que un pronóstico deficiente de la demanda de artículos origina cualquiera de los siguientes aspectos. lo que incrementará el nivel de servicio y por consiguiente la satisfacción por parte del cliente La situación anterior se puede revertir a partir del hecho de que los directivos descuidan el aspecto de la vanguardia en la utilización de nuevas técnicas para realizar el cálculo del pronóstico. el proceso de pronosticar constituye la base o el fundamento para cualquier planeación de productos o servicios que se requieran fabricar. Por lo tanto. ocasionando órdenes sin entregar que a la larga pueden ser canceladas. que invariablemente proporcionará a las compañías mayor flexibilidad para el cumplimiento de pedidos. mientras que el segundo puede ser aún más grave ya que el producto no se encontrará disponible al momento en que se le requiera. contarán con un nivel de artículos disponibles más sano. ocasionando posibles penalizaciones o pérdidas de oportunidad. se vuelva más rígida para reaccionar ante la demanda de sus clientes. como una herramienta para revertir este tipo de conductas presentadas en las empresas de hoy en día el presente trabajo plantea una metodología que ayuda y facilita 1 . en medida que las organizaciones cuenten con un pronóstico altamente eficiente (entendiendo como eficiencia la mínima variación que se obtiene del valor pronosticado respecto al valor real en un periodo de tiempo). comprar o vender. Así pues.Introducción C omo es sabido. puede provocar que la organización (dependiendo de su tamaño y estructura organizativa). El primer aspecto impactará sin duda al costo de los inventarios. o se excede la cantidad necesaria. es decir. debido a que el servicio no se prestó en el momento adecuado. de no corregirse o considerarse lo anterior. dado la alta tecnificación con la que se cuenta en nuestros días.

Los capítulos se estructuraron de la siguiente manera. Posteriormente.Introducción a las organizaciones la utilización de técnicas más desarrolladas que permitan pronosticar con un mayor grado de certeza su demanda. 2.Obtener una mejora en el cálculo de la precisión del pronóstico global en al menos el 50% de los periodos estudiados mediante la aplicación de la metodología.Obtener una mejora en el cálculo de la precisión del pronóstico para cada artículo independiente de al menos el 50% de los periodos pronosticados comparados contra el valor actual. se presenta el perfil de la empresa dentro de su segmento de mercado para finalizar éste con la descripción de la técnica actual para calcular el pronóstico de la demanda y su precisión. 2 .Definir las etapas a seguir para la determinación y aplicación de la técnica de pronósticos más adecuada para el cálculo del pronóstico y la precisión... conceptos y técnicas para pronosticar las demandas. persiguiendo para tal fin el cumplimiento de 3 objetivos específicos. es decir. se utilizó la información presentada por la empresa y por diversos organismos del ramo automotriz. 1. El trabajo se abordó a través de cinco capítulos en los cuales se establecen todos aquellos elementos que permitan al lector adentrarse de una manera sencilla y amigable a los términos. Lo anterior se llevó a cabo mediante la investigación de campo. con el objetivo de evaluar qué tan adecuado es seguir utilizando la metodología actual para el cálculo de su demanda. La investigación consistió en comparar los niveles actuales de eficiencia en el pronóstico contra los que se pudieran obtener con una nueva metodología. El capítulo 1 contempla todo lo relacionado con los antecedentes de la empresa como primer paso. 3. para enseguida analizar cuál es la situación que se presenta actualmente para el mercado de autopartes en México..

y se condujo hacia la identificación de aquellas técnicas que se han desarrollado en la actualidad para los distintos tipos de demanda presentes en las organizaciones y sus tipos para ser consideradas y estudiadas. lo anterior sirvió de base para la elaboración del tercero y cuarto capítulo. esta sección será el preámbulo para la obtención de las conclusiones del estudio. Se pretenderá que esta metodología obedezca a su concepto general. con esto será posible determinar el cumplimiento de los objetivos perseguidos. En el tercer capítulo. Finalmente se presentan los resultados de todos los productos estudiados así como las conclusiones del estudio de caso. 3 . Finalizando con algunas formas de calcular el error en el pronóstico y con sus interpretaciones respectivas.Introducción Durante el segundo capítulo. se desarrolla la metodología general de acuerdo a los conceptos vertidos durante la etapa 2. Para el caso de la empresa se llevará a efecto el estudio como un estudio de caso El capítulo 4 muestra la aplicación de la metodología desarrollada durante la etapa previa mediante un estudio de caso (empresa). ya que será posible que cualquier organización del mismo ramo pudiera utilizarla para calcular su demanda si presentan algún problema similar. se efectúa toda la investigación bibliografía necesaria para mostrar aquellos aspectos teóricos que proporcionara el fundamento para entender la naturaleza del problema.

resulten más confiables al momento de tener que decidir las estrategias a llevar a cabo. 4 . ayudará a los ejecutivos a construir escenarios más precisos de las situaciones que se puedan presentar y además. para tener éxito este tipo de decisiones exigen un alto grado de conocimiento del entorno interno y externo que pudieran afectarla cuando ésta se decida a adoptar alguna de las diferentes alternativas del abanico de opciones que se le presenten. Definitivamente las técnicas de pronóstico correctamente seleccionadas y entendidas permitirán obtener un panorama a corto o largo plazo de lo que pudiera suceder. pero no todo puede ser analizado en base a una gran experiencia. También. por lo que debe tratar de prevenir las negativas. Una herramienta con la que cuentan los ejecutivos de las organizaciones para conocer estos factores es sin duda su experiencia. como la matriz FODA o el análisis de las fuerzas externas entre otras. Lo anterior sin duda. existen otras técnicas de análisis que permiten conocer las fortalezas y las amenazas de la empresa. es el conocer cada vez con mayor detalle y anticipadamente aquellas situaciones que por ser inciertas puedan amenazar sus debilidades o incrementar sus fortalezas. Dentro de este capítulo abordaremos a la empresa y su entorno como eje central del mismo. en muchas de las ocasiones se precisa de algunas técnicas científicas que valoren o justifiquen desde otro punto de vista el análisis empírico que se ha realizado.Capítulo 1 PERFIL DE LA COMPAÑÍA D entro de las organizaciones modernas cada día es más común enfrentarse a la toma de decisiones. El reto para los directores o gerentes de las unidades de negocios hoy en día. permitirá que los análisis y pronósticos de la demanda de un producto que presente su mercado. así como resaltar aquellas que resulten positivas. Lo anterior servirá de base para conocer cómo afectarían los posibles escenarios a la industria de autopartes. y que podría esperarse de ésta para los próximos años. se comentará de manera general cuál ha sido la situación de la industria automotriz durante el año 2005.

para un total de 1300 empleados. ZF Sachs se mantiene por más de un siglo con innovación en movimiento alrededor del mundo. Europa y Mundialmente se refleja en la siguiente figura. BOGE y LEMFORDER. 1. las cuales reportan ingresos de alrededor de 700 millones de euros anualmente. 1 1 G. ZF Sachs cuenta ahora con las condiciones para un trabajo superior de desarrollo y para incrementar el rango tecnológico en componentes y sistemas de transmisiones y suspensiones. Con su centro principal de desarrollo en Schweinfurt. Y en el 2002 Sachs incrementa el tamaño de sus instalaciones para producir clutches Heavy Duty.V. y en 1992 Sachs México obtiene el certificado Q1 y se introduce al mercado independiente. en el mercado Europeo está dentro de las 5 firmas con mayor facturaje. Durante 1996 Sachs México obtiene los certificados ISO 9001-QS 9000 y en 1997 Sachs México integra a sus instalaciones la planta de Canadá. partes de suspensión y partes de hule metal.A.1 ANTECEDENTES DE LA COMPAÑÍA1 En el año de 1963 Borg & Beck México S. de C.A. Sus principales negocios se dividen en: partes para transmisión. Presentación anual junta de distribuidores 2006. de C. como se puede apreciar. Para 1990 Sachs adquiere Borg & Beck México. Alemania y otro en Troy Michigan. México D. mientras que a nivel mundial se encuentra dentro de las primeras 15. creando Sachs México S. Pero en el 2001 el grupo Sachs es adquirido por el grupo alemán ZF. siendo manejado como una empresa independiente. que nos permite entender en que posición se encuentra dentro del ambiente de fabricantes de autopartes. 26 compañías de venta y servicios y 500 puntos de servicio al cliente. convirtiéndose en la planta del grupo Sachs que surte a toda la zona del TLC.Perfil de la compañía También se presentan los antecedentes generales de la empresa y un breve análisis de sus fuerzas y debilidades. fue establecida. La posición que ocupa el grupo ZF en Alemania. Como socio de sistemas para la industria automotriz y un desarrollo global activo.F 5 . Las marcas que comercializa son: SACHS. Globalmente el grupo ZF cuenta con 119 localidades de producción. líder mundial en tren motríz. 6 centros principales de desarrollo. Varela. En 1999 El grupo Sachs es adquirido por Siemens AG. para concluir presentamos un panorama de la manera actual de calcular el pronóstico y la precisión del mismo.V.

6. 6. 13. 7. 10. 6.5 12. 3. 3. 12.5 15. 9.7 3. Johnson Aisin Faurecia TRW Autom.3 2. Bosch Faurecia Siemens VDO Valeo ZF Group Continental Thyssen Autoliv Michelin GKN bil US $ 23. 5. 14. 15. 10. 11.5 8.3 5.3 5. 20.5 5.2 7. 18. Delphi Bosch Denso Visteon Lear / UTA Magna Intern. 8.1 2.7 11.3 9.7 9.2 Europe 1.2 9. 2. 2. 19.2 23. 9. 5.7 15. 4.3 4.3 Grupo ZF: Grupo ZF: Division automotriz Division automotriz Tabla 1. 16.Capítulo 1 Germany 1. 5.3 3.9 7.1.2 7. Siemens VDO Valeo ZF Group Dana Continental Thyssen Yazaki DU Pont Calsonic Autoliv bil US $ 26.5 8. 17.2 7.3 3.5 8. 8.2 16. y se encuentra distribuida globalmente como sigue: Fig.6 7. 9. 3. 4.9 5.8 16.4 2.8 8.1Oficinas Mundiales de ZF TRADING Fuente: Presentación Junta de distribuidores 2005 6 .1 13. 7. Bosch Siemens VDO ZF Group Continental Thyssen INA LuK FAG Mahle Behr Hella Benteler bil US $ 23. 8. 10. 4.6 7. 7.1 Posición de ZF SAHS EN Europa Fuente: Presentación Junta de distribuidores 2005 El grupo ZF de igual forma cuenta con una comercializadora para todas sus marcas llamada ZF TRADING.6 7.4 5.2 12.3 15. 2.8 8.9 World 1.

Russia Greece. Italy. CANADA y MÉXICO. Poland. Yugoslavia Subsidiarias Globales: Divisiones de Mercado Independiente: Oficinas de Marketing: Dentro de las divisiones anteriores se encuentra la oficina en México. que está comprendida por USA. La experiencia. mantener en oferta aquellos productos dedicados a un segmento más antiguo del parque vehicular. ZF Sachs se encuentra en una posición ideal para complementar el espectro de productos del grupo ZF. France. logistica y servicios: Subsidiarias en Europa: Schweinfurt / Germany Schweinfurt and Bremen Frankfurt. la habilidad y la maestría son las bases para el constante éxito y crecimiento de ZF Sachs. la que se enfoca a la venta de partes para transmisión como son los embragues. lo que significa que cada vez se encuentra una población de vehículos actuales mayor que la del año anterior. A continuación se presentará un panorama de la industria de auto partes mexicana 7 . por lo que este tipo de empresas deben mantener inventarios sanos y flexibles para poder atender todos estos segmentos de mercado. Los productos Sachs se fabrican en México en nuestras tres subsidiarias. Czechia. Portugal. China. Japan. Munich Austria. además fabrica y exporta aplicaciones para la zona NAFTA. Año con año la industria automotriz ha roto record de ventas de vehículos nuevos del año previo. a pesar de los efectos adversos que la situación política del país genera. originando que la industria de refacciones deba adaptarse a este crecimiento y a su vez. Brasil. y abrir nuevos horizontes en las áreas de módulos y sistemas. 1. Turkey Australia. UK/Ireland. USA Argentina.Perfil de la compañía Oficina Matriz: Centro de distribucion principal : Ventas. Southeast Asia. Mexico Hungary. Spain/Portugal.2 SITUACIÓN GENERAL DEL MERCADO DE AUTOPARTES Y REFACCIONES El mercado de auto partes y refacciones ha mantenido una tendencia hacia la alta.

tenían su centro de operación y ensamble en el DF. General Motors y Chrysler se encontraban localizadas en el centro del País. en el momento en que comenzaron ha ser fuertemente atacadas por las empresas asiáticas y en la medida en que sus costos de operación se convirtieron cada vez más en un problema. hoy en día el mercado de autos en México no solo está compuesto por las marcas que tienen plantas de ensamble en el país. 1. ubicando su producción de automóviles para consumo nacional y exportación de acuerdo con la tabla 1. decidieron emigrar hacia el interior del País.2. Localización de las industrias ensambladoras en México Fuente: Asociación Mexicana de la Industria de Autopartes 1.2. es decir.1. En la actualidad la distribución de las armadoras en México se encuentra como se indica en la Figura 1. Sin embargo.2 Fig.1 MODELOS DE VEHÍCULOS ENSAMBLADOS EN MÉXICO Además de las 3 grandes. otras armadoras llegaron al territorio nacional y se asentaron en el centro y norte del país.Capítulo 1 1.1 INDUSTRIA ENSAMBLADORA EN EL TERRITORIO MEXICANO2 Anteriormente las llamadas 3 grandes Ford. Asociación Mexicana de distribuidores Automotrices 8 . ya que en el transcurso de los 2 Reporte económico de coyuntura.2.2. Julio 2006.

Perfil de la compañía años otras firmas han ingresado al territorio nacional para aprovechar los tratados de libre comercio que tienen firmados México con los Estados Unidos y Canadá. Motores a gasolina de 4 cilindros. Beetle Cabrio y Jetta. Chevy. Sunfire. Ford Motor Co. Daimler México Daimler México Chrysler de Saltillo Chrysler de Ramos Arizpe General Motors de Mexico Aguascalientes Nissan Mexicana El Salto Honda de México Daimler México Chrysler de Zona Industrial Toluca PT Crusier Refacciones Cuautitlan Zona Industrial Toluca Parque Lerma Cuernavaca Silao Industrial Ikon. Motores a gasolina de 4 cilindros. Aztek. Ford Motor Co. Motores a gasolina 8 cilindros Fundición Tsubame y Tsuru Pick up Avalanche. CIUDAD PRODUCTO Focus ZX3. Serie F Pick up C-35 y Kodiak. Monza. Estampado Platina y Sentra. Escalade Escalade ESV y Suburban. Estampados Transejes y Defensas. Motores a gasolina de 4 y 8 cilindros. Fundición aluminio Accord MARCA Hermosillo Chihuahua Ramos Arizpe Ford Motor Co.2: Ubicación de los productos de las armadoras en el territorio nacional Fuente: Industria Nacional Automotriz 9 . EXT. Rendesvouz. Milan y Zephyr Motores a gasolina de 4 cilindros RAM Pick up. Estampado Fundición Volkswagen de México Tabla 1. Fusion. y de así poder incorporar sus vehículos en estas regiones al integrarse a las armadoras del país mediante los llamados JOINT VENTURE. Motores a gasolina de 4 cilindros Estampados Cavalier. General Motors de Mexico Nissan Mexicana Nissan Mexicana General Motors de México Puebla Beetle.

La exportación en el acumulado del 2006. La venta de automotores nacionales representó el 35. Durante enero-diciembre 2006. VW con 17. la producción fue de 1. Para el 2007.726 vehículos. Asociación Mexicana de la Industria Automotriz.73 por ciento. por ciento.2 millones de vehículos vendidos. con lo que sumó el sexto año consecutivo logrando imponer record de ventas al conseguir la cifra más alta de la historia en un sexenio. 3 Boletín de prensa de Diciembre 2006.97 por ciento.4 por ciento con relación al 2005.4 por ciento más que en el 2005. Ford con 17.538.94 por ciento.21 por ciento restante correspondió a unidades importadas.038 unidades. El 64. seguido de Nissan con el 19.2 ENTORNO GENERAL DEL MERCADO DE AUTOPARTES Durante el 2006.89. las ventas de vehículos podrían verse afectadas por la disposición fiscal que disminuye la deducibilidad de autos de 300 mil a 150 mil pesos. Diciembre 2006 página 1 10 . y Toyota con 0. 6. las cuales han sido publicadas por diferentes medios. Honda con 1. sumó las 1.976. Lo anterior vislumbra un escenario favorable para las industrias de autopartes quienes se benefician con los proyectos de las plantas armadoras. la industria automotriz tuvo un crecimiento superior al presentado en el 2005.Capítulo 1 1. se prevé que la producción crezca 6.79 por ciento de la venta total. un 21.2 por ciento durante este año.30 por ciento. Este resultado refleja un crecimiento sostenido promedio en los últimos seis años que identifica al país como uno de los mercados más sobresalientes.2. Finalmente. El pronóstico para los próximos años prevé que la actividad de la industria automotriz en el mercado nacional continuará su ritmo ascendente por los menos durante los siguientes 5 años de acuerdo con las intenciones de inversión en el país de las diferentes armadoras y marcas. al establecer como su nicho de mercado el mercado secundario o de refacciones. comparado con el comportamiento de los mercados automotrices más importantes del mundo. la mayor participación de mercado en ventas fue GM con el 19.45 por ciento.3.90 por ciento. lo que representó un aumento de 29. Daimler Chrysler con 14.

lo que haría pasar desapercibido este mercado si es que no se ofrecen los productos a precios competitivos. ha contribuido a que el parque vehicular de automóviles ilegales se haya acrecentado aproximadamente el 50% de ingresos. 11 . La secretaría prevé que cerrar en 2006 el 60 por ciento de los proyectos que negocia actualmente. En el apéndice 1 se muestran los 100 vehículos de mayor volumen durante el año 2006 en el territorio nacional. Como se ha comentado el porcentaje de ventas de automóviles nacionales es de 35. estudio de parque vehicular mexicano. Luis. existe una entrada de 1 vehículo ilegal.000 mdd y varios en autopartes por hasta 5.79 % mientras que el de extranjeros es de 64. lo que permitirá que en 2010 el país produzca 3.Perfil de la compañía Por ejemplo.000 mdd. ya que al incrementarse la adquisición de vehículos ilegales esto quizá reduciría las ventas de vehículos legales nuevos y/o usados. ya que estos automotores debido a la edad que presentan.21% la proporción de los automóviles nacionales ha venido disminuyendo de la siguiente forma: Por otra parte con la apertura de las fronteras para los vehículos americanos mayores a 15 años.2. Otro sector que pudiera ser afectado es el de la industria automotriz nacional. pero se presenta una disyuntiva que no debe dejarse de lado.5 millones de vehículos y exporte 2. Lo anterior puede beneficiar a las industrias fabricantes de autopartes del país al tener un mercado más grande al que ofrece sus productos. así como al precio con el que fueron adquiridos es posible que no haga justificable adquirir refacciones nuevas.4 millones de unidades4 1. la Secretaria de Economía dijo que como mínimo cerrará durante 2006 tres negocios en el sector automotriz por un valor total de 3. lo que trasladaría el mismo efecto a las ventas de autopartes. 4 Melgar. lo que ha arrojado que existan en el territorio nacional casi un millón de vehículos ilegales. es decir que por cada dos vehículos legales que se venden en el territorio nacional.3 VEHÍCULOS DE MAYOR POBLACIÓN EN MÉXICO. Melgar y asociados 2005.

se les asigna un peso que va desde 0. gubernamental..Capítulo 1 1. Prentice Hall. ISBN 970-26-0427-3 2003. financieras. de posición en el mercado etc. social. La intención es mostrar como se encuentra la empresa en comparación con sus competidores. mientras que los pesos del paso anterior se basan en la industria. Conceptos de Administración Estratégica. ambiental.Se suman las calificaciones ponderadas de cada una de las variables con el fin de determinar el total ponderado de la organización. 2= una respuesta media y 1= una respuesta mala De tal modo que las calificaciones se basan en la empresa.Se le asigna una calificación a cada factor.1 MATRIZ DE EVALUACIÓN DE LOS FACTORES EXTERNOS (EFE) Una Matriz EFE permite a los estrategas resumir y evaluar la información económica. con base en la eficiencia con que están respondiendo las estrategias a estos factores: 4 = una respuesta superior.3 PERFIL ACTUAL DE LA EMPRESA5 A continuación se construirán algunas matrices que permitirán establecer cuál es el perfil actual de la empresa dentro de su entorno interno y externo. 5 Fred R. pag 110-111 12 ..Se multiplica el peso de cada factor por su calificación. 3. 5.3. David. tecnológica y competitiva Para poder elaborarla. en las cuestiones tecnológicas. 3= una respuesta superior a la media. incluyendo tanto oportunidades como amenazas 2.0 (muy importante).De acuerdo a la importancia relativa que tienen los factores para alcanzar el éxito en la industria. cultural..0 (no es importante) a 1. se deben seguir cinco pasos básicos: 1.. política. demográfica.. 1.Hacer una lista de los factores críticos determinantes para el éxito de la empresa. para obtener una calificación ponderada. legal. 4. México.

3 0.4 0.3 0.3 0.10 .0 0.10 0. 2.10 0.10 0.10 0. tiene los siguientes significados: 4.05 0.2 0. por lo que se requiere un cambio o adaptación de las mismas de manera urgente.20 0. lo que significa que no todas las estrategias están funcionando de manera eficiente. 13 .05 0. Plantas del grupo europeas con mayor participación de mercado Agilidad en desarrollo de nuevos productos producidos en Sachs México Vehículos con mayor similitud en la transmisión Mayor fortaleza a nivel mundial de la marca Amenazas Entrada de productos asiáticos Calidad de los productos asiáticos considerable Precio menor de los productos asiáticos.1 0.0 es el más alto que puede tener la empresa.05 0.3: Matriz de evaluación de los factores externos Fuente: Elaboración propia La empresa se encuentra justo en la media. FACTORES EXTERNOS CLAVE Oportunidades Mercado cada vez mas diversificado de modelos de automóviles.Perfil de la compañía De acuerdo a lo anterior el total ponderado obtenido.1 2.5 es el promedio ponderado que puede tener una empresa. 1.2 0. con eficacia las oportunidades existentes y minimizando los efectos negativos de las amenazas externas.05 0. y significa que las estrategias de la empresa están aprovechando. Cobertura de las aplicaciones de mayor movimiento Contracción de la demanda de mercado TOTAL VALOR CLASIFICACIÓN VALOR PONDERADO 0.10 0.0 es el resultado más bajo que puede obtener y significa: que las estrategias de la empresa no están capitalizando las oportunidades ni evitando las amenazas externas. lo cual refleja que sus estrategias para alcanzar sus fortalezas y evitar sus amenazas se cumplen medianamente.10 1 1 3 1 2 3 1 1 4 3 1 Tabla 1.

3.15 0.32 0.08 0.Capítulo 1 1.4 0.06 0.1 0.4: Matriz del perfil Competitivo Fuente: Elaboración propia SACHS C P 3 4 4 2 2 3 4 1 3 1 1 2 3 1 0.1 0.4 0.3 0.4 0.05 0.1 0.28 3.15 0.04 0.1 0. se elabora siguiendo los cinco pasa pasos ya descritos para la elaboración de la matriz EFE utilizando los mismos criterios.1 0.4 0.15 0.1 0.03 0.1 0.1 0.08 0.43 LUK C 4 4 4 3 3 3 4 3 4 3 4 3 4 4 P 0.1 0.4 0.4 0.02 0.07 1 Tabla 1.1 0.4 0.4 0.05 0.06 0.4 0.3 MATRIZ DE EVALUACIÓN DE LOS FACTORES INTERNOS Es un instrumento muy útil que permite de manera fácil formular estrategias.15 0.65 NIKKO C P 2 3 4 2 2 1 1 4 1 4 1 3 1 1 0.3.12 0.05 0. resumiendo y evaluando las fuerzas y debilidades más importantes dentro de las áreas funcionales de un negocio y además ofrece una base para identificar y evaluar las relaciones entre dichas áreas.04 0.15 0. así como sus fortalezas y debilidades particulares.1 0.3 0.05 0. De igual forma.2 0.05 0.1 0.1 0.05 0.07 2.1 0.24 0.3 0.09 0. 14 .07 2.24 Se puede apreciar que el líder posee clara ventaja sobre los dos competidores restantes en casi la totalidad de los factores considerados.3 0.2 0.2 MATRIZ DEL PERFIL COMPETITIVO Esta matriz tiene como objetivo identificar a los principales competidores de la empresa. 1. en relación con la posición estratégica de la empresa Valor Publicidad Calidad de los productos Competitividad de los precios Dirección Rentabilidad Lealtad de los clientes Expansión Global Diversidad de productos Participación en el mercado Amplitud de la linea de Productos Ventajas de Marca o Patente Registradas Capacidad y Eficiencia de producción Experiencia Adelantos Tecnológicos Total 0.

1 0.05 0.4 0.1 0.15 0.6 0.2 0.1 0. pero esto es relativo ya que en lo particular dicho valor está muy cerca del límite interior por lo que fácilmente se podría desbalancear FACTORES INTERNOS CLAVE Fortalezas internas 20 años en el mercado de refacciones Se ha comenzado a tener presencia de marca Respaldo de productos con las otras plantas del grupo Canales de distribución adecuados Creatividad Debilidades internas Baja participación en el negocio de equipo original Cobertura de parque vehicular menor al 80% Poco desarrollo en planta de productos para vehículos modernos Tiempos de desarrollos muy lentos Costos de producción muy altos Poca revisión de diseños anteriores TOTAL 0.15 0.15 0.1 0.15 0 0.1 0.1 2.2 VALOR CLASIFICACIÓN VALOR PONDERADO Tabla 1. Estrategia de debilidades y oportunidades DO: pretende superar las debilidades internas.15 0.05 0.05 3 3 4 4 3 0.1 0.2 sugiere que la empresa tiene fortaleza interior. para evitar o disminuir las repercusiones de las amenazas externas.4 MATRIZ FODA Esta matriz es una herramienta que sirve para obtener las diferentes estrategias.1 0. las que nos permitirán obtener las siguientes relaciones: Estrategias de fuerzas y oportunidades FO: utilizar las fuerzas internas para aprovechar la ventaja de las oportunidades externas.Perfil de la compañía La calificación total de 2. aprovechando las oportunidades externas.15 0. Estrategias de fuerzas y amenazas FA: aprovechan las fuerzas de la empresa.5: Matriz de evaluación de los factores internos Fuente: Elaboración propia 1. 15 .3.1 0.05 1 1 2 1 1 1 2 0.

Establecer la relación entre las debilidades internas con las amenazas externas DA Fortalezas: F 20 años en el mercado de refacciones Se ha comenzado a tener presencia de marca Respaldo de productos con las otras plantas del grupo Canales de distribución adecuados Creatividad Debilidades: D Baja participación en el negocio de equipo original.Establecer la relación entre las debilidades internas con las oportunidades externas DO 7.O2. A5) 1. 2. 5. 2. 2. 1. 3. 3... 4. O2). A1.Establecer la relación entre las fortalezas internas con las amenazas externas FA 8. 1. Cobertura de las aplicaciones de mayor movimiento Contracción de la demanda de mercado 1. F5. 3.. 4. F3. F4. 4. D4.F4. D5. A1. 1. O2). D2. D6.Elaborar una lista de fortalezas internas clave 4. O5). A4) Creación de valor en el desarrollo de nuevos productos (D2. 2.Elaborar una lista de amenazas externas clave 3. Estrategias FA Optimizar costos en productos de alto movimiento (F3.Capítulo 1 Estrategias de debilidades y amenazas DA: son tácticas defensivas que pretenden disminuir las debilidades internas y evitar las amenazas del entorno. F2.. 2.. O4) Desarrollo de nuevos productos en tiempo calidad y costo (D3.Elaborar una lista de debilidades internas clave 5. O1. 3. 6. 2. 1. 2.6: Matriz FODA Fuente: Elaboración propia 16 . F3. 5. 5. Estrategias DA Optimizar gastos para productos A (D4. 1. 4. 1.Establecer la relación entre las fortalezas internas con las oportunidades externas FO 6. O1. O2. Cobertura de parque vehicular menor al 80%. Estrategias FO Incrementar el portafolio de productos para modelos nuevos (F1.. Poco desarrollo en planta de productos para vehículos modernos.Elabora una lista de oportunidades externas de la empresa.. 5. Plantas del grupo europeas con mayor participación de mercado Agilidad en desarrollo de nuevos productos producidos en Sachs México Vehículos con mayor similitud en la transmisión Mayor fortaleza a nivel mundial de la marca Amenazas: A Entrada de productos asiáticos Calidad de los productos asiáticos considerable Precio menor de los productos asiáticos. A3. A5) Tabla 1. D6.. La construcción de una matriz FODA consiste de ocho pasos: 1. D4.) Utilizar los canales de distribución para publicitar fuertemente la marca (F5. Investigación de aplicaciones en otros países para su utilización en el mercado (F2. 3. Oportunidades: O Mercado cada vez más diversificado de modelos de automóviles. Tiempos de desarrollos muy lentos Costos de producción muy altos Poca revisión de diseños anteriores Estrategias DO Incrementar cobertura de productos (D1.A3) Acceso a otros nichos de mercado (F3. 2. 2. A2.

66 4.33 1 -2. y si ésta es la más adecuada para una organización dada.06. defensiva o competitiva. que es el promedio de la industria El rendimiento sobre el capita fue de 1.24% y se requiere 5.06%.7: Matriz de la fortaleza financiera Fuente: Elaboración propia 17 .0 -3.34 -3 -3 6 2 CALIFICACION 1 2 Tabla 1. -3 -3 -6 -12 VENTAJAS COMPETITIVA Hay gran participación en el mercado La competencia es grande y creciente en el mercado de refacciones La evolución en la tecnología hace cada vez más difícil la competencia debido a la creación de patentes -4 -10 PROMEDIO Promedio FF Promedio FI Promedio EA Promedio VC Eje X Eje Y 1. FUERZA FINANCIERA Fortaleza financiera general y la solvencia La razón deuda sobre capital fue de .33 -4. conservadora. que es el promedio de la industria Incremento de ventas general en los últimos tres años 2 5 FUERZA INDUSTRIAL Existe un parque vehicular ilegal que no ha sido atacado Hay una cultura de compra de material reconstruido Las firmas automotrices han ingresado una gran cantidad de Modelos diversos al mercado nacional 5 13 ESTABILIDAD DEL AMBIENTE Hay una transición política que crea incertidumbre ante las políticas económicas que pueden provocar fuga de capital del país.Perfil de la compañía 1. Hay estabilidad macroeconómica El precio de los productos está determinado por el conocimiento de marca en el mercado.3.25 y se requiere que sea de 1. consta de cuatro cuadrantes en donde indica si la estrategia es agresiva.5 MATRIZ DE LA POSICIÓN ESTRATÉGICA Y EVALUACIÓN DE LA ACCIÓN (PEEA) Esta matriz.

La posición de la participación relativa en el mercado se define como la razón o índice de dividir la propia participación en el mercado en una industria en particular entre la participación en el mercado de la empresa rival más importante en esa industria. 18 .Capítulo 1 6 5 4 3 2 1 VC -6 -5 -4 -3 -2 -1 0 -1 -2 -3 -4 -5 FI 1 2 3 4 5 6 (1.1 Matriz de la posición estratégica y evaluación de la acción (PEEA) Fuente: Elaboración propia De acuerdo a lo sugerido por la teoría.6 MATRIZ DEL BOSTON CONSULTING GROUP (BCG) La matriz BCG permite a una empresa con divisiones múltiples dirigir su cartera de negocios por medio del análisis de posición relativa en el mercado y la tasa de crecimiento industrial en cada división respecto a todas las demás divisiones de la empresa. la organización es competitiva en un mercado inestable 1.66) Gráfica 1.3.-2.

119.37 Tabla 1.67% 12.94 12.2% -2.791.81 23.050.O.85 32.421.19 Utilidades 9.58 104.69% 4.601.11% 64.604. Exportación M.O.477. Nacional M.179.166.830.2% MI EXPORTACION Tasa de crecimiento de las ventas en la industria de autopartes (Porcentaje) 5.2 Posición de la participación relativa en el mercado de la empresa Fuente: Elaboración propia Las unidades de negocio que se encuentran en el primer cuadrante resultan ser signos de interrogación.5% 3.I.738.59% EOS NACIONAL 4. 19 .608.433. mientras que existen dos UEN que se encuentran dentro de la clasificación de los perros los cuales podrían considerarse de casta.810.624.79 73.68% EO NACIONAL 12.462.889 E. ya que solo sirven para tener imagen de la marca en el extranjero.68% 9.Perfil de la compañía División E. Nacional Ingresos 35.430. Nacional E.348.646.8: Posición de la participación relativa en el mercado de la empresa Fuente: Elaboración propia MI NACIONAL Alta 64.39 14.7% 4.26% 5.5% -7.80 260.324.S.510. aunque se observa un desplazamiento de la UEN MI nacional hacia el cuadrante de las estrellas.03 Porcentaje de utilidades 3. Exportación 103.O.37 Total 586.085.11% EO EXPORTACION Baja Gráfica 1.298. Exportación E.67% Media EOS EXPORTACION 9.400.O.16 28.59% 100% Porcentaje de participación en el mercado 10% 6% 28% 15% 15% 10% Porcentaje de la tasa de crecimiento 3.I.69% 3.S.311.0% 9.220.736.68 167.3% 241.

0 a 2.608. por eso se les conoce como matrices de cartera. División Ventas Porcentaje de Ventas 41. La matriz IE se parece a la matriz del BCG en el hecho que las dos requieren que las divisiones de la organización se coloquen dentro de un diagrama esquemático.0 a 1.99 I 3.99 3. Nacional 241.0 Débil 1.0 a 2.79 Porcentaje de utilidades 64.13% Utilidades 167.0 2.0 a 4.0 4.9: Valores para la matriz interna externa de la empresa Fuente: Elaboración propia Sólido CRECER Y CONSTRUIR Promedio 2.0 CONSERVAR Y MANTENER Gráfica 1.0 II V VIII III VI IX COSECHAR Y ENAJENAR IV 2.0 Alto PUNTAJES 3.220.119.0 a 4.0 VII 1.99 MATRIZ Bajo EFE 1.0 DE VALORES Medio TOTALES DE LA 2.477.0 M.3.68 Tabla 1.I.Capítulo 1 1.0 3.0 a 1.3 Puntajes de valores totales de la matriz EFI Fuente: Elaboración propia 20 .26% Puntaje de la Puntaje de la matriz EFI matriz EFE 2.7 MATRIZ INTERNA EXTERNA (IE) Esta matriz tiene como función colocar las diferentes divisiones de una organización dentro de un cuadro de nueve celdas.99 1.2 2.

0 4. donde la estrategia a implementar es desparecer o vender.0 TOTALES PONDERADOS DEL EFE ALTO 3.0 a 4.0 3.0 a 1. internos y externos identificados en los análisis de la etapa 1 y 2.0 DEBIL 1.0 PROMEDIO 2.8 MATRIZ CUANTITATIVA DE LA PLANIFICACIÓN ESTRATÉGICA Esta técnica indica en forma objetiva cuales son las mejores estrategias alternativas con base en los factores críticos de éxito. Ahora bien está situada en el límite entre lo bajo y lo medio de los EFE.4 Matriz Interna-Externa Fuente: Elaboración propia El análisis ha permitido observar que la unidad estratégica de negocio (UEN) sea colocada en el cuadrante V lo que es típico de las divisiones que requieren “mantener y retener”.99 1.0 3.0 BAJO 1.0 64% Gráfica 1.0 a 1.0 a 4.0a 2.Perfil de la compañía TOTALES PONDERADOS DEL EFI FUERTE 3.0 MI NACIONAL MEDIO 2. Si la empresa no comienza a llevar a cabo las estrategias adecuadas.3.0 4.99 1. es muy probable que empeore ocasionando su ubicación en el cuadrante VIII.99 2. La penetración del mercado y el desarrollo del producto son dos estrategias comúnmente utilizadas para este tipo de unidades. En segundo lugar.99 2. 21 .0a 2. 1. la penetración en el mercado y el desarrollo del producto son dos estrategias comúnmente empleadas para este tipo de divisiones. las divisiones que caen en las celdas III. V o VII se pueden administrar mejor con estrategias para “Retener y mantener”.

05 ------------------2 1 3 0.1 ------------------2 3 1 0. La empresa se encuentra situada en el cuadrante de competitividad en un ambiente inestable de acuerdo con la matriz interna externa.3 0.4 Tabla 1.2 Valor PA PTA Penetración de Mercado PA PTA 2 2 1 1 ---------- 0.05 0.2 0.3 0. lo que corresponde con el análisis de la matriz PEEA.1 0.1 3 4 4 2 ---------0.1 0.6 0.8 0.1 ------------------1 ---------1 0.1 0. 22 .2 0.1 4.4 0.3 0.05 4 2 4 4 1 2 0.Capítulo 1 Desarrollo de Productos FACTORES CLAVE Oportunidades Mercado cada vez más diversificado de modelos de automóviles.3 0.1 0.1 0.4 0. Cobertura de las aplicaciones de mayor movimiento Contracción de la demanda de mercado Fortalezas internas 20 años en el mercado de refacciones Se ha comenzado a tener presencia de marca Respaldo de productos con las otras plantas del grupo Canales de distribución adecuados Creatividad Debilidades internas Baja participación en el negocio de equipo original Cobertura de parque vehicular menor al 80% Poco desarrollo en planta de productos para vehículos modernos Tiempos de desarrollos muy lentos Costos de producción muy altos Poca revisión de diseños anteriores TOTAL 0.1 0.1 0.15 0.2 0.4 0. más bien sólo está dependiendo de lo que el MI nacional logre crecer.4 0. Plantas del grupo europeas con mayor participación de mercado Agilidad en desarrollo de nuevos productos producidos en Sachs México Vehículos con mayor similitud en la transmisión Mayor fortaleza a nivel mundial de la marca Amenazas Entrada de productos asiáticos Calidad de los productos asiáticos considerable Precio menor de los productos asiáticos.1 0.1 0.1 0.4 0.05 4 2 1 4 4 3 0.2 0.10: Matriz de la planeación estratégica cuantitativa para la empresa Fuente: Elaboración propia La empresa no presenta UEN estrella.1 0.25 0.1 0.15 0.2 0.15 3.1 0.1 0.1 0.05 0.1 0.15 0. aunque de igual forma se encuentra en el cuadrante de las UEN.1 ------------------1 ---------1 0.6 0.2 0.05 0.05 0.

ISBN 970-26-0427-3 . Debido a que los pronósticos son imperfectos y algunos incluso muy inexactos. México. El desarrollo de nuevos productos como estrategia principal. productos nuevos. Evaluando estas estrategias mediante la matriz de la planeación estratégica cuantitativa. se obtiene que la estrategia con un puntaje más alto y que se debe emplear sean aquellas enfocadas al desarrollo de nuevos productos. La mayoría de las empresas pronostican sus propios ingresos y utilidades de forma anual. a veces. durante el presente capítulo y lo expuesto en el apéndice 2 otorga un panorama a los directivos de la empresa del porque de la importancia de realizar pronósticos más eficientes considerando los factores externo e internos que afectan a la empresa. condiciones económicas inestables y acontecimientos imprevistos. pronostican la participación en el mercado o la lealtad de los clientes. . obliga a la empresa a estudiar aquellos nuevos productos relacionados con los actuales así como los no relacionados. competidores más fuertes. cambios culturales. 2003 pág. teniendo que estudiar aquellos factores que puedan influir hacia los clientes potenciales (externos) y hacia los propios recursos con los que cuente la organización (internos). David Fred R. Prentice Hall.Perfil de la compañía Las estrategias que se sugieren a partir de la matriz PEEA son el desarrollo de productos y la penetración del mercado. Conceptos de Administración Estratégica. ya que con frecuencia deben confiar en sus propios pronósticos o en los publicados. mejores servicios. David6 menciona que el pronosticar es una actividad compleja debido a factores como: la innovación tecnológica. Puesto que los pronósticos son tan importantes en la dirección estrategia y la habilidad para pronosticar (a diferencia de la habilidad para utilizar los pronósticos) es vital. ya que solo estos proporcionan ventajas competitivas importantes a las empresas y son vitales para el proceso de la dirección estratégica y para el éxito de las empresas. se acentúa la necesidad de que se dedique suficiente tiempo y recursos por parte de la organizaciones al desarrollo de pronósticos más eficientes mediante de la utilización de técnicas adecuadas al comportamiento de su demanda. 103 6 23 .

A continuación se presentará un ejemplo práctico para intentar proporcionar una idea más clara sobre la metodología utilizada por la empresa para el cálculo del pronóstico de su demanda.4 SITUACIÓN ACTUAL DEL CÁLCULO DEL PRONÓSTICO7 Actualmente la empresa no se apega a ninguna de las metodologías teóricas más comúnmente conocidas para realizar el cálculo de su pronóstico. pero se deja de lado el costo del inventario en el que se pueda incurrir. por ejemplo. sólo tiene como función incrementar el valor del pronóstico para asegurar que no existan faltantes. si existe una baja de precios con seguridad se incrementarán los pedidos durante el periodo de tiempo que dure la oferta. en cuanto los precios regresan a su nivel normal. los pedidos disminuyen notablemente pero esta baja en la demanda es duradera ya que el distribuidor se ha inventariado con un producto más barato. por lo que generalmente espera a vender casi la totalidad de éste antes de volver a consumir de forma normal porque la utilidad de su operación se ve incrementada al actuar de esta manera. aunado a esto. por lo que el mercado responde de una manera diferente según el estímulo que le apliquen los proveedores. no podemos decir que se esté utilizando una técnica de promedios móviles y mucho menos de series de tiempo. el cual. La razón dada para realizar el cálculo de esta manera es que la demanda de la empresa no sigue un patrón determinado.Capítulo 1 1. de hecho. debido principalmente a que los competidores desestabilizan el mercado al jugar con los precios de los productos en periodos de tiempo aleatorios. los promedios resultantes son afectados por un factor exponencial. 7 Datos proporcionados por la empresa Reporte ejecutivo Enero 2006 24 . tampoco se ajusta a ninguna de las técnicas especiales desarrolladas en los últimos años para este fin. Si bien se emplean los promedios para iniciar con el cálculo. este factor es colocado por la experiencia de la gerencia de ventas y es distinto para cada mes.

282 7.855 998 754 2.107 816 857 840 840 898 10 273 1.096 9.294 494 524 219 440 377 699 514 340 446 567 502 283 189 260 282 267 283 163 180 178 233 11.108 2.596 1.318 1.074 1.344 798 858 802 830 763 820 627 627 505 524 505 514 269 283 197 283 10 763 3.357 1.392 1.447 1.319 777 3.760 1.Perfil de la compañía Número Entra de Pedidos 2005 Facturado 2005 Prmedio Entrada de Pedidos 2005 Promedio de Facturación 2005 Entrada de Pedidos Enero Entrada de Pedidos Febrero Entrada de Pedidos Marzo Entrada de Pedidos Abril Total Entrada de Pedidos EneAbr '06 Promedio ultimos 3 meses Entrada de pedidos Facturado Enero Facturado Febrero Facturado Marzo Facturado Abril Total Facturado Ene-Abr '06 Promedio ultimos 3 meses Facturado Junio Politica de Inventarios Días Stock Julio Agosto Septiembre Octubre Noviembre Diciembre SN31846 KM11004-01 KM639-02 KF224-02B KM173-01 KM168-01 SN9001 KF537-04 KM80203-01 K1121-01 31.013 1.116 3.195 2.600 5.144 828 869 853 853 911 10 277 1.407 10 286 1.972 4.168 653 1.023 3.299 1.438 1.846 3.426 13.238 2.038 1.215 1.258 16.227 3.971 4.387 9.792 1.619 4.200 1.344 10 448 1.195 2.302 1.343 1.269 858 633 840 744 810 830 615 787 682 939 820 825 627 906 757 615 452 95 1.894 1.273 10.201 1.179 1.318 1.672 10.344 1.131 2.735 1.280 1.401 1.579 4.119 889 690 382 782 385 117 2.015 13.336 8.106 625 861 825 664 546 341 219 774 350 383 189 117 163 2.370 1.335 1.199 17.290 1.254 3.050 1.093 792 831 815 815 871 10 209 836 621 652 640 640 683 10 175 699 515 540 530 530 566 10 171 685 510 535 525 525 560 10 94 377 276 290 284 284 304 10 94 377 240 252 247 247 264 Tabla 1.217 5.476 959 760 855 821 712 958 698 939 825 639 743 464 457 394 721 507 572 465 292 285 272 248 342 260 11.287 2.154 31.594 1.292 4.027 3.290 2.221 1.647 2.404 2.791 1.053 2.190 4.115 2.142 14.442 14.11: Entrada de pedidos y pronóstico actual de la empresa Fuente: Datos de la empresa Reporte ejecutivo Enero 2006 25 .

053 que es promedio del mes de julio.290 > 1.972 entonces el promedio del material facturado se toma como el pronóstico del mes de Junio según nuestro ejemplo. El pronóstico del mes de Septiembre es el resultado para agosto mas un 3%. Enseguida se comparan estas cantidades y la que resulte mayor se toma como el promedio del siguiente mes. Estos factores son dados por la gerencia de ventas de acuerdo a la experiencia.290 para el material facturado. Primeramente se calcula el promedio del año anterior para tener una referencia del nivel en que debe moverse la cantidad mensual. Debiendo cumplirse que el error de la variación entre el valor real y el pronosticado se encuentren dentro de un rango de ±20% del valor real.290 que es igual a 2.972 y 2.Capítulo 1 Para cada número de parte el procedimiento es el mismo. para posteriormente determinar el promedio de cada una de las cantidades. mientras que para los meses de Octubre a Diciembre es el pronóstico para agosto mas un 5%. esta cantidad es sumada al pronóstico del mes de Junio obteniendo un total de 3.131. 8 idem pag 24 26 . 1. utilizaremos los datos del número de parte SN31846 de la tabla anterior para ejemplificar el método.159 y 31.596 para la entrada de pedidos y 2600 para las piezas facturadas. y ya que 2. Posteriormente se registran la entrada de pedidos de los últimos 4 meses junto con las piezas facturadas en el mismo periodo.972 para la entrada de pedidos y 2. Posteriormente se divide el pronóstico del mes de junio entre 30 días y se multiplica por 10 días que son los días de inventario que se requieren.5 MEDICIÓN DE LA PRECISIÓN DEL PRONÓSTICO8 La medición en la precisión del pronóstico se calcula por mes y para dos casos.199 respectivamente que divididos entre 12 meses tenemos 2. El pronóstico del mes de agosto es el promedio entre los resultados de los promedios de los 3 meses de pedidos y los 3 últimos meses facturados lo que quiere decir que es el promedio de las siguientes cantidades 1. obteniendo 763 piezas de inventario. para que la empresa considere al pronóstico como aceptable. y éste se calcula tanto para la entrada de pedidos como para el total facturado. las cuales para los meses de Febrero a Abril arrojan el resultado de 1. En este caso 31. cuando se incluye las órdenes retrasadas y cuando no se incluyen.

784 Pedido con B.12: Cálculo de la precisión del pronóstico situación actual Fuente: Datos de la empresa Reporte ejecutivo Enero 2006 27 .375 2.O.879 Forecast Accurary 31 339 190 34 30 14 455 100 85 85 81 6 4 62 61 1 150 102 11 126 19 51 120 34 49 140 8 11 15 10 3 2 2.231 B.429 82% Unfavorable Accuracy 31 339 190 34 30 14 455 100 85 85 81 6 4 62 61 1 150 102 11 126 19 51 120 34 49 140 8 11 15 10 3 2 438 97% Forecast Accuracy / Unfavorable Productos A Tabla 1.Perfil de la compañía La metodología utilizada para el primer caso es la siguiente: CUANDO SE INCLUYE LAS ÓRDENES RETRAZADAS Tomaremos la tabla siguiente para ejemplificar el caso.200 480 300 175 115 610 285 93 170 290 150 350 140 200 500 136 300 231 138 155 86 156 144 200 50 190 25 20 13. 781 1.800 650 600 720 1.610 341 630 560 745 380 215 75 34 462 80 10 70 65 149 200 19 200 96 10 50 180 18 86 37 16 136 30 35 180 5 18 9.394 2. Código SPM KM639-02 KM11004-01 SN31846 KM173-01 KF537-04 KM168-01 KF224-02B K0047-06 KM80203-01 K70038-01 K1121-01 K70037-02 K0465-05 K70277R-01 K1886-01 KF594-01 K9082-01 SN9001 KM136-01 SN1106 KF251-01 KM10993-01 KF587-04 SBA1002 K0036-02 KM168-02 SBA1029 K0050-01 KF295-01 K1914-06 K260033-01 SBA60026 K70149-01 K70285-01 K70285-02 K70149-02 K70144-02 K70145-01 K70128-04 Total Código A Pronóstico MI 750 1.610 684 630 706 745 380 215 90 34 604 289 31 109 290 149 200 38 200 489 10 281 180 18 121 37 16 136 189 35 180 22 18 12.352 Pedido 743 1. Al cierre mes anterior 38 320 343 146 15 142 209 21 39 225 19 393 231 35 159 17 2.714 2.O.

Este mismo procedimiento se ejecuta para cada uno de los números de parte colocando su valor absoluto en la columna de precisión favorable y por otro lado se coloca su signo en la columna de pronóstico desfavorable. Posteriormente se obtienen las sumatorias de cada una de las columnas indicadas en la tabla.Capítulo 1 La cantidad pedida para el número de parte KM639-02 es de 743u y la orden retrazada (BO). es decir que se quedó corto. Por lo tanto. entonces de acuerdo a la teoría no se puede establecer si el método utilizado es correcto. El criterio de la precisión desfavorable es que todos aquellos valores que resulten con signo positivo significan faltantes en el pronóstico calculado. con la salvedad de que la columna donde se coloca la precisión desfavorable sólo considera aquellos valores que son mayores a cero. el valor obtenido para la precisión desfavorable se divide entre la sumatoria del pronóstico. ya que de esta manera se pueden atender más pedidos extras. En realidad con este procedimiento no se obtiene la desviación absoluta promedio ni el error cuadrado medio. aunque en ocasiones sólo se queda inventariado el material y no se contempla que el inventario representa capital estático. El mismo procedimiento se aplica para el caso en donde no se consideran las órdenes retrazadas. El pronóstico para este mismo número en el periodo dado es de 750u. a este resultado se le resta la unidad para obtener con esto la precisión para este rubro. por lo que restando esta cantidad de la suma anterior tenemos que la precisión del pronóstico es de 31u desfavorables. el cálculo de la precisión favorable se calcula de la misma forma pero se toman en cuenta todos los valores absolutos en la sumatoria y este resultado se divide de igual forma entre el total del pronóstico para obtener la precisión favorable del pronóstico. A continuación se presentan los valores. Con este criterio se entiende que en la columna de la precisión desfavorable sólo se consideran aquellos valores que provocan un valor faltante. 28 . Por lo tanto estos valores no reflejan en realidad el nivel de precisión del pronóstico. mientras que un valor negativo significa excesos en el cálculo del pronóstico. es de 38u por lo que el total de esta suma es de 781u que es el pedido más la orden retrazada. Por otra parte. ya que la empresa considera que es mejor que sobre el material.

200 480 300 175 115 610 285 93 170 290 150 350 140 200 500 136 300 231 138 155 86 156 144 200 50 190 25 20 13.025 6.Perfil de la compañía Código SPM KM639-02 KM11004-01 SN31846 KM173-01 KF537-04 KM168-01 KF224-02B K0047-06 KM80203-01 K70038-01 K1121-01 K70037-02 K0465-05 K70277R-01 K1886-01 KF594-01 K9082-01 SN9001 KM136-01 SN1106 KF251-01 KM10993-01 KF587-04 SBA1002 K0036-02 KM168-02 SBA1029 K0050-01 KF295-01 K1914-06 K260033-01 SBA60026 K70149-01 K70285-01 K70285-02 K70149-02 K70144-02 K70145-01 K70128-04 Total A Pronóstico 750 1.625 1 22.500 14.547 61 28.000 6.000 7.375 2.481 900 25.003 71% 49 361 36.926 62.491 4.409 19.216 15.500 2.600 14.13: Cálculo de la precisión del pronóstico situación actual sin considerar órdenes retrazadas Fuente: Datos de la empresa Reporte ejecutivo Enero 2006 29 .900 225 100 400 4 - Unfavorable Accuracy 7 19 190 309 30 160 455 100 85 100 81 148 205 83 100 225 1 150 121 404 126 250 51 120 69 49 140 8 170 15 10 20 2 49 100% Avance de pronóstico 99% 101% 93% 52% 105% 78% 62% 79% 72% 43% 30% 76% 28% 11% 41% 22% 99% 57% 14% 100% 19% 7% 17% 78% 13% 55% 43% 10% 95% 15% 70% 95% 20% 0% 0% 0% 0% 0% 90% 72% For.100 95.394 2.225 10.025 10. Accuracy / Unfavorable Productos A Tabla 1.000 50.641 163.904 42.800 650 600 720 1.610 341 630 560 745 380 215 75 34 462 80 10 70 65 149 200 19 200 96 10 50 180 18 86 37 16 136 30 35 180 5 18 9.784 Pedidos 743 1.825 10.761 2.879 Forecast Accuracy 7 19 190 309 30 160 455 100 85 100 81 148 205 83 100 225 1 150 121 404 126 250 51 120 69 49 140 8 170 15 10 20 2 4.561 21.600 207.

que le sirva para decidir con mayor certeza sobre los asuntos que le interesen. En este capítulo se presentan algunas metodologías actuales que los administradores pueden utilizar para la realización de sus pronósticos en los negocios. hasta el establecimiento de formas más científicas mediante el estudio analítico de su medio ambiente o una combinación de ambas.Capítulo 2 PRONÓSTICOS Y SERIES DE TIEMPO D esde tiempos memorables el conocer el futuro siempre ha sido un suceso místico para la humanidad. su forma de existir. lo que obliga a las organizaciones a analizar con profundidad cómo se va modificando la Demanda a través del tiempo para definir la metodología que se ha de emplear para pronosticarla. es decir. 30 . el ser humano siempre ha intentando anticiparse a conocer aquellas situaciones que intervengan directamente con su entorno y que puedan afectar benéficamente o no. Por ejemplo. en las organizaciones el empleo del termino Demanda es tan común que muchas veces se olvida la importancia que tiene el conocer con exactitud de qué tipo se trata. en la medida en que ha ido perfeccionando dichas predicciones sus observaciones comienzan a ser estudiadas con mas profundidad. A este respecto ha intentado realizar predicciones de lo que pudiera surgir o de cómo se pudiera mover su entorno. Es claro que el desconocer en qué forma se comporta el medio evita el pronosticar correctamente. permitiéndole llegar a establecer un pronóstico. Dicha naturaleza del ser humano lo ha conducido a intentar conocer de qué manera pudiera influir la volatilidad del medio ambiente en sus negocios para una correcta toma de decisiones. A este respecto con el paso de los años el ser humano ha experimentado diversas formas de conocer el futuro que va desde consultar a los adivinos o videntes.

proyectando hacia el futuro datos del pasado. Pearson Prentice hall. diferentes a los simples datos provenientes del pasado. 1. para que de esta forma se logre un mejor entendimiento de lo qué nos referimos al hablar de pronóstico. 1991 pág.1 BASES DE LOS PRONÓSTICOS Para iniciar a hablar acerca de los pronósticos en los negocios. Por ejemplo. México. Ebert. Control de la producción y de Inventarios Principios y Técnicas. El pasado está fuera de control. ISBN 968-880-221-2. 1993 pág. 84 2 George W Ploss. estas consideraciones subjetivas no necesariamente deben combinarse de una manera predeterminada. Cabe mencionar que antes de 1970 el estudio de los procesos estocásticos en series de tiempo era demasiado complicado y poca gente lo dominaba. hasta que en 1970 Box-Jenkins publicaron un libro que significó el inicio de una nueva era en las aplicaciones de los modelos de series de tiempo. suponer o de otro modo estimar lo que va a pasar de hoy en adelante. Pronóstico Adam y Ebert1 proporcionan la siguiente definición: • El pronóstico es un proceso de estimación de un acontecimiento futuro. Administración de la producción y operaciones conceptos. México. las predicciones tienen propiedades óptimas y se obtienen intervalos de confianza para las predicciones. 2. La predicción es vital para efectuar una planeación adecuada. • La predicción es un proceso de estimación de un suceso futuro basándose en consideraciones subjetivas. modelos y funcionamiento ed. predicción y planeación. Adam. es necesario comenzar por la situación presente y prepararse para el futuro. Por otro lado Ploss2 comenta lo siguiente: la planeación y el control se relacionan básicamente con el futuro. Planear la producción de Televisores de una empresa mediante la predicción de las ventas de los próximos 6 meses. Box y Jenkins simplificaron considerablemente la metodología de Series de Tiempo. Prentice Hall. En el enfoque de Box-Jenkins se emplean modelos estadísticos para estimación de parámetros. Planear la compra de acciones de una cierta empresa mediante la predicción de su valor en los próximos 3 meses. empleada en las series de tiempo. ISBN 0-13-725144-0. 2. 69 1 31 . Para hacer esto es necesario hacer conjeturas. y actualmente muchos más especialistas de diferentes áreas usan apropiadamente esta metodología. Los datos del pasado se combinan sistemáticamente en forma predeterminada para hacer una estimación del futuro. es necesario contar con una definición que nos apoye a limitar y clarificar el significado que esta palabra posee.Pronósticos y series de tiempo El tema central del capítulo será la metodología Box-Jenkins.

Así. las conjeturas académicas son más valiosas que las no académicas. Hanke. la necesidad de hacer pronósticos cruza todas las líneas funcionales lo mismo que todo tipo de organizaciones. Estos factores se combinaron para crear un clima organizacional que es más complejo. pero esta necesidad no sólo se centra en el punto de observar la importancia que tiene el combinar la intuición con la técnica. las utilizan de manera adecuada. de tal forma que en la actualidad es casi impensable que existan compañías que no realicen algún tipo de pronósticos. tanto en organizaciones gubernamentales y de búsqueda de ganancias. están condenadas a la extinción. casi cualquier organización. en los últimos años se ha incrementado la confianza en las técnicas que abarcan una compleja manipulación de datos.Capítulo 2 2. Arthur G. ISBN 968-880-681-1. 1993 pág 70 4 3 32 . Ponosticos en los Negocios. Además. Para los gerentes de organizaciones. ISBN 0-13-725144-0. la competencia se hizo más cerrada en muchas áreas. todas las organizaciones operan en una atmósfera de incertidumbre y a pesar de este hecho. 1996 pág 1-3 George W Ploss. utiliza el pronóstico ya sea explícito o implícito. ¿Quién requiere hacer pronósticos?. Una nueva tecnología y nuevas disciplinas aparecieron de la noche a la mañana. Prentice Hall. con una dinámica más rápida y más competitiva que nunca. en casi todas las industrias se implantó el comercio internacional. Para tal efecto. comercialización. Reitsch. debido a que casi todas las organizaciones deben planear cómo enfrentar las condiciones futuras de las que tiene un conocimiento imperfecto. pública y privada. la actividad gubernamental se intensificó en todos los niveles. se deben tomar decisiones que afectan el futuro de la organización. para Ploss4. como en pequeños clubes sociales y en los partidos políticos nacionales. quienes toman decisiones lo harán mejor si a partir de la comprensión de las técnicas de pronóstico. De tal forma que las organizaciones que no puedan reaccionar con rapidez a las condiciones cambiantes y prever el futuro con algún grado de precisión.1. constantemente ha existido la necesidad de hacer pronósticos. personal y de producción. crecieron y se crearon nuevas agencias de ayuda y servicios. en vez de que se vean forzados a planear el futuro sin el beneficio de esta valiosa información complementaria. los diferentes tipos de pronósticos que se pueden realizar en una empresa se resumen de la siguiente forma: John E. México. Control de la producción y de Inventarios Principios y Técnicas. Prentice Hall.1 IMPORTANCIA DE LOS PRONÓSTICOS Para Hanke y Reitsch 3. Se requiere hacer pronósticos en las áreas de finanzas. Es claro el hecho de que el pronosticar abarca casi todas las funciones de la empresa. México. Debido a que siempre ha sido cambiante el mundo en el que operan las organizaciones. grande y pequeña.

Ventas para el trimestre de productos siguiente 6. Los pronósticos a largo plazo son necesarios para establecer el curso general de la organización para un largo periodo. se deben clasificar los procedimientos de pronóstico de largo o corto plazos. la clasificación presentada por Hanke y Reistch5 agrupa de una manera sencilla a la mayoría de ellas. Los pronósticos a corto plazo se utilizan para diseñar estrategias inmediatas y que usan los administradores de rango medio y de primera línea para enfrentar las necesidades del futuro inmediato.2 TIPOS DE PRONÓSTICOS Los autores más reconocidos establecen diversas clasificaciones de los tipos de pronósticos. es decir. de ahí que se conviertan en el enfoque particular de la alta dirección. Prentice Hall. Producción total 3. También se podría clasificar a los pronósticos en términos de su posición en el entorno micro-macro. Primeramente. componentes individuales fabricados y comprados Control de material: programas de semana de productos montaje y prioridades de despacho individuales 5. Ventas del próximo año de productos individuales Requerido por Comercialización: determinar el crecimiento potencial total del mercado Fabricación: programa de expansión de requerida los próximos la planta cinco años Fabricación: presupuesto de capital del siguiente año Ventas: cuotas Finanzas: presupuestos de gastos familias Fabricación: capacidades de trabajador y de máquina Control del material: requerimientos estaciónales de inventario y pedidos de compra abiertos Control de material: capacidades del trimestre de productos centros de trabajo. ISBN 0-13-725144-0 2. Ventas para la próxima semana de productos Tabla 2. los diferentes 33 .Pronósticos y series de tiempo Pronóstico 1. México. sin embargo. según el grado en que intervienen pequeños detalles contra grandes valores resumidos. el gerente de una planta pudiera estar interesado en pronosticar el número de trabajadores que requerirá en los próximos meses (un micropronóstico).1 Tipos de Pronósticos y sus Aplicaciones Fuente: George W Ploss. Formaciones de familias 2. Por ejemplo. mientras que el gobierno federal está pronosticando el número total de personas empleadas en toda la nación (un macro-pronóstico). 1993 Control de la producción y de Inventarios Principios y Técnicas. De nuevo. Cantidad de horas (por tipo) requeridas próximos dos años 4.

2. 2000. ISB 968-18-4879-9 7 Schroeder. los cambios en esas tendencias y la magnitud del cambio futuro. una técnica puramente cualitativa es aquella que no requiere de una abierta manipulación de datos.1 PRONÓSTICOS CUALITATIVOS Makridakis6 llama a los pronósticos cualitativos como discrecionales y menciona que éstos están basados en la observación de las tendencias existentes. México. México..2. En uno de los extremos. incluso aquí. en tanto que los vendedores individuales estarían mucho más interesados en pronosticar su propio volumen de ventas. Wheelwright. S. En el otro extremo. ciertos procesos cuantitativos requieren de una manipulación de datos mucho más compleja que otros.Capítulo 2 niveles de administración en una organización tienden a enfocar diferentes niveles del entorno micro-macro. 1996 Makridakis.2 se describen los métodos cualitativos más conocidos y algunas de las características de cada uno de ellos. Pronósticos en los Negocios. 1996 Administración de operaciones. también están sujetas a cierto número de deficiencias. ISBN 968-880-681-1. ISBN 970-10-0088-9 34 . McGraw Hill. R. sólo utiliza el “juicio” de quien pronostica. México. Limusa. se podrá apreciar que los métodos cualitativos casi siempre se utilizan para pronósticos a mediano y largo plazo que involucren situaciones como diseño del proceso o capacidad de las instalaciones 5 6 John E. Por supuesto. En la tabla 2. Hanke. el “juicio” del pronosticador es en realidad el resultado de la manipulación mental de datos históricos pasados. la alta dirección estaría interesada en pronosticar las ventas de toda la compañía. Prentice Hall. Y su ventaja es poder identificar el cambio sistemático con más rapidez e interpretar mejor el efecto de dicho cambio en el futuro. Los procedimientos de pronóstico pueden clasificarse de acuerdo con su tendencia a ser más cuantitativos o cualitativos. Así. Arthur G. son procedimientos mecánicos que producen resultados cuantitativos. S. Existen diversos métodos para efectuar los pronósticos discrecionales.. Reitsch. toma de decisiones en la función de operaciones. las técnicas puramente cuantitativas no requieren de elementos de juicio. Métodos de Pronósticos.. Desde luego. Schroeder7 proporciona una clasificación de éstos.

. México. De grupos de productos importantes o de productos individuales. ISBN 970-10-0088-9 35 . Pronóstico que puede hacer un grupo o un individuo basándose en sus experiencias. Las respuestas anónimas del grupo retroalimentan en cada ronda a todos los participantes. intuición o hechos relacionados con la situación.Pronósticos y series de tiempo Métodos cualitativos Descripción del método Pronóstico desarrollado mediante un grupo de expertos que responden preguntas en rondas sucesivas. corto mediano largo Identificación del punto de retomo Costo relativo 1. Estudios de mercado Pronósticos de las ventas totales de la compañía. Mala a regular Mala a regular Mala a regular Mala a regular Bajo 4. Aprovecha la curva de crecimiento de las ventas en forma de S. Muy buena Buena Regular Regular a buena Alto 3. Se pueden usar entre tres y seis rondas para lograr un consenso sobre el pronóstico.2 Métodos Cualitativos de pronósticos Fuente: Schroeder. Juicio informado Tabla 2. Predicción basada en la fase de introducción. Grupos. No se usa un método riguroso. Pronósticos tecnológicos para evaluar cuándo pueden presentarse los cambios tecnológicos. Delphi Regular a muy buena Regular a muy buena Regular a muy buena Regular a buena Medio a alto 2. crecimiento y saturación de productos similares. Pronósticos de ventas a largo plazo para planeación de capacidad o instalaciones. pruebas de mercado o estudios que se usan para obtener datos sobre las condiciones del mercado. cuestionarios. toma de decisiones en la función de operaciones. Exactitud (en un plazo) Usos Pronósticos de ventas a largo plazo para planeación de capacidad o instalaciones. R. Analogía de los ciclos de vida Mala Regular a buena Regular a buena Mala a regular Medio Pronósticos de ventas totales y de productos individuales. 1996 Administración de operaciones. McGraw Hill.

McGraw Hill. Las técnicas estadísticas de pronóstico emplean básicamente dos enfoques. El segundo enfoque se asocia con las metodologías de modelos econométricos de series de tiempo y de Box-Jenkins. Los fundamentos teóricos se basan principalmente en conceptos estadísticos y no se supone que los datos estén representados por componentes separados.Capítulo 2 2. Schroeder8 identifica cómo se clasifican estos tipos de pronósticos de una manera bastante útil y sencilla. descomposición de series de tiempo. Las técnicas cuantitativas se clasifican frecuentemente en dos categorías: estadísticas y determinísticas o causales.. Administración de operaciones. además proporciona algunas descripciones breves de cada uno de los métodos y donde son usados. R.2. estacionalidad e irregularidad. toma de decisiones en la función de operaciones. ciclo. Uno está basado en la suposición de que los datos se puedan descomponer en componentes como tendencia. proyecciones de tendencia y la metodología Box-Jenkins.2 PRONÓSTICOS CUANTITATIVOS Todas las técnicas cuantitativas se apoyan en la suposición de que el pasado pueda extenderse hacia el futuro de manera significativa para proporcionar pronósticos precisos. como los promedios móviles y la atenuación exponencial. ISBN 970-10-0088-9. cambios en los patrones y perturbaciones causadas por influencias aleatorias. indicadores básicos y modelos econométricos. En estas técnicas se incluyen los modelos de regresión y regresión múltiple. mediante las siguientes tablas. Las técnicas determinísticas (causales) comprenden la identificación y determinación de relaciones entre la variable por pronosticar y otras variables de influencia. Las técnicas estadísticas se enfocan completamente en patrones. 1996 36 . México. 8 Schroeder. Se realiza una predicción mediante la combinación de las proyecciones de cada uno de estos componentes individuales.

Promedio móvil El pronóstico se basa en un promedio aritmético ponderado de un número de puntos de datos del pasado.3 Métodos por Series de Tiempo para pronósticos Fuente: Schroeder. 1996 Administración de operaciones. polinomios. Bien adaptado para usarse con computadoras y cuando es necesario pronosticar un gran número de artículos. ISBN 970-10-0088-9 37 . Regular Muy buena a buena Muy mala Mala Bajo a medio 4. Un modelo lineal o no lineal ajustado con los datos de series de tiempo. McGraw Hill. Modelos matemáticos Igual que el promedio móvil pero con limitaciones debido al costo y a su uso con pocos productos. Se necesitan aproximadamente 60 puntos de datos del pasado. Planeación de corto a mediano plazo para inventarios. Incluye las líneas de tendencias. R. Muy buena a excelente Regular a Muy mala buena Mala Medio a alto Tabla 2. Igual que el promedio Móvil Regular a muy buena Mala a Muy mala buena Mala Medio 3. etcétera. normalmente mediante regresión. toma de decisiones en la función de operaciones. niveles de producción y programación. series de Fouríer.Pronósticos y series de tiempo Métodos por series de tiempo Exactitud (en un plazo) Descripción del método Usos corto mediano largo Identificación del punto de retomo Costo relativo 1. Limitado debido al costo de los productos que requieren de pronósticos muy exactos a corto plazo. Mala a muy buena Mala Muy mala Mala Bajo 2. Box-Jenkíns Métodos de autocorrelación que se usan para identificar las series de tiempo subyacentes y para ajustar él 'mejor" modelo.. logaritmos lineales. Suavización exponencial Similar al promedio móvil y da un mayor peso exponencial a los datos más recientes. México. Es bueno cuando hay muchos productos.

R. Pronóstico de ventas por clases de producto para planeación a corto y mediano plazo. Refleja los efectos del canal de distribución.. Regresión Buena a muy buena Buena a muy buena Mala Muy buena Medio 2.Capítulo 2 Métodos causales Exactitud (en un plazo) Descripción del método Usos corto Este método relaciona la demanda con otras variables externas o internas que tienden a cambiar la demanda. Box-Jenkins Pronósticos de las ventas de toda la compañía por grupos importantes de productos. mediano largo Identificación del punto de retomo Costo relativo 1. Simulación del sistema de distribución para describir los cambios en las ventas y flujos del producto en el tiempo. Modelo econométrico Muy buena a excelente Muy buena Buena Excelente Alto 3.4 Métodos Causales de Pronósticos Fuente: Schroeder. Planeación a corto y mediano plazo para producción agregada o inventarios que involucren a pocos productos. Un sistema de ecuaciones de regresión independientes que describe algún sector de la economía o actividad lucrativa. Modelo de insumo Pronósticos de ventas de toda la compañia o de todo el país por sector económico. toma de decisiones en la función de operaciones. México. ISBN 970-10-0088-9 38 . Muy buena Buena a muy buena Buena Buena Alto Tabla 2. No disponible Buena a muy buena Buena a muy buena Regular Muy alto 4. Útil cuando hay estrechas relaciones de causa y efecto. Un método para pronosticar que describe el flujo de un sector de la economía a otro para predecir los insumos que se necesitan para producir los productos que requiere otro sector. McGraw Hill. 1996 Administración de operaciones. Este método de regresión utiliza los mínimos cuadrados para obtener un mejor ajuste entre las variables.

z 2 . X 2 . x N será visualizada como una realización de las variables aleatorias X 1 . se dice que Z t = Z t −1 + U t . X 2 . z 2 . z N se modela con una densidad conjunta f ( z1 .3 CONCEPTOS BÁSICOS DE SERIES DE TIEMPO ESTACIONARIAS Con frecuencia se realizan observaciones de datos a través del tiempo. U t tienen cierta distribución. La siguiente idea es de fundamental importancia conceptual para la interpretación de un modelo ajustado a una serie de tiempo. A este tipo de modelo f ( z1 . K . Por ejemplo. K . K . sino que en lugar de esto se expresa el mecanismo aleatorio que genera a f ( z1 . 3. proceso estocástico es una colección de variables aleatorias • La media del proceso E ( X t ) = mt . z 2 . K . Donde. ya que se hace referencia a los procesos estocásticos.Pronósticos y series de tiempo 2. z N ) . “La serie de tiempo x1 . registrados u observados sobre incrementos sucesivos de tiempo se denomina serie de tiempo. x N ) ” Como se puede apreciar el modelo teórico tiene una gran cantidad de variables. pero en la práctica no es necesario verlas todas. Definiciones 1 • Un {X 1 . z 2 . X 3 K}. x 2 . 39 . 2. X N con función de densidad conjunta f ( x1 . z N ) . K . Notas 1. z N ) . K . cualquier variable que conste de datos reunidos. t = 1. En el análisis de series de tiempo rara vez (por no decir nunca) se expresa al modelo en forma de densidad conjunta f ( z1 . 2. x 2 . z N ) se le llama un proceso estocástico porque las observaciones son generadas de acuerdo a una ley probabilística. Observamos que la serie de tiempo z1 . K . K . z 2 . K .

Z t 2 . Es decir. es aquel que cumple con las siguientes 3 propiedades. X s ) . Los modelos o procesos estocásticos estacionarios son de gran importancia en el análisis de series de tiempo. t 2 . z t2 + k . con m y k cualesquiera enteros. es decir cumple la propiedad de homoscedasticidad. … y k el tiempo en el que vamos a verificar en el futuro. su comportamiento estadístico no cambia a través del 40 . la longitud puede ser m = 1 año. Z t2 + k . • La correlación del proceso ρ = corr ( X t . Z tm es igual a la densidad conjunta de Z t1 + k .K. Z tm + k para toda k y m. orden. X s ) = γ (t . ] [ ] La propiedad de estacionaridad significa que el proceso está en un estado de equilibrio estadístico. 2 años. la misma media para todas las variables. Definición 2 Un proceso estocástico estacionario de 2do. es decir. la función de densidad conjunta de Z t1 .K. • La covarianza del proceso cov( X t .Capítulo 2 • La varianza del proceso var( X t ) = σ t2 . varianzas homogéneas. b) σ t2 = σ 2 para toda t. Definición 3 tiempos {t1 . se tiene que Un proceso estocástico Z1 . Z t2 + k .K. z tm + k ) . no necesariamente continuos. X s ) = f ( s − t ) . z tm ) = f ( z t1 + k . z t2 . Z tm + k . s ) .K. esto indica que la covarianza entre dos variables sólo depende de la distancia que las separa. (función que depende sólo del tiempo entre las variables). En donde. En distribución se cumple: [Z t1 . Z tm ~ Z t1 + k . Z 2 .K. t m } . Z t2 .K es estacionario si para cualquier conjunto de f ( z t1 . c) cov( X t . a) mt = m para toda t. K .K.

Para evitar esfuerzos inútiles. var( Z t ) = s Z = ∑ ( zi − z ) 2 . no puede haber picos extremos. En donde. 2.Pronósticos y series de tiempo tiempo. A continuación se muestra un ejemplo gráfico de una realización de un proceso estocástico estacionario. Fuente: Elaboración propia Así. la propiedad de estacionariedad indica que f Zt ( x) = f Zt + k ( x) para toda k. 2. o sea que la densidad de Z t es la 1 1 misma para toda t = 1. registran u observan sobre incrementos sucesivos de tiempo. Así. Por ejemplo. que E ( Z t ) = µ y var( Z t ) = σ 2 para toda t. se cumple para toda m y k. T i =1 T − 1 i =1 Como se trata de una realización de un proceso estocástico estacionario. La descomposición 41 . K (marginales). cuando m = 1 . todos deben estar en un intervalo alrededor de la media σ E(Z t ) = µ σ Gráfica 2.1 Muestra una serie de tiempo estacionaria. una tentación inmediata consiste en intentar explicar o contabilizar el comportamiento de las series. se puede decir que una serie de tiempo consta de datos que se reúnen.3. la varianza es constante y por lo tanto. los estimadores para el valor esperado y la varianza son: ∧ 1 T 1 T 2 ˆ E ( Z t ) = z = ∑ z i . lo que se necesita es un enfoque sistemático para analizar las series.1 COMPONENTES DE UNA SERIE DE TIEMPO En el análisis de series de tiempo de datos. es decir.

febrero. La mayoría de los componentes irregulares se conforman de variabilidad aleatoria. la inflación de precios. La tendencia de una serie de tiempo es el componente a largo plazo que representa el crecimiento o disminución en la serie sobre un periodo amplio. Una forma útil de enfocar la identificación de patrones pasados y de su extrapolación al futuro es tratarlos como si comprendieran cuatro elementos: estacionalidad. ciclicidad y aleatoriedad de manera eficiente y razonablemente objetiva. tres o más años. a los que comúnmente se hace referencia como el ciclo de los negocios. conflictos armados o la aprobación de asuntos legislativos. estacionalidad e irregularidad. Las fuerzas básicas que ayudan a explicar la tendencia de una serie son el crecimiento de la población. Una de las más grandes ventajas de los métodos cuantitativos es la facilidad que se tiene para identificar los elementos de estacionalidad. tendencia y ciclicidad. como el Producto Nacional Bruto (PNB). el empleo y la producción industrial están dominadas por una fuerte tendencia. afectada (regularmente). el componente estacional mide la variabilidad de las series cada enero. etc. uno para cada trimestre. ciertos sucesos a veces impredecibles como huelgas. El componente aleatorio mide la variabilidad de las series de tiempo después de que se retiran los otros componentes. Contabiliza la variabilidad aleatoria en una serie de tiempo ocasionada por factores imprevistos y no recurrentes. La variación estacional puede reflejar condiciones de clima. En el caso de las series mensuales. cada uno de los tres primeros elementos: estacionalidad. Subsecuentemente. En las series trimestrales hay cuatro elementos estaciónales. pueden causar irregularidades en una variable. El componente estacional se refiere a un patrón de cambio que se repite año tras año. ciclo. pueden extrapolarse para preparar 42 . Es común que las fluctuaciones cíclicas estén influidas por cambios de expansión y contracción económica. por las condiciones económicas generales. El componente cíclico es la fluctuación en forma de onda alrededor de la tendencia. tendencia. inundaciones o terremotos). elecciones. cambios de clima (sequías. el cambio tecnológico y los incrementos en productividad. tendencia. días festivos o la longitud de los meses del calendario. Una predicción se hace mediante la combinación de las proyecciones de cada componente individual. Sin embargo.Capítulo 2 clásica es un método que se basa en la suposición de que se puedan descomponer en componentes como tendencia. Muchas variables macroeconómicas. ciclicidad y aleatoriedad. Los patrones cíclicos tienden a repetirse en los datos aproximadamente cada dos.

• Tendencia: Las tendencias son movimientos de largo plazo en una serie histórica que se pueden describir mediante una línea recta o curva. Mucha gente de negocios y economistas siguen sistemáticamente el 43 . En otras palabras. cambios de precios. presente y futuro se debe reevaluar continuamente. La gran multitud de factores causales en el trabajo tiende a cambiar constantemente. • Variación ciclica: El componente cíclico es la fluctuación en forma de onda o ciclo de más de ocho meses de duración.3. sólo es relevante hasta el grado en que las condiciones causales que estuvieron en efecto anteriormente. Este procedimiento de identificación se denomina descomposición. ya que a la fecha no se ha encontrado un enfoque satisfactorio de probabilidad para dicho análisis. Las fuerzas básicas que producen o afectan la tendencia de una serie son: cambios en la población. pero una vez que ha sido aislada. incrementos en la productividad y ciclos de vida de los productos. debida a condiciones económicas cambiantes. Por definición. se mantengan constantes. su magnitud se puede estimar y utilizar para determinar el alcance de la probable variación entre los resultados reales y pronosticados. Un indicador empresarial es una serie histórica relacionada con los negocios que se usa para ayudar a evaluar el estado general de la economía. Una forma de investigar los patrones cíclicos es a través del estudio de indicadores empresariales.Pronósticos y series de tiempo pronósticos más exactos. la aleatoriedad ayuda a determinar el alcance de la incertidumbre en las predicciones. las consideraciones subjetivas son en extremo importantes. Aunque las consideraciones subjetivas serían necesarias en la formulación de pronósticos. variaciones cíclicas. En el análisis de series de tiempo. cambios tecnológicos.2 DESCOMPOSICIÓN DE LAS SERIES DE TIEMPO Un enfoque al análisis de series de tiempo comprende un intento de identificar los factores que ejercen influencia sobre cada uno de los valores periódicos de una serie. en particular con referencia al ciclo de los negocios. la aleatoriedad no puede pronosticarse. 2. variaciones estacionales y fluctuaciones irregulares. así que la conexión entre pasado. Cada componente se identifica por separado de tal manera que la serie histórica pueda proyectarse al futuro y utilizarse en pronósticos tanto de corto como de largo plazo. Siempre que se examina el pasado en busca de pistas con respecto al futuro. incluso si hubiera disponible un enfoque de probabilidad adaptable al análisis de series de tiempo. Los cuatro componentes que se encuentran en una serie histórica son: tendencia.

3. relativamente objetiva y capaz de ser leída y entendida en el menor tiempo posible. 1.Capítulo 2 movimiento de tales series estadísticas para obtener su información en la forma de una imagen que se desdobla.3. La metodología de Box-Jenkins permite al analista seleccionar el modelo que mejor se ajuste a sus datos. Mientras que la tendencia se determina en forma directa a partir de los datos disponibles. MA y ARMA. así como el de los procesos estacionarios AR.3 MODELOS ARMA Los modelos ARMA o modelos de promedio móvil autorregresivo son un tipo general de los modelos de Box-Jenkins para series de tiempo estacionarias. Este grupo incluye a los modelos AR sólo con términos autorregresivos. revisaremos una notación que tiene gran uso en la literatura de series de tiempo y que lleva el nombre de Notación backshift (operador de retrazo). Por ejemplo. los modelos MA sólo con términos de promedio móvil y los modelos ARMA que comprenden tanto términos autorregresivos como de promedio móvil. 2. los planes de comercialización deben tener en cuenta los patrones estacionales esperados en las compras del consumidor. Mientras que la tendencia se determina mediante una ecuación o líneas de mejor ajuste. 2.1 NOTACIÓN BACKSHIFT Para simplificar su estudio. Definición 4 El operador de retraso. • Variacion Estacional: El análisis del componente estacional de una serie histórica tiene implicaciones más inmediatas de corto plazo y es de gran importancia para los niveles medio e inferior de la administración. de modo que al final sólo quede el estacional. 44 . 2. que sea comprensible. La identificación del comportamiento estacional en una serie histórica difiere del análisis de tendencia en por lo menos dos formas. de un proceso estocástico {Z t } está dado por B ( Z t ) = Z t −1 .3. denotado por B. el componente estacional se determina eliminando los otros componentes. que esté actualizada. se debe calcular un valor estacional por separado para cada mes (o trimestre) del año.

Así. σ 2 ) . B 2 ( Z t ) = B( Z t −1 ) = Z t − 2 . MA y ARMA. φ i son los parámetros y U t son variables aleatorias independientes (0. de un proceso estocástico {Z t } está dado por I ( Z t ) = Z t .Pronósticos y series de tiempo Así. para k∈N . I 2 ( Z t ) = I ( Z t ) = Z t . 2. En donde. En donde. θ i son los parámetros y U t son variables aleatorias independientes (0. 1. OPERADOR AR(p) Un proceso estocástico {Z t } es llamado autoregresivo de orden p. c. Con estos operadores se pueden representar los modelos para procesos estacionarios AR. MA(q). no la afecta B k (c) = c . AR(p). 45 . y en general I k ( Z t ) = Z t . cuando se aplica a una constante. denotado por I. Definición 5 El operador identidad. Denotando el operador Θ q ( B ) = I − θ1 B − θ 2 B 2 − L − θ q B q . σ 2 ) . δ es la media del proceso. y en general B k ( Z t ) = Z t − k . OPERADOR MA(q) Un proceso estocástico {Z t } es llamado de promedios móviles de orden q. Resulta que el AR(q) se puede representar por Φ p ( B ) Z t = δ + U t . sí Z t − φ1 Z t −1 − φ 2 Z t − 2 − L − φ p Z t − p = δ + U t . sí Z t = µ + U t − θ1U t −1 − θ 2U t − 2 − L − θ qU t − q . para k ∈ N . µ es la media del proceso. Denotando al operador Φ p ( B ) = I − φ1 B − φ 2 B 2 − L − φ p B p . Por otro lado.

Cuya gráfica se muestra a continuación. Los modelos de promedio móvil (MA) proporcionan pronósticos de Z t con base en una combinación lineal de errores anteriores. Los modelos estacionarios se caracterizaron porque los datos estaban distribuidos alrededor de la media. 3.4 CONCEPTOS BÁSICOS DE SERIES DE TIEMPO NO ESTACIONARIAS Hasta el momento se han estudiado los procesos estacionarios mediante las familias de modelos puros MA(q) y AR(p) y una combinación de ellos. supóngase que se tienen los precios de la acción AT&T durante 52 intervalos. σ 2 ) . θ i y φ i son los parámetros y U t son variables aleatorias independientes (0.Capítulo 2 Resulta que el MA(q) se puede representar por Z t = µ + Θ q ( B )U t . OPERADOR ARMA(p. sí Z t − φ1 Z t −1 − φ 2 Z t − 2 − L − φ p Z t − p = µ + U t − θ1U t −1 − θ 2U t − 2 − L − θ qU t −q Φ p ( B) Z t = µ + Θ q ( B)U t . mientras que los modelos autorregresivos (AR) expresan Z t como una función lineal de cierto número de valores anteriores reales de Z t . q). ARMA(p. obviamente surge la pregunta ¿Qué pasa cuando los datos no se encuentran distribuidos alrededor de la media? Por ejemplo. q). q. los ARMA(p. 2. con cierta varianza constante. q) Un proceso estocástico {Z t } es llamado autoregresivo de promedios móviles de orden p. µ es la media del proceso. En donde. 46 .

A los procesos transformados. etc.796 10 13 16 19 22 25 28 31 34 37 40 43 46 49 52 Gráfica 2. o combinaciones de ellas para obtener un proceso estacionario y poder aplicar los modelos puros MA o AR o las combinadas ARMA. los datos no son estacionarios y por consiguiente no se podrían aplicar los modelos ARMA.2. les llamaremos ARIMA. Veremos que en estas situaciones se tienen que hacer algunas transformaciones basadas en las diferencias. Definición 6 El operador diferencia.2 Muestra los datos de las acciones de la empresa AT&T Fuente: Elaboración propia Como se puede apreciar en la Gráfica 2. Notas De las definiciones anteriores resultan las siguientes relaciones • ∇( Z t ) = I ( Z t ) − B ( Z t ) = ( I − B )( Z t ) diferencia de primer orden. o una transformación logarítmica o de Box-Cox. denotado por ∇ .Pronósticos y series de tiempo 65 64 63 62 61 60 59 58 57 56 55 54 53 52 51 50 1 4 7 Media 57. estos son los modelos más utilizados en el caso de no estacionalidad. procesos autorregresivos de promedio móviles integrados. de un proceso estocástico {Z t } está dado por ∇( Z t ) = Z t − Z t −1 . 47 . que obtendremos con las diferencias.

Así. cuya parte homogénea se representa en los rectángulos. q. d. θ i y φ i son los parámetros y U t son variables aleatorias independientes (0. d. µ es la media del proceso. a estas series se les llama homogéneas no-estacionarias. q) Un proceso estocástico {Z t } es llamado autoregresivo de promedios móviles integrados de orden p. ∇ d ( Z t ) = ( I − B) d ( Z t ) . existen series de tiempo tales que en el ámbito local o posiblemente nivel y tendencia local una parte de la serie se comporta en forma muy parecida a las otras partes de la serie. d. d. Así. OPERADOR ARIMA(p.Capítulo 2 • ∇ k ( Z t ) = ( I − B) k ( Z t ) . En donde. Véanse 3 ejemplos de series homogéneas no estacionarias. Generalmente.1 MODELOS LINEALES NO ESTACIONARIOS Muchas series de tiempo encontradas en la práctica se comportan no-estacionariamente en el sentido de que no tienen media fija.4. 48 . después de las transformaciones se trabaja cuando µ = 0 . diferencia de orden k. σ 2 ) . Con estos operadores se pueden representar los modelos para procesos no estacionarios ARIMA. de tal forma que un modelo ARIMA(p. 2. q). Por otra parte. sí Φ p ( B )∇ d ( Z t ) = µ + Θ q ( B )U t . ARIMA(p. q) de orden d estará dado por: Φ p ( B )∇ d ( Z t ) = Θ q ( B )U t .

3.4 Muestra los datos de partes disponibles. Fuente: Elaboración propia 90 89 88 87 86 85 84 83 82 81 80 79 78 77 76 75 1 4 7 10 13 16 19 22 25 28 31 34 37 40 43 46 49 52 55 58 61 64 67 70 73 76 79 82 85 88 Gráfica 2.Pronósticos y series de tiempo 65 64 63 62 61 60 59 58 57 56 55 54 53 52 51 50 1 4 7 10 13 16 19 22 25 28 31 34 37 40 43 46 49 52 Gráfica 2. Fuente: Elaboración propia 49 . Muestra los datos de las acciones de la empresa AT&T.

5 Muestra los datos de préstamos en bienes raíces. Entre las técnicas más utilizadas para estacionarizar tenemos.Capítulo 2 86 82 78 74 70 66 62 58 54 50 46 1 4 7 10 13 16 19 22 25 28 31 34 37 40 43 46 49 52 55 58 61 64 67 70 Gráfica 2. 2. • Diferencias.4. bajo alguna transformación. La primera transformación que se debe intentar resulta de trabajar con las diferencias de la serie. Fuente: Elaboración propia ¿Para qué estudiar los modelos ARMA en lugar de los ARIMA? La respuesta es sencilla. Esta transformación estabiliza la varianza y de esta forma se puede proceder a las diferencias. La transformación se hace por medio de 50 . lo primero que se debe hacer es buscar una transformación que la haga estacionaria. • Transformación Box-Cox (1964). puesto que sus diferencias sucesivas serán estacionarias. Esta transformación es apropiada cuando la serie representa un comportamiento homogéneo no-estacionario. los modelos ARMA se pueden construir fácilmente y tienen un soporte teórico probabilístico bien fundamentado.2 TRANSFORMACIÓN DE MODELOS LINEALES NO ESTACIONARIOS A ESTACIONARIOS Cuando una serie de tiempo no es estacionaria. por otro lado los modelos ARIMA se pueden transformar en modelos ARMA.

Z 1+ r ) = E{(Z1 − E ( Z 1 ) )(Z 1+ r − E ( Z 1+ r ) )}. 2.K. 2 2 γ ( 0) σ Z1σ Z1 • A ρ (r ) .1 ESTIMACIÓN DE LA FUNCIÓN DE AUTOCORRELACIÓN Sea z1 . la transformación es prácticamente un arte y no se tienen reglas generales para llevarla a cabo. • ρ ( 0) = 1 • ρ (r ) efectivamente es una función ya que da un valor para cada r. y se define γ (r ) = cov(Z t . zT una serie de tiempo. • A la gráfica de la función de autocorrelación se le llama correlograma. también se le conoce como la FAC-función de autocorrelación del proceso. 2 { } Sea un proceso estacionario de 2do.Pronósticos y series de tiempo U tλ − 1  U t ≥ 0. orden. orden. λ > 0  En general.5 FUNCIÓN DE AUTOCORRELACIÓN Sea un proceso estacionario de 2do. un estimador puntual de γ (r ) = cov(Z1 . para una buena transformación. y podemos decir que se trata de la FAC teórica. se denota a la función de autocorrelación de orden r como ρ (r ) . λ > 0 f λ (U t ) =  λ  ln(U t ) U t > 0. y se define ρ (r ) = Notas γ (r ) cov(Z1 . Z1+ r ) = E{(Z 1 − E ( Z1 ) )(Z1+ r − E ( Z 1+ r ) )}. Z1+ r ) = . Z 1 ) = E (Z 1 − E ( Z1 ) ) = var(Z1 ) = σ Z1 . se denota a la función de autocovarianza de orden r como γ (r ) . 2 En particular la varianza γ (0) = cov(Z1 . z 2 .5. Por ejemplo en la transformación de Box-Cox se debe saber elegir el valor del parámetro λ . • A la FAC también se le conoce como Autocorrelograma. 2. Z t + r ) = cov(Z1 . 51 .

c ( 0) j = 0. c ( 0) c ( 0) Posteriormente se trazan sus gráficas. y se estima a las correlaciones distintas de cero. Por ejemplo en el caso de r (1) y r (2) . Para un buen número de situaciones prácticas γ (k ) = 0 para toda k ≥ 4 . r = 1. 52 . es decir. se obtiene con ayuda de los datos el valor k 0 tal que γ (k ) = 0 para toda k > k 0 .K T t =1 De forma similar la función de autocorrelación estimada o muestral será ˆ ρ ( j) = c( j ) . 1. 1 T −1 1 T −2 ( z t − z )( z t +1 − z ) y c(2) = ∑ ( z t − z )( z t + 2 − z ) . Cuando se está en la etapa de identificación del modelo apropiado. 2. 2.Capítulo 2 Se obtiene de forma natural como c( r ) = 1 T −r ∑ ( zt − z )( zt +r − z ). ∑ T t =1 T t =1 ˆ ρ (1) = c(1) c ( 2) ˆ y ρ ( 2) = . las correspondencias respectivas son: z1 z2 z3 M zT − 2 zT −1 zT Cálculos z1 z2 z3 z1 z4 z2 y M M zT −1 zT − 2 zT zT −1 zT z1 z2 z3 z4 M zT c(1) = Luego. ˆ Así. a la gráfica de ρ ( j ) se le llama correlograma muestral. ˆ Para calcular c(r ) o ρ (r ) se recorren los valores de la serie y se hacen corresponder en los cálculos. K FAC muestral.

Esta característica de los procesos estacionarios de permitirnos identificarlos mediante las correlaciones ρ (k ) = γ (k ) . k = 1. k = 1. ya que siempre existe un componente irregular. k 0 . orden ARMA Fuente: Elaboración propia Resulta que los procesos ARMA generan a toda la clase de los procesos estocásticos de 2do. K . CI. k 0 . K . Procesos estocásticos Procesos estacionarios de 2do. ˆ σ2 Con base en estas correlaciones estimadas se selecciona del catálogo de modelos a aquel modelo cuyas correlaciones se aproximan más a las correlaciones estimadas. 2. 2. 53 .Pronósticos y series de tiempo ˆ ρ (k ) = c (k ) . Orden mediante aproximaciones. (fluctuaciones impredecibles de los datos) incluido en el patrón de una serie de tiempo. 2. Un esquema conceptual de los procesos estocásticos. σ2 Es la que los hace sumamente valiosos para utilizarlos como modelos de series de tiempo.6 MEDICIÓN DEL ERROR EN EL PRONÓSTICO Toda situación de predicción conlleva algún grado de incertidumbre.

también la precisión con que se estima a las componentes de tendencia. 54 . Si esto ocurre deberemos ajustar un nuevo modelo. Por lo que conviene examinar los errores de predicción sobre todo el periodo de tiempo de la serie. ∑ et2 Error cuadrado medio ECM = t =1 ˆ ∑ ( yt − yt ) 2 = t =1 n n . estacional y cíclica de la serie de tiempo. Para monitorear un modelo de predicción y así detectar cuando algo “anda mal”. entonces nuestra capacidad de predecir con precisión es limitada.1 CUANTIFICANDO ERRORES DE PREDICCIÓN El error de predicción es: error = (valor observado) − (valor predicho) ˆ et = y t − y t Es importante que el modelo de predicción se ajuste lo más posible al patrón de la serie de tiempo.Capítulo 2 Cuando la CI es pequeña.6. ∑ | et | Desviación absoluta promedio DAM = n t =1 n ˆ ∑ | yt − yt | = t =1 n n n n . estacional y cíclico nos permitirá predecir con precisión. contribuye a la magnitud del error de predicción. ¿La CI es la única fuente de error al predecir? La CI no es la única fuente de error al predecir. 2. la estimación de los patrones de tendencia. En la práctica las componentes de la serie no pueden estimarse de manera perfecta. 2. Para ayudarnos a seleccionar un modelo de predicción entre varios disponibles. entonces el error de predicción está compuesto por los efectos combinados de la CI y por el grado de precisión de la técnica de predicción de las componentes de la serie. El DAM (MAD) y ECM (MSE) se usan de dos maneras: 1. cuando la CI es sustancial. Sin embargo.

cíclicos o estacionales. ¿Por qué se requiere un pronóstico? ¿Quién utilizará el pronóstico? ¿Cuáles son las características de los datos disponibles? ¿Qué espacio de tiempo se pronosticará? ¿Cuáles son los requerimientos mínimos de datos? ¿Cuál es la precisión deseada? ¿Cuál será el costo del pronóstico? Para una buena selección de la técnica de pronóstico adecuada.Pronósticos y series de tiempo 2. Si se pueden reconocer patrones de tendencia. F.. cíclicos o estacionales. México D. A continuación se presentan algunas de las preguntas que se deben considerar antes de decidir sobre la técnica de pronóstico más adecuada para un problema en particular. 9 Diebold. Un factor principal que influye en la selección de una técnica de pronóstico consiste en la identificación y comprensión de patrones históricos en los datos. International Thomson Editores.F. Elementos de Pronósticos. Describir las capacidades y limitaciones de las técnicas de pronóstico potencialmente útiles. 1999 55 .. entonces se pueden seleccionar las técnicas con la capacidad de utilizar eficazmente estos patrones.7 SELECCIÓN DE UNA TÉCNICA DE PRONÓSTICOS. el pronosticador deberá poder hacer lo siguiente: • • • • Definir la naturaleza del problema de pronóstico.9 Un factor principal que influye en la selección de una técnica de pronóstico consiste en la identificación y comprensión de patrones históricos en los datos. entonces se pueden seleccionar las técnicas con la capacidad de utilizar eficazmente estos patrones. ISBN 968 7529 74 1. Si se pueden reconocer patrones de tendencia. Desarrollar algunos criterios predeterminados sobre los cuales se pueda tomar la decisión de la selección. Explicar la naturaleza de los datos bajo investigación.

según sea la respuesta a una serie de preguntas formuladas con el fin de conocer el comportamiento de los datos disponibles. Pues bien. durante en este capítulo se desarrolla la metodología a utilizar durante el trabajo para que apoyados en ésta. y cuál es el objetivo que se desea obtener de ellos al trasladarlos hacia el futuro.Capítulo 3 SELECCIÓN DEL MÉTODO DE PRONÓSTICO Y SU METODOLOGÍA D urante el capítulo dos se abordó de manera discreta la forma en que los diversos métodos de pronósticos se identifican y qué factores son aquellos a considerar para su correcta selección. obteniendo así la metodología adecuada ha ser utilizada en el cálculo del pronóstico de la demanda de la empresa. 56 . misma que será evaluada durante el capítulo 4. sea posible determinar y definir mediante una serie de consideraciones al modelo de pronósticos que mejor se adapte al problema de la demanda de una empresa de autopartes.

.Selección de la técnica de pronóstico..Comparación entre la metodología actual y la propuesta. Paso 6.Análisis de Pareto Paso 2. Por lo tanto.Selección del método de pronóstico y su metodología 3. la metodología propuesta está dedicada a la elección del mejor modelo de pronóstico y no a encontrar un modelo universal... por lo que es importante entender que con el método y los pasos resultantes de este trabajo llegaremos a la metodología para elegir el mejor modelo que nos ayude a pronosticar las demandas en la venta de autopartes. Paso 1...Análisis del patrón de datos mediante el correlograma. ya que esto es otro de los objetivos perseguidos en el presente trabajo. Además se podrá definir claramente cuáles de los productos ofrecidos por la empresa podrán colaborar a que la precisión del pronóstico calculado incremente su eficiencia. Es decir. 57 ..2 ANÁLISIS DE PARETO El primer paso a considerar en la metodología propuesta es el establecimiento de un análisis PARETO el que permitirá definir del portafolio de productos a aquellos que tengan mayor relevancia para la empresa. pero debemos estar conscientes que el modelo no será único para todas las situaciones dentro de la misma rama industrial. Paso 8. Paso 5.Análisis de autocorrelación Paso 4. a continuación se describirá la metodología sugerida para intentar dar solución a aquellos problemas que tengan que ver con el cálculo de la demanda de las organizaciones dedicadas a la producción de autopartes..1 METODOLOGÍA Para definir la metodología a emplear se debe considerar que cada serie de datos describe su propio comportamiento. los pasos a seguir se listan a continuación.Factores a considerar para elegir una técnica de pronóstico. 3. Paso 7.Descripción de la técnica seleccionada. Paso 3.Selección de un arreglo más preciso. ya que el tratamiento de los datos se debe realizar bajo diferentes factores.

ISBN 0-13-725144-0 1 Idem pág.00 6 N8 80.. al control de la calidad y a muchos otros problemas administrativos. al control de la producción.00 8 Tabla 3.Algunos clientes entregan la mayoría de sus pedidos a una compañía.800. Prentice Hall.450.00 7 N100 5.00 10 L16 240. este listado se muestra a continuación: ARTÍCULO USO INTERMEDIO COSTO UTILIZACIÓN DE $ DE PIEZAS UNITARIO EN $ ANUAL 40.00 9 L45 100. Cuando se aplica a los inventarios.000 0.05 5.00 CLASIFICACIÓN F11 5 F20 195.000 0.08 1.000.07 700. aproximadamente el 20 % de las diversas marcas de carros responde por el 80% de las ventas.Unos pocos artículos detienen la mayoría de los pedidos atrasados.14 280. luego multiplicar estos por los costos unitarios y finalmente. 1993 Control de la producción y de Inventarios Principios y Técnicas.00 2 L17 16.Capítulo 3 Para Plossl1.06 4. Fuente: Goerge W Plossl. 2.09 450..000 0.00 3 L51 2.000 0. es el principio de PARETO.000 0.800.00 1 F31 4. México.07 16. Según Plossl2.000 0.000 0.000 0.. iniciando por el valor más alto en unidades monetarias de uso anual.10 400.07 2. uno de los principios más eficaces en los negocios que puede aplicarse al control de los inventarios.000 0. 32 58 . Este concepto tiene una amplia aplicación en muchas otras actividades de control de fabricación: 1. el cual dice que una pequeña cantidad de artículos dentro del grupo responderá por la mayor parte del valor total. Alrededor del 20% de la gente de una nación tiene el 80% de la riqueza. Un ejemplo muy simplificado según de la forma de llevar a cabo un análisis ABC o de PARETO consiste primeramente en enlistar los artículos y sus usos anuales. 3.280.000 0. esta división es arbitraria muchas compañías hacen aún más divisiones.Unos pocos proveedores provocan la mayoría de los retrasos en la adquisición de los materiales comprados. este concepto se llama clasificación ABC.800.11 21. asignar un número para jerarquizar los artículos en orden.1 Usos anuales de los artículos.00 4 N91 10.

960.. De ahí la suposición de que las condiciones 2 3 Idem pág.00 38.00 16.000. 3.800.00 700.00 53. Prentice Hall. Fuente: Goerge W Plossl.00 50. Existen dos reglas a recordar sobre la propuesta ABC.Utilícese el esfuerzo de control para reducir el inventario de los artículos de mucho valor.00 4.6% 97.250.0% A A B B B C C C C C Tabla 3. ARTÍCULO UTILIZACIÓN DE $ ANUAL UTILIZACIÓN ACUMULATIVA ANUAL DE $ PORCENTAJE CLASE ACUMULATIVO F20 L16 L45 N8 F11 L17 N91 N100 F31 L51 21.Selección del método de pronóstico y su metodología En seguida.3 FACTORES A CONSIDERAR PARA ELEGIR UNA TÉCNICA DE PRONÓSTICO Existen diferentes factores que se deben considerar para elegir la técnica de pronóstico que más se adecue a los datos obtenidos. éstos deben estar disponibles cuando se requieran.280.5% 100. que los artículos A serán el primer 20% de los artículos.9% 80. El siguiente paso de este análisis se muestra en la siguiente tabla.00 21.280.00 43.Si tenemos muchos artículos de poco valor. 1993 Control de la producción y de Inventarios Principios y Técnicas.7% 99.2% 96.130. 1.250.830. México.00 53.450.00 39.800. Hanke Reitsch3 menciona lo siguiente: Todos los procedimientos formales de pronóstico comprenden la extensión de las experiencias del pasado al futuro incierto. en orden de jerarquía serían los artículos B y representarían el 30% del total de artículos.9% 98. 32 Idem pág.450.00 48. El restante 50% de los artículos serían designados artículos C.00 1.850.680.00 52. ISBN 0-13-725144-0 Si se decide en forma arbitraria. estos artículos se enlistan en orden jerarquizado con el uso anual acumulado más el porcentaje acumulado calculado. los siguientes tres.00 2.00 450.2% 89.00 5. 34 59 ...00 400.2 Análisis ABC para un grupo de artículos.00 280.00 53.0% 94.050. este grupo incluirá los primeros y segundos artículos.00 52.8% 70.800. 2.

Limusa. Wheelwright. Extrapolación del modelo (el pronóstico en sí). El paso 2 la reducción de datos con frecuencia es necesaria ya que en el proceso de pronóstico es posible tener muchos o muy pocos datos.Capítulo 3 que generaron los datos anteriores son indistinguibles de las condiciones futuras. 4. S. Makridakis4 sugiere que para la obtención de una técnica de pronóstico debe considerarse lo siguiente: • La precisión del pronóstico con el método seleccionado: ya que si bien este factor no requiere un amplio fundamento. El paso 1 sugiere la importancia de obtener los datos adecuados y asegurarse que son correctos. implica el ajustar los datos reunidos en un modelo de pronóstico que sea el adecuado para minimizar el error en el pronóstico. 2. México. Con frecuencia se debe establecer un balance entre un enfoque de pronóstico complejo que ofrezca ligeramente más precisión y un enfoque sencillo que sea fácil de entender. se puede agregar que en la medida que se modele una situación incierta hacia el futuro haciendo una buena selección de la técnica adecuada. El paso 3 la construcción del modelo.. Recopilación de datos.. Reducción o condensación de datos. 2000. Métodos de Pronósticos. Construcción del modelo. con excepción de aquellas variables reconocidas de manera explícita por el modelo de pronóstico. esto sin duda arrojará un mejor resultado. Por otra parte. S. los datos adecuados y que se seleccionó un modelo de pronóstico apropiado. 4 Makridakis. El paso 4 consiste en la extrapolación en sí del modelo de pronóstico. lo cual ocurre una vez que se recolectaron y tal vez redujeron. Algunos datos pueden no ser pertinentes al problema. 3. ISB 968-18-4879-9 60 . por lo que reducirían la precisión del pronóstico. La aceptación de que las técnicas de pronóstico funcionan sobre datos generados en sucesos históricos pasados conduce a la identificación de cuatro pasos en el proceso del pronóstico: 1.

por lo que debe analizarse si los datos presentan patrones que se repiten con el tiempo como tendencia o estacionalidad. la periodicidad del pronóstico otorgada. 61 . Los patrones de datos que incluyen componentes como tendencia. se tendría que anteponer aquél que ofrezca un alto grado de precisión. estacionalidad e irregularidad se pueden estudiar usando el enfoque del análisis de autocorrelación. Esta herramienta es el ANÁLISIS DE AUTOCORRELACIÓN. según se mostró con oportunidad durante el capítulo 2. para evitar crear ambigüedades a la hora de tomar una decisión sobre el método más conveniente. Sin embargo. • • 3. es necesario utilizar una herramienta que permita evaluar el comportamiento de la serie y que además considere a los elementos que la componen.Selección del método de pronóstico y su metodología • Análisis del patrón de datos: es importante tener en cuenta este factor. o aquellos que no se repiten en un intervalo fijo de tiempo y que se pueden considerar cíclicos causados por la propia dinámica de los negocios. podría afectar otros factores como el de la facilidad de la aplicación. y considerando los factores ya descritos para efectuar una buena elección del método. Facilidad de la aplicación: es probablemente el criterio que toma en cuenta aquellas consideraciones no cubiertas por los criterios previos. lo que nos dirige a considerar aquellos métodos con mayor grado de complejidad. Por lo tanto. ya que existen una gran variedad de métodos que pueden cubrir gran variedad de distintos patrones. estos factores son una consideración muy importante para selección de la técnica de pronóstico a utilizar. con el que es posible establecer un análisis del patrón de la serie de datos además de obtener el coeficiente de autocorrelación que sin duda permitirá identificar qué elementos de la serie se encuentran presentes en ésta. incluyendo entre otras cosas a la complejidad del método. el nivel de conocimiento requerido para su aplicación y los conceptos básicos y la facilidad que podrán ser entregadas al usuario final.4 ANÁLISIS DE AUTOCORRELACIÓN Para determinar qué tipo de modelo es el que se adapta mejor a la serie de datos obtenida. no debemos olvidar que esta dificultad en el método elegido para obtener un resultado muy preciso. Tipo de series: es otro factor importante para la evaluación de un método de pronóstico debido a que éstos varían de forma importante en su precisión dependiendo del tipo de series que estén siendo pronosticadas.

se puede utilizar a la función de autocorrelación parcial. σ 2 ) . respectivamente.1 ∑ (Y n −1 t =1 −Y ) 2 Las variables Yt +1 y Yt + 2 son en realidad valores de Y que se han desfasado uno y dos periodos. Z k = z k ) . MA(1) y MA(2). a la correlación condicionada corr ( Z1 . 3. El correlograma es una herramienta gráfica muy útil autocorrelaciones para varios desfasamientos de una serie de tiempo5.5) r= ∑ (Y n −1 t =1 t − Y Yt +1 − Y t )( ) . con Z t un MA(1) con U t variables aleatorias independientes N (0. Z k +1 | Z 2 = z 2 . el resultado obtenido será de gran ayuda para identificar aquella técnica que resulte la más adecuada de entre todo el abanico de posibilidades. φ11 = ρ1 = corr ( Z 1 . 5 para exhibir idem pág.Capítulo 3 Los coeficientes de autocorrelación para diferentes desfases de tiempo de una variable se emplean para identificar patrones en las series de tiempo de datos. Z 2 . K . nosotros en el paso 7 veremos los resultados principales para la FACP de un AR(1).1 para calcular el coeficiente de autocorrelación de primer orden o la correlación entre Yt y Yt +1 (ver sección 2. será posible obtener un correlograma que permitirá definir cuál es el patrón que los datos presentan. Ilustramos su definición para el caso más simple de un modelo MA(1) Sea Z1 . Z 2 ) . denotada por FACP. Por otra parte.K un proceso estacionario. que se obtiene de la matriz de covarianzas del proceso. para reforzar la identificación del modelo MA(1).5 ANÁLISIS DEL PATRÓN DE DATOS MEDIANTE EL CORRELOGRAMA Con la utilización del análisis de autocorrelación. Comúnmente se usa la ecuación 3. aunque en la práctica puede existir cierta confusión en la identificación del modelo. 3. AR(2). por ejemplo en el MA(1) para valores de θ1 pequeños. Por tal motivo. Por definición. se llama función de autocorrelación parcial de orden k del proceso MA(1). El análisis de los FAC son fundamentales para la identificación del modelo. 34 62 . y se denota por FACP(k) o φ kk . Z 3 = z 3 .

La escala horizontal en la parte inferior muestra el nivel posible del coeficiente de autocorrelación. la correlación entre Yt y Yt +1 es cercana a cero y los valores sucesivos de la serie de tiempo no guardan relación entre sí. las correlaciones entre Yt y Yt +1 para el número correspondiente de periodos desfasados que aparece a la izquierda.1). Mediante el enfoque del análisis de autocorrelación tenemos que los coeficientes de autocorrelación para diferentes periodos desfasados de una variable se pueden utilizar en una serie de tiempo de datos para identificar lo siguiente: 1. La escala vertical a la derecha muestra los coeficientes de autocorrelación. Hanke. Arthur G. se coloca una línea vertical (ver gráfica 3. Sobre el cero.Selección del método de pronóstico y su metodología La escala vertical en la parte izquierda muestra el número de periodos desfasados de interés. • Si una serie tiene una tendencia Yt y Yt +1 están altamente correlacionados y es típico que los coeficientes de autocorrelación sean diferentes de cero de manera significativa para varios de los primeros periodos de desfasamiento y caigan 63 . ¿Los datos tienen una tendencia (no estacionaria)? 3. México. − 1 a +l.1 Correlograma para 6 periodos Fuente: John E. ¿Los datos son estacionarios? 4. nosotros vamos a utilizar el programa JMP para resolver el problema en el capítulo 4. Reitsch. El coeficiente de autocorrelación para un desfasamiento de tiempo en particular corresponde a esta escala horizontal. ¿Los datos son estacionales? • Si una serie es aleatoria. ISBN 968-880-681-1 Es posible utilizar programas de cómputo como el JMP. Prentice Hall. 1996 Ponosticos en los Negocios. Figura 3. a la mitad del correlograma. MINITAB. S-PLUS. SAS. ¿Los datos son aleatorios? 2. u otros para obtener este tipo de correlogramas.

• Si una serie tiene un patrón estacional. El coeficiente de autocorrelación para el periodo de desfase 1 es por lo regular muy grande (cercano a 1).Capítulo 3 gradualmente hacia cero al incrementarse el número de periodos. 20 1949. Annualss of Mathematical Statics. En realidad. El coeficiente de autocorrelación para el periodo de desfasamiento 2 será también grande. Quenouille. no lo será tanto como para el periodo de desfasamiento 1. 561-571. Sabiendo lo anterior. A un nivel específico de confianza.2 Z = valor normal estándar para un nivel de confianza dado n = número de observaciones en la serie de datos M. Quenouille6 y otros han demostrado que los coeficientes de autocorrelación de datos aleatorios tienen una distribución que se puede aproximar a una curva normal con una media de cero y una desviación estándar de 1/ n .H. el analista puede comparar los coeficientes de autocorrelación de la muestra con esta distribución teórica de muestreo y determinar si los datos provienen de una población cuya media sea cero en periodos de desfase. pág. 6 64 .2 0±Z en donde: 1 n 3. más o menos un cierto número de errores estándar. se presentará un coeficiente de autocorrelación significativo en el periodo de desfasamiento correspondiente: cuatro en los datos trimestrales o doce en los datos mensuales. se puede considerar aleatoria una muestra si los coeficientes de autocorrelación calculados se encuentran todos dentro del intervalo producido por la ecuación 3. la mayoría de los coeficientes de autocorrelación debe ubicarse dentro de un nivel especificado por 0. The joint Distribution of Serial Correlation Coefficients. los coeficientes de autocorrelación se pueden probar en forma simultánea para todos los periodos de desfase. ya que se emplea un término menos para calcular su numerador. Sin embargo. Vol. Si la serie es en efecto aleatoria.

Arthur G. C. además de ofrecer un nivel de precisión mejor al ser comparado con otras técnicas que contemplen los datos siendo representados por sus componentes. T. Reitsch. L TS Ajuste de curva-S T I. éstas deben poseer series de datos lo suficientemente grandes como para pensar en utilizar metodologías que contemplen el tratamiento de los datos de forma estadística sin considerar que los datos estén representados por componentes separados. México. móviles ST S TS Atenuación exponencial ST S TS Atenuación exponencial lineal T S TS Atenuación exponencial cuadrática T S TS Atenuación exponencial estacional S S TS Filtración adaptiva S S TS Regresión simple T I C Regresión múltiple C. Hanke Reitsch7 han aportado una tabla resumen donde sugieren las técnicas de pronóstico que se deben utilizar con determinados patrones de datos la cual se muestra a continuación: Con la utilización de esta tabla será posible determinar cuál es la técnica más conveniente a utilizar para nuestro problema. S S TS Promedios simples ST S TS Promedios. REQUERIMIENTOS DE DATOS MINIMOS HORIZONTE EN TIPO DE PATRON DE DATOS EL TIEMPO MODELO No formales ST.3 Técnicas de pronóstico sugeridas para diferentes patrones de datos. 1996 Ponosticos en los Negocios. S I. L TS Modelos de Gompertz T I. Fuente: John E. T. y que consideren al horizonte de planeación de corto a mediano plazo. L C MÉTODO NO ESTACIONALES 1 30 4-20 2 3 4 ESTACIONALES 2*L 5*L 10 10*V 5*L 10 10 10 10 24 24 30 6*L 3*L 6*L Tabla 3. la que deberá contemplar aquellos factores ya descritos durante el presente capítulo en términos de confiabilidad y aplicabilidad al momento de ser elegida. ISBN 968-880-681-1 65 . S I C Descomposición clásica S S TS Modelos de tendencia exponencial T I.Selección del método de pronóstico y su metodología 3. De acuerdo con los antecedentes presentados por las compañías. Prentice Hall.6 SELECCIÓN DE LA TÉCNICA DE PRONÓSTICO El siguiente paso de la metodología sugerida consiste en seleccionar una técnica de pronóstico que se adapte mejor al patrón de datos encontrado con el correlograma. S S TS Indicadores principales C S C Modelos econométricos C S C Regresión múltiple de series de tiempo T. L TS Census II S S TS Box-Jenláns ST. L TS Curvas de crecimiento T I. Hanke.

por lo que entonces la técnica a desarrollar será la metodología ARIMA ya que esta metodología contempla a todos los patrones de datos sin considerar sus componentes individuales. longitud de la estacionalidad. además de contemplar que la experiencia del analista es lo bastante extensa como para asegurar una buena mezcla de conceptos teóricos y prácticos. I. estacionales. cíclicos.7 DESCRIPCIÓN DE LA TÉCNICA SELECCIONADA El método Box Jenkins de pronóstico es diferente de la mayoría de los métodos. la desventaja radica en que para la utilización de esta técnica se requieren al menos de 24 datos cuando la serie no es estacionaria. con tendencia. lo que es fácilmente superado por aquellas organizaciones que tienen más de 5 años de permanencia en el mercado. S. 3.Capítulo 3 Donde: • • • • Patrón de datos: ST. serie de tiempo. no resultaría conveniente aplicar los modelos que sugiere Makridakis. 34 66 . Utilizan un enfoque iterativo de identificación de un modelo útil a partir de modelos de tipo general. largo plazo. 34 Idem pág. Estacionales: L.. L. Horizonte en el tiempo: S. Esta técnica no asume ningún patrón particular en los datos históricos de la serie a pronosticar. T. Es importante que al seleccionar esta técnica se espera equilibrar su complejidad con la utilización de programas de cómputo que facilitan en demasía el cálculo del pronóstico. El modelo se ajusta bien si los residuos entre el modelo 7 8 idem pág. mediano plazo. Tipo de modelo: TS. El modelo elegido se verifica contra los datos históricos para ver si describe la serie con precisión. dado que las organizaciones ubicadas en el mercado automotriz generalmente son la vanguardia en el desarrollo y aplicaciones de investigaciones y técnicas. utiliza modelos de series de tiempo y el horizonte de planeación es de corto a mediano plazo. causal. corto plazo (menos de 3 meses). C. estacionarios. C. Makridakis8 sugiere que los métodos de suavizamiento exponencial y descomposición cubren las necesidades de predicción a un costo y esfuerzo razonables para aquellas organizaciones que no requieren de técnicas altamente desarrolladas en los modelos predictivos. Por lo tanto.

Selección del método de pronóstico y su metodología de pronóstico y los puntos de datos históricos son reducidos. Recuerde que una serie histórica estacionaria es aquella cuyo valor promedio no cambia a través del tiempo.4 se muestran distribuciones teóricas de los coeficientes de autocorrelación para algunos de los modelos ARIMA más comunes. 67 . 3. La metodología de Box-Jenkins permite al analista seleccionar el modelo que mejor se ajuste a sus datos.2 Coeficientes de autocorrelación y de autocorrelación parcial de los modelos AR(1) y AR(2). los modelos MA sólo con términos de promedio móvil y los modelos ARIMA que comprenden tanto términos autorregresivos como de promedio móvil. 3. con las distribuciones teóricas para los distintos modelos. Se puede efectuar la selección del modelo apropiado comparando la distribución de los coeficientes de autocorrelación de la serie histórica que se está ajustando.3 y 3. Figura 3. distribuidos de manera aleatoria e independiente. En las figuras. Este grupo incluye a los modelos AR sólo con términos autorregresivos.2. Los modelos ARIMA o modelos de promedio móvil autorregresivo integrado son un tipo general de los modelos de Box-Jenkins para series de tiempo estacionarias.

Arthur G. México. Reitsch. Hanke. ISBN 968-880-681-1 68 . Reitsch. Fuente: John E.3 Coeficientes de autocorrelación y de autocorrelación parcial de los modelos MA(1) y MA(2).Capítulo 3 Fuente: John E. ISBN 968-880-681-1 Figura 3. Prentice Hall. 1996 Pronósticos en los Negocios. Arthur G. 1996 Pronósticos en los Negocios. Prentice Hall. Hanke. México.

México. 1996 Pronósticos en los Negocios. Arthur G. 69 .Selección del método de pronóstico y su metodología Figura 3.1). ISBN 968-880-681-1 Al seleccionar un modelo. Fuente: John E. Hanke. Reitsch. El enfoque de Box-Jenkins se resume en seguida. pero si que deben ser semejantes.4 Coeficientes de autocorrelación y de autocorrelación parcial de un modelo mixto ARIMA (1. Prentice Hall. recuerde que las distribuciones que se muestran son teóricas y que es muy improbable que las autocorrelaciones de datos reales no sean idénticas a cualquiera de las distribuciones teóricas.

Capítulo 3

METODOLOGÍA DE BOX-JENKINS9
La técnica consiste en ajustar a la serie de tiempo un modelo del tipo ARIMA y en base a éste, efectuar las predicciones deseadas. Este enfoque se puede resumir en 4 partes principales y como veremos se verifican en 3 etapas.

1. Identificación del modelo adecuado para ajustarse a los datos en la clase de modelos ARIMA. 2. Estimación de los parámetros contenidos en el modelo seleccionado. 3. Verificación del modelo estimado. 4. Predicción. Con esto podemos ver lo bueno del modelo.
Ideas Básicas en la construcción del modelo Clase general de modelos disponibles

Identificar el modelo de uno tentativamente propuesto

Estimación de parámetros en el modelo propuesto tentativamente

Comprobar el diagnóstico (¿es el modelo adecuado?)

No

Si
El modelo se puede usar para predecir o el control

Ventajas de la clase ARIMA sobre otros modelos 1. Los conceptos y métodos asociados al ajuste de modelos ARIMA están respaldados por teorías sólidas de Probabilidad. Otros métodos no tienen esta característica aunque no todos. 2. ARIMA es una familia de modelos (no solamente un modelo) y la estrategia de BoxJenkins para el ajuste de modelos ARIMA nos permite elegir un modelo de la familia usando la serie observada.
9

John E. Hanke, Arthur G. Reitsch, Pronósticos en los Negocios, Prentice Hall, México, ISBN 968-880-681-1, 1996, pág. 432

70

Selección del método de pronóstico y su metodología

3. La predicción que produce el modelo ARIMA tiene la propiedad de ser óptima, en el sentido de que ningún otro modelo nos da una predicción con menor error cuadrado medio de predicción.

Etapa 1: Identificación del modelo
1. El primer paso en la identificación del modelo consiste en determinar si la serie es estacionaria, es decir, si el valor de la media no varía a través del tiempo.
Si la serie no es estacionaria, en general se puede convertir a una serie estacionaria mediante el método de diferenciación. El analista especifica el grado de diferenciación y el algoritmo de Box-Jenkins convierte los datos en una serie estacionaria y realiza los cálculos subsecuentes utilizando los datos convertidos.

2. Una vez obtenida una serie estacionaria, el analista debe identificar la forma del modelo a utilizar.
Este paso se logra mediante la comparación de los coeficientes de autocorrelación y de autocorrelación parcial de los datos a ajustar con las correspondientes distribuciones de los diversos modelos ARIMA. Para ayudar en la selección de un modelo apropiado, en las figuras. 3.2, 3.3 y 3.4, se muestran las distribuciones teóricas para los modelos ARIMA más comunes. Como puede verse, cada modelo tiene un conjunto único de autocorrelaciones y de autocorrelaciones parciales, y el analista debe ser capaz de poder ubicar los coeficientes correspondientes a los datos a una de las distribuciones teóricas. Aun cuando en general no será posible hacer coincidir exactamente los datos con las distribuciones teóricas, se pueden efectuar pruebas durante la etapa 2 para determinar si el modelo es adecuado. Entonces, si el modelo no es satisfactorio, se puede intentar un modelo alternativo. En términos generales, el analista debe identificar las autocorrelaciones que caen exponencialmente a cero. Si las autocorrelaciones descienden exponencialmente a cero, el proceso indicado es el AR; si son las autocorrelaciones parciales las que descienden a cero, entonces el proceso indicado es el MA; y, si tanto los coeficientes de autocorrelación como los coeficientes de autocrrelación parcial descienden a cero, el indicado es un proceso mixto ARIMA. El analista puede determinar el orden de los procesos AR y/o MA contando el número de coeficientes de autocorrelación y de autocorrelación parcial que son diferentes de cero en forma significativa.

71

Capítulo 3

Etapa 2: Estimación del modelo y prueba de su adecuación

Una vez seleccionado un modelo tentativo, se deben estimar los parámetros para ese modelo. Este paso se realiza revisando los términos de error para asegurarse de que son aleatorios. Esta verificación puede hacerse revisando que las autocorrelaciones de los términos de error para estar seguros de que no son diferentes de cero en forma significativa. Si algunos retrasos de orden menor ó estaciónales son diferentes de cero de manera significativa, entonces el modelo resulta inadecuado. El analista debe regresar a la etapa 1, y seleccionar un modelo alternativo y después continuar el análisis.
Etapa 3: Pronóstico con el modelo

1. Una vez que se encontró un modelo adecuado, se pueden realizar pronósticos para uno o varios periodos a futuro.
También se pueden formular intervalos de confianza sobre estas estimaciones. En general, entre más a futuro se pronostica, mayor será el intervalo de confianza. Estos pronósticos e intervalos de confianza se calculan mediante el programa de BoxJenkins a solicitud del analista.

2. Al haber más datos disponibles, se puede utilizar el mismo modelo para revisar los pronósticos, seleccionando otro periodo de origen. 3. Si la serie parece cambiar a través del tiempo, pudiera ser necesario recalcular los parámetros, o incluso desarrollar un modelo nuevo por completo.
Si se aprecian pequeñas diferencias en los errores de pronóstico, pudieran indicar que es necesario recalcular los parámetros, y el analista deberá regresar a la etapa 2, en el paso 1. Cuando se aprecian grandes diferencias en la dimensión de los errores de pronóstico, pudieran indicar que se requiere un modelo completamente nuevo, y el analista deberá regresar a la etapa l, paso 2, o inclusive a la etapa 1, paso 1 y repetir el proceso de ajustar un nuevo modelo a la serie histórica. La siguiente notación se utiliza con frecuencia en las técnicas de Box-Jenkins. Se identifica un modelo como ARIMA(p, d, q), en donde p es el orden del término autorregresivo, d es el nivel de diferenciación y q es el orden del término del promedio móvil. En la práctica, cuando no hay diferenciación, el modelo apropiado es ARMA(p, q).

72

posteriormente se pronostican 73 . De acuerdo con lo mencionado en la sección previa. Como una sugerencia a continuación se presentan algunos arreglos con los cuales se puede realizar la comparación del DAM..1. Dado que es difícil que los coeficientes de autocorrelación se ajusten a cualquier tipo de distribución mostradas en las figuras 3.ARIMA (1. Enseguida se compara cuál de los DAM obtenidos para los diferentes arreglos es el de menor valor y éste se seleccionará como el arreglo a utilizar para el pronóstico. aquél que presente la desviación media absoluta (DAM) menor.Selección del método de pronóstico y su metodología 3.ARIMA (1.3.. 1. teniendo en cuenta que cualquier otro arreglo pudiera arrojar valores que reflejarían muy poca variación.1) 6. ya que el propio analista puede encontrar arreglos con los que se obtengan mejores resultados.2) 3.2.1.2 y 3.1. Con la técnica seleccionada.1) 3. Enseguida ya ubicados durante la etapa 2 se realizará el cálculo del DAM. para lo que se tomarán los últimos 6 periodos del valor real para cada producto a analizar y se calcularán los pronósticos mediante el ARIMA para este mismo horizonte cumpliendo así con lo estipulado en la etapa 3. además de evaluar cuál de éstas cae exponencialmente a cero o si ambas lo hacen.1) 2. 3.1.9 COMPARATIVO ENTRE LA METODOLOGÍA ACTUAL Y LA PROPUESTA.2.. Para aplicar la metodología ARIMA se deberán considerar todos los valores reales de la serie exceptuando los últimos 6 periodos.. se procederá a evaluar de entre diferentes arreglos de los métodos autoregresivos (AR) la diferenciación (I) y los modelos de promedio móvil (MA).8 SELECCIÓN DEL ARREGLO MÁS PRECISO Definida la técnica a utilizar. sin que esto se entienda como una regla a seguir.ARIMA (2.2) 4.ARIMA (2..2.ARIMA (1.2) 5. se debe calcular el pronóstico mediante el uso de la metodología ARIMA con el arreglo de menor DAM.ARIMA (2. durante la etapa 1 se analizará el correlograma que se obtenga de las autocorrelaciones y las autocorrelaciones parciales de la serie con el fin de determinar si éstas son significativamente diferentes de cero..

para así definir si esta nueva metodología cumple los objetivos planteados. con el empleo de la técnica seleccionada. mediante la comparación de ambos valores del porcentaje de precisión obtenidos con la metodología empleada. para conocer su desviación y evaluar cuál de las dos técnicas resulta con el menor error. De igual forma se pueden emplear los razonamientos expuestos en el capítulo 2 para el cálculo del error en el pronóstico. Por lo tanto. 74 . se calculará el pronóstico de cada uno de los datos contemplados dentro de la clasificación ABC. Los artículos incluidos en la clasificación B y C pueden ser solicitados en grandes cantidades para generar un stock de acuerdo a una previa evaluación de sus costos. el cociente sobre el que se dividirán las sumatorias del error en el pronóstico tanto negativas como absolutas deberá ser la sumatoria de la entrada de pedidos.Capítulo 3 estos y el resultado obtenido se compara contra los valores reales y los pronosticados con la técnica actual. Finalmente. de acuerdo con el procedimiento descrito en el capítulo 1 para este fin. Para realizar el cálculo de la precisión global del pronóstico se debe considerar un nuevo procedimiento para la obtención de los porcentajes de la precisión del pronóstico. la utilización del total de piezas pronosticadas ya no se utilizará para determinar el porcentaje de precisión del pronóstico. El empleo de este procedimiento se utilizará sólo para determinar el porcentaje de precisión en aquellos productos considerados como clasificación A. se podrá determinar cuál de ellos es mejor en términos de ofrecer un error menor. Por otra parte. posteriormente se utilizarán los resultados obtenidos para el cálculo de la precisión del pronóstico.

Finalmente es importante señalar que durante el desarrollo de esta metodología se utilizó solo un artículo para ejemplificar la metodología sugerida.Capítulo 4 ESTUDIO DE CASO urante este capítulo se hizo uso de la metodología descrita en el capítulo anterior para calcular el pronóstico de la demanda de la empresa en aquellos productos que resulten de relevancia de acuerdo con la clasificación ABC. tal que no promuevan un cambio de técnica. nos darán una visión de la precisión del pronóstico calculado. 75 . D Por otra parte. con el fin de no ser repetitivos y extender demasiado el presente trabajo. y se podrá conocer cuál es el porcentaje de mejora al utilizar la propuesta. los cuales al ser comparados con la metodología actual. se comparó con la precisión del pronóstico actual. la precisión obtenida al utilizar esta metodología. o si se obtienen resultados equivalentes.

B. se han clasificado de los años 2000 al 2005.1 se puede identificar a los productos clasificados como A.1 DETERMINACIÓN DE LOS PRODUCTOS A ANALIZAR MEDIANTE EL ANÁLSIS DE PARETO Para determinar y limitar que productos son los que se analizarán de acuerdo al principio de PARETO. La compañía está bastante familiarizada con este principio por lo que ya generan una clasificación basada en el volumen de ventas anual. 76 . A continuación se presenta el análisis para clasificar los productos A. C con el que se podrá determinar a que productos va aplicarse la metodología. aquellos productos que han sido considerados como A`s durante este periodo. es decir que al menos hayan sido clasificados durante 3 años como productos A. con lo que se da cumplimiento al primer paso de la metodología sugerida.Capítulo 4 4. y que sigan siendo A durante el 2006. con el fin de identificar aquellos artículos que cumplan con la cantidad de datos requeridos por la metodología a emplear para el pronóstico. los artículos marcados con la leyenda OK serán a los que se les aplicará la metodología. el 20% de los productos requieren de una mayor precisión en el cálculo del pronóstico para evitar pedidos sin surtir y que esto genere un nivel de servicio al cliente deficiente en las entregas de material. Con la tabla 4. El periodo de análisis corresponde del año 2000 al año 2006. Para complementar la metodología.

1 Productos clasificados como A del 2000 al 2006. Fuente: Elaboración propia 77 .Estudio de Caso Numero/ Año 2000 BBC0465 K0036-01 K0036-02 K0047-06 K0050-01 K0465-05 K0465-07 K1121-01 K1886-01 K1914-06 K260033-01 K70037-02 K70038-01 K9082-01 KF224-01 KF224-02B KF251-01 KF295-01 KF537-04 KF587-04 KF594-01 KM10993-01 KM11004-01 KM136-01 KM168-01 KM168-02 KM173-01 2001 2002 2003 2004 2005 2006 Clasf "A" en 2006 OK OK OK OK OK OK OK OK OK OK OK OK OK OK OK OK OK OK OK OK Tabla 4.

se ha mencionado que uno de los principales factores es la precisión del pronóstico que se desea obtener con el método seleccionado. La tercera etapa correspondiente a la construcción del modelo. debido al tipo de problema que se desea resolver. 78 . el que establece una recopilación de datos.2.2 FACTORES QUE INFLUYEN PARA LA ELECCIÓN DE LA TÉCNICA La siguiente etapa de la metodología propuesta. mientras que lo correspondiente al cuarto paso se desarrollará cuando se requiera definir el arreglo más preciso. Esta etapa es superada al efectuar el análisis de Pareto de acuerdo con lo descrito en la sección anterior. mediante el cálculo de la precisión en el pronóstico de cada uno de los artículos A.1. lo que se deberá realizar de acuerdo a los lineamientos establecidos en el capítulo anterior. ya que no es posible lograr un mejor pronóstico sin los análisis previos adecuados y sin las interpretaciones correctas de los datos. Como segundo paso en este proceso se deben condensar estos datos. de igual forma. para conseguir esto se deben considerar los siguientes factores. si no que sólo contribuirá a la generación de esfuerzos inútiles. ya que ésta tiene que ver directamente con la extrapolación del modelo. por lo que podemos establecer que si la precisión alcanzada con la técnica seleccionada no supera a la metodología actual se debe desechar y buscar otra alternativa que permita que esta prioridad sea cubierta.Capítulo 4 4. se desarrollará durante las siguientes secciones en el transcurso de la descripción de la técnica. esto se refiere a la estadística de todas las entradas de pedidos para cada artículo disponibles por la empresa. la precisión es una parte clave en el presente trabajo. para determinar cuáles de ellos son realmente valiosos para los objetivos perseguidos. es considerar cuáles y qué tipos de factores pueden influir en la decisión de elegir una técnica de pronóstico. Inicialmente se debe considerar el proceso del pronóstico descrito durante la sección 3. El cálculo de la precisión se desarrollará durante la sección 4.8 ya que será aquí donde se efectúe la comparación del método actual con el sugerido. que ya fueron mencionados con oportunidad en el capítulo anterior. el emplear el método más avanzado tampoco es garantía de que el pronóstico disminuya su error. y evitar el hecho de analizar información que no aportará algún beneficio. Así. Está claro que para mejorar la precisión del pronóstico se deben tener en cuenta otros factores. Por otro lado.

1 Serie de tiempo para el artículo KF224-02B GRAFICA 4. y el análisis se realizará sólo sobre uno de ellos para ejemplificar la metodología. sólo se presentarán los comportamientos de algunos de los artículos más importantes.2 Serie de tiempo para el artículo KM639-02 GRAFICA 4. o si existen ciertos datos que se repiten cada determinado periodo de tiempo o si estos son o no cíclicos. los resultados de los análisis finales de todos los artículos A los mostramos en el capítulo 5. Para concluir lo anterior es necesario analizar los datos gráficamente de toda la serie de tiempo.3 SERIE DE TIEMPO DE ENE-00 A MAR-06 PARA EL ARTICULO SN1106 1200 5000 DEMANDA REAL 1000 DEMANDA REAL PERIODO 4000 800 3000 600 2000 400 1000 200 0 0 PERIODO Figura 4.1 SERIE DE TIEMPO DE ENE-00 A MAR-06 PARA EL ARTICULO KF224-02B 6000 GRAFICA 4.2 SERIE DE TIEMPO DE ENE-00 A MAR-06 PARA EL ARTICULO KM639-02 4000 3500 3000 DEMANDA REAL Figura 4. Debido a la naturaleza de la empresa.4 SERIE DE TIEMPO DE ENE-00 A MAR-06 PARA EL ARTICULO KM80203-01 800 700 600 DEMANDA REAL 500 400 300 200 100 0 2500 2000 1500 1000 500 0 PERIODO PERIODO Figura 4. GRAFICA 4.Estudio de Caso El patrón de datos descrito por la serie: Debemos contemplar cuál es el comportamiento de los datos para conocer que tipo de patrón siguen. y con esto lograr establecer cuál es su tendencia.3 Serie de tiempo para el artículo SN1106 Fuente: Elaboración propia Figura 4.4 Serie de tiempo para el artículo KM80203-01 79 . ya que el tratar de analizar cada uno de ellos resultaría repetitivo y muy extenso. por lo tanto. el análisis de cada uno de los artículos presenta comportamientos independientes.

Por otro lado. es de gran utilidad ya que se le da un enfoque científico al tratamiento de los datos y permite que se identifique de una manera más clara y con bases más firmes el modelo que ha de utilizarse. y más cálculo de la precisión general.2) ofrecido para el vehículo de mayor circulación en México durante el resto del capítulo para ilustrar el estudio. es más factible que ésta resulte exitosa. 4. y aunque aparentemente hace que el costo del cálculo del pronóstico se incremente. pero sin embargo se podría pensar que en éstas existe la presencia de un ciclo o una estacionalidad. Tomaremos el número KM639-02 (ver figura 4. es el antecedente para determinar qué método seleccionar para el cálculo del pronóstico. que corresponde a un artículo (ver anexo 1). éste no resulta así ya que en la actualidad en la mayoría de la empresas se cuenta con la tecnología necesaria para llevar a cabo estas tareas.3 AUTOCORRELACIÓN DE LA SERIE DE DATOS El analizar el patrón de datos para identificar si éstos se encuentran relacionados entre si o para identificar su aleatoriedad. También ya se describió en su oportunidad los fundamentos teóricos requeridos para poder llevar a cabo e interpretar correctamente los resultados obtenidos. mediante los análisis de autocorrelación y correlograma. entonces cada producto presenta diferentes componentes. debido a que el comportamiento de su demanda es independiente. Este análisis se realizará con la ayuda del paquete de computación JMP5 para facilitar la labor del analista al efectuar su tarea. además. que la figura 4. Este análisis del patrón de los datos nos permite establecer que tipo de serie es la que se está tratando. por ejemplo.Capítulo 4 En estas gráficas se puede observar que cada artículo presenta un patrón específico en su comportamiento a través del tiempo. no se debe olvidar que entre más fácil y amigable sea la técnica elegida para el analista. Tipos de serie y facilidad de la aplicación: Es posible notar. éste se utilizará adelante se concentrará para el de tiempo se presentan en la 80 . mientras que en las tres restantes este componente parece no presentarse. A continuación se presentará el estudio de autocorrelación de un artículo el que servirá para ilustrar el procedimiento. Los valores de la serie siguiente tabla. o al menos en la empresa bajo estudio el costo de este software no es lo suficientemente relevante como para impedir la ejecución de la actividad.4 parece presentar una tendencia.

Estudio de Caso N 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 31 32 33 34 35 36 37 38 39 40 41 42 43 44 45 46 47 48 49 50 51 52 53 54 55 56 57 58 59 60 61 62 63 64 65 66 67 68 69 70 71 72 73 74 75 Yt 518 762 645 566 667 1571 387 677 624 567 2121 1551 1098 1027 826 1180 745 1283 1014 1690 826 1545 1937 963 1296 1653 1972 1160 1767 1917 3770 770 960 841 1392 0 3050 2370 1619 2431 1192 758 2027 1836 598 1405 658 877 479 960 585 804 920 1382 3576 1337 1336 889 857 1205 861 1014 2248 2269 1305 1478 956 467 434 1471 558 1118 653 959 760 Yt-1 518 762 645 566 667 1571 387 677 624 567 2121 1551 1098 1027 826 1180 745 1283 1014 1690 826 1545 1937 963 1296 1653 1972 1160 1767 1917 3770 770 960 841 1392 0 3050 2370 1619 2431 1192 758 2027 1836 598 1405 658 877 479 960 585 804 920 1382 3576 1337 1336 889 857 1205 861 1014 2248 2269 1305 1478 956 467 434 1471 558 1118 653 959 Yt-Ymed -709 -465 -582 -661 -560 344 -840 -550 -603 -660 894 324 -129 -200 -401 -47 -482 56 -213 463 -401 318 710 -264 69 426 745 -67 540 690 2543 -457 -267 -386 165 -1227 1823 1143 392 1204 -35 -469 800 609 -629 178 -569 -350 -748 -267 -642 -423 -307 155 2349 110 109 -338 -370 -22 -366 -213 1021 1042 78 251 -271 -760 -793 244 -669 -109 -574 -268 -467 Yt-1-Ymed -709 -465 -582 -661 -560 344 -840 -550 -603 -660 894 324 -129 -200 -401 -47 -482 56 -213 463 -401 318 710 -264 69 426 745 -67 540 690 2543 -457 -267 -386 165 -1227 1823 1143 392 1204 -35 -469 800 609 -629 178 -569 -350 -748 -267 -642 -423 -307 155 2349 110 109 -338 -370 -22 -366 -213 1021 1042 78 251 -271 -760 -793 244 -669 -109 -574 -268 (Yt-Ymed)2 502019 215791 338181 436304 313078 118657 704816 301987 363046 434984 800071 105279 16521 39814 160427 2165 231874 3188 45170 214801 160427 101421 504763 69450 4826 181874 555721 4427 292104 476744 6469223 208423 71040 148636 27379 1504384 3325031 1307516 154030 1450740 1193 219523 640747 371450 395054 31850 323230 122174 558806 71040 411565 178534 93963 24170 5519994 12203 11983 113929 136555 464 133615 45170 1043394 1086737 6157 63235 73188 576891 628109 59764 446937 11779 328940 71574 217653 (Yt-Ymed) (Yt-1-Ymed) 0 329137 270142 384122 369590 -192741 -289191 461352 331112 397391 -589931 290225 -41705 25647 79920 18638 22407 -27191 -12001 -98502 -185634 -127557 226260 -187232 -18307 29625 317917 -49598 -35959 373174 1756179 -1161177 121681 102757 -63793 -202950 -2236543 2085073 448773 472713 -41594 16180 -375045 487858 -383070 -112172 -101464 198721 261288 199243 170990 271069 129521 -47656 365264 259538 12092 -36949 124730 7957 7871 77688 -217096 1064845 81799 19732 -68030 205479 601955 -193748 -163434 72558 62247 153439 124813 Σ 91990 91230 0 467 36397903 6630444 Tabla 4.2 Valores de la serie de tiempo del artículo KM639-02 Fuente: Elaboración propia 81 .

.. reflejando que tampoco existe relación alguna con el siguiente periodo...... lo cual significa que la autocorrelación de primer orden refleja que no existe una correlación entre la demanda del primer periodo con la del segundo...... Por otra parte además de conocer si los datos son o no aleatorios..... Es importante señalar que una serie aleatoria es aquella en donde los coeficientes de autocorrelación son cercanos a cero y los valores subsiguientes de la serie no guardan relación entre si... Si se considera un nivel de confianza del 95% tenemos que:  1  0 ± Z  ... el valor obtenido mediante el JMP 5.....1 es de 0. En la figura siguiente se presenta el correlograma de la serie analizada en la sección anterior donde se pueden observar los coeficientes de autocorrelación para cada periodo.4. esto se realiza utilizando la siguiente ecuación..... r1 ∑ (Y − Y )(Y − Y ) .Capítulo 4 Con los resultados de las sumatorias obtenidas se puede calcular el valor de r mediante la utilización de la siguiente ecuación 4.2    N 82 . El cálculo del intervalo de confianza para determinar si los coeficientes de autocorrelación son significativamente diferentes de cero nos servirán para conocer si la serie es aleatoria... 4.1 = ∑ (Y − Y ) n =1 t =1 t t +1 n 2 t =1 t El valor de r1 obtenido es de 0.. son estacionarios y/o si son estaciónales de acuerdo con las definiciones presentadas durante el capítulo 2.1152..1821.4........1.......... Para la autocorrelación de segundo orden...4 CORRELOGRAMA DEL PATRÓN DE DATOS PRESENTADA POR LA SERIE Mencionamos en el capítulo 2 que la herramienta estadística a emplearse para determinar si una serie es aleatoria es el correlograma. se puede conocer si tienen tendencia..

08 0.01 -0.2 0.04 -0.06 0.07 0.01 0.03 0.20 -0.4 0.04 0.04 -0.04 0.13 -0.12 0.01 -0.00 -0.01 0.05 0.08 0.01 -0.02 -0.02 -0.03 -0.01 -0.6 -0.Estudio de Caso GRAFICA DE AUTOCORRELACIONES PARA KM639-02 1 2 3 4 5 6 7 8 9 10 11 1213 14 15 16 17 18 19 20 21 22 23 2425 26 27 28 29 30 31 32 33 34 35 36 3738 39 40 41 42 43 44 45 46 47 48 4950 51 52 53 54 55 56 57 58 59 60 6162 63 64 65 66 67 68 69 70 71 72 73 0.06 0.11 -0.23 -0.02 0.04 0.16 0.15 0.02 -0.01 0.2 0 0.00 0.04 0.05 -0.07 0.08 -0.09 -0.07 -0.02 -0.6 0.04 -0.5 Correlograma de la serie de datos del artículo KM639-02 Fuente: Elaboración propia 83 .12 0.02 0.8 -0.02 0.11 -0.02 -0.05 -0.02 0.03 0.04 0.4 -0.02 -0.05 -0.18 -1 -0.15 -0.05 -0.15 0.02 0.11 -0.03 0.10 0.03 -0.01 -0.03 0.09 0.04 0.15 -0.03 -0.04 0.12 -0.11 -0.08 0.17 0.10 -0.8 1 VALORES DE r COEFICIENTES DE AUTOCORRELACION Figura 4.

5 ELECCIÓN DE LA TÉCNICA DE PRONÓSTICO Se ha determinado con base al análisis de los factores que intervienen en la selección del modelo. 4. además de que es uno de los métodos más avanzados de la actualidad y contempla tanto modelos autoregresivos como promedios móviles y la combinación de éstos. De igual forma es posible utilizarla para cualquier patrón de datos descrito por la serie ya que no considera a los componentes que se puedan encontrar en la serie y si bien es una técnica desarrollada para series estacionarias. esto se comprueba al visualizar que todos los coeficientes de autocorrelación se encuentran por debajo de los límites calculados con un nivel de confianza del 95%.96 tenemos de 4. ya que los coeficientes son cercanos a cero o se encuentran por debajo del nivel de significancia. así como del seguimiento de la metodología propuesta.2 que:  1   = ±0. Por otra parte.Capítulo 4 Entonces debido a que Z para un 95% de confiabilidad es igual a 1. por lo que se puede decir que esta serie es aleatoria. 84 . presente una tendencia o estacionalidad. ya que los coeficientes son completamente aleatorios. debido principalmente a que el patrón de datos que presenta la serie se ajusta perfectamente a los requerimientos de la técnica. 0 ± 1. que el modelo a emplear está en la metodología ARIMA.227 . Con el análisis del correlograma y de acuerdo a lo descrito durante el capítulo anterior se determinan varias situaciones: La primera es que la serie no se correlaciona consigo misma.5) en ambos extremos del intervalo. lo anterior promueve la utilización de métodos avanzados para el cálculo del pronóstico. no se aprecia que la serie sea estacionaria. es posible utilizarla para series no estacionarias cuando éstas son diferenciadas.96    74  Este resultado se ha remarcado a lo largo de toda grafica de las autocorrelaciones (figura 4.

es necesario determinar si la serie es estacionaria o no estacionaria.6 APLICACIÓN DE LA TÉCNICA SELECCIONADA PARA EL CÁLCULO DEL PRONÓSTICO Para la aplicación de la metodología se considerarán los modelos propuestos en la sección 3. esto se logra al diferenciar la serie. De igual forma se empleará el software JMP5. recordando que una serie estacionaria es aquella en la que el valor de su media no cambia a través del tiempo. recordando que revisamos en el capítulo 2 que el modelo lo podemos determinar con base en los correlogramas dependiendo de cómo se ajusten las autocorrelaciones. comparando su DAM. Continuando con el procedimiento para aplicar la metodología ARIMA. 85 . Posteriormente se comparan los coeficientes de autocorrelación y los de autocorrelación parcial.8 dado que la posibilidad de que los coeficientes de autocorrelación y de autocorrelación parcial cambien en su valor de manera significativa respecto a los demás modelos no es significativa. por lo que para este caso procederemos a utilizar los modelos propuestos durante el capítulo 3. Se promueven sólo dichos modelos en virtud de que resultan ser los más representativos y por lo tanto cualquier otro valor obtenido al utilizar otro arreglo distinto sería ligeramente diferente.Estudio de Caso 4. y el que resulte más bajo será el que se elija. con el fin de ilustrar el procedimiento a seguir.1 en el capítulo 5 para determinar el pronóstico de los productos restantes. pero en la realidad es difícil que éstas se comporten exactamente como se indica en la teoría. en virtud de que ya se ha justificado que la serie no es estacionaria revisamos los modelos ARIMA propuestos en el capítulo 3. La siguiente figura muestra los coeficientes de autocorrelación y autocorrelaciones parciales sólo para los primeros 30 periodos obtenidos con el software JMP5. Por otro lado.1. Los arreglos propuestos se aplicarán al número de artículo con el que se ha venido trabajando. para poder aplicar la técnica es necesario que la serie sea estacionaria. entonces se debe convertir a estacionaria. si esto no sucede como en el caso que estamos estudiando.

0603 -0.0849 0.0437 0.0672 14 -0.0620 -0.0000 0.0529 12 0.0801 -0.1063 7 0.0102 -0.1577 -0.0494 0.0444 4 -0.0502 0.1322 18 -0.8 -.1272 -0.0460 -0.1121 16 -0.0682 -. Los valores reales y pronosticados con cada uno de los arreglos para los 6 periodos considerados se muestran a continuación.0023 19 -0.1190 20 0.0094 21 -0. además del calculado para el pronóstico actual.0236 -0.2 0 .6 .0756 -0.Capítulo 4 Lag AutoCorr 0 1.1830 -0.0320 26 0.1198 -0.2030 23 -0.0254 13 -0.4 .1822 0.0457 8 0.0871 17 0.2 0 .6 -.2 .1402 0.4 -.1282 0.1822 2 0.0253 5 -0.1106 25 0.0661 -0.1661 10 -0.1152 3 0.0000 1 0.0986 11 0.4 -.7 Autocorrelación parcial del artículo KM639-02 4.0444 28 -0.6 Autocorrelación del artículo KM639-02 Fuente: Elaboración propia Figura 4.0754 24 0.1117 15 0.1544 6 0. y mediante esto determinar las desviaciones medias absolutas DAM de cada uno de los arreglos.0104 Figura 4.0077 -0.0777 9 0.1735 0. durante esta etapa de la metodología utilizaremos el paquete de cómputo JMP para determinar el pronóstico de 6 periodos adelante.1542 0.8 1. Se efectuará una comparación y el que resulte más pequeño será el arreglo que se deba elegir.6 .1545 27 -0.8 -.0961 29 -0.2394 -0. 86 .1615 22 -0.7 DETERMINACIÓN DE LOS ARREGLOS MÁS PRECISOS A APLICAR Durante el capítulo 3 se propusieron diferentes arreglos para efectuar el pronóstico.0806 0.6 -.2076 0.0619 0.2 .8 Lag 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 Partial -.0352 0.4 .1072 -0.

..99 1144.30 May-06 1037..6..84 1131.98 647.4.00 Jun-06 1147.00 1098..00 1044.69 1144.64 858.2) (1.Estudio de Caso VALOR PRONÓSTICADO PERIODO Abr-06 Valor real 652..1): DAM = Donde: yt = Valor real ˆ yt = Valor pronosticado DAM Actual = ∑ et t =1 n n = ∑y t =1 n t ˆ − yt ..27 1280.72 1105.62 604.32 716.2.3 n 652 − 979 + 1037 − 1173 + 1147 − 858 + 750 − 1144 + 825 − 828 + 1077 − 1000 6 DAM Actual = 204.00 825...71 561.10 1173.94 594...14 546.33 En la siguiente tabla se presentan todos los valores de la DAM calculada para cada uno de los modelos sugeridos.29 792..52 714.1) (2..00 1093.00 1101.00 ACTUAL ARIMA (1.45 646.1..48 636..52 719.71 1210.27 1070.00 Tabla 4.31 1244.40 1000.36 715..13 510.46 561.2) (2.03 718...00 1096.1) ARIMA ARIMA ARIMA ARIMA ARIMA (1.46 1147.12 510.2) (2...1..2.1) 979.00 Sep-06 1077.65 1139.2.00 Jul-06 Ago-06 750.00 1085.86 828.88 604.82 688. 87 . la siguiente ecuación se utiliza para calcular el DAM (ver 2.3 Valor real y pronosticado para la serie de tiempo del artículo KM639-02 Fuente: Elaboración propia Con estos valores se calcula la desviación media absoluta DAM para cada uno de los arreglos incluyendo el pronóstico actual....40 1263.96 1145.1..88 1273. con la finalidad de obtener cuál de ellos es el que presenta la menor desviación..

Capítulo 4 DAM ACTUAL ARIMA (1.1.1) Abr-06 327.00 392.96 May-06 136.00 48.71 Jun-06 289.00 53.69 Jul-06 394.00 346.40 Ago-06 3.00 273.88 Sep-06 77.00 24.27 PROMEDIO 204.33 189.99 ARIMA (1.1.2) 493.29 173.32 97.82 513.48 448.94 203.14 321.66 ARIMA (1.2.2) 140.03 320.64 458.55 113.12 230.54 530.88 298.96 ARIMA (2.2.2) 66.52 321.48 500.02 145.38 263.29 566.87 310.59 ARIMA (2.2.1) 67.27 322.28 499.16 145.35 263.31 566.54 310.65 ARIMA (2.1.1) 418.10 68.64 15.01 389.86 319.40 70.30 213.55

Tabla 4.4 Desviaciones medias absolutas obtenidas con los arreglos sugeridos para el artículo KM639-02 Fuente: Elaboración propia.

El DAM de menor valor corresponde al arreglo ARIMA 1.1.1 que quiere decir que se está empleando un modelo autoregresivo, una diferenciación y un promedio móvil, por lo tanto los valores del pronóstico que se deben de contemplar para su validación son los que ha arrojado este arreglo y que se presentan en la tabla 4.3. Este procedimiento se realiza para cada artículo definido por la clasificación ABC, en la tabla 4.5 se presentan los arreglos resultantes para cada uno de ellos con el valor de la DAM calculada.
GRÁFICA DEL PRONÓSTICO ACTUAL Y ARIMA vs VALOR REAL

1400.00 1200.00 1000.00 Unidades 800.00 600.00 400.00 200.00 0.00 Abr-06 May-06 Jun-06 Periodo
ACTUAL Valor real ARIMA (1.1.1)

Jul-06

Ago-06

Sep-06

Figura 4.8 Comparación del valor real contra el pronóstico actual y el ARIMA 1.1.1 para el artículo KM639-02 Fuente: Elaboración propia

88

Estudio de Caso

En la figura 4.8 se puede apreciar que a pesar de que el patrón que sigue la serie pronosticada con el método actual, es muy similar a la serie real, la desviación de la metodología ARIMA hace que el pronóstico calculado con esta última resulte más preciso.
ARTÍCULO K0036-02 K0047-06 K0465-05 K1121-01 K1886-01 K1914-06 K260033-01 K70037-02 K9082-01 KF224-01 KF224-02B KF251-01 KF295-01 KF537-04 KF587-04 KF594-01 KM10993-01 KM11004-01 KM136-01 KM168-01 KM168-02 KM173-01 KM639-02 KM80203-01 SB770 SBA1002 SBA1029 SBA60026 SD178B SN1106 SN31846 SN9001 504.045 165.022 10.096 202.136 38.777 28.246 30.082 48.464 189.986 38.055 39.593 144.222 34.959 174.196 110.067 36.183 35.985 26.197 122.971 182.371 31.588 24.186 46.301 10.766 58.556 22.656 43.783 72.018 31.279 DAM ARIMA 1,1,1 DAM ARIMA 1,1,2 DAM ARIMA 1,2,2 DAM ARIMA 2,2,2 15.865 16.159 41.279 DAM ARIMA 2,2,1 DAM ARIMA 2,1,1

Tabla 4.5 Desviaciones medias absolutas obtenidas para los artículos clasificados como “A”. Fuente: Elaboración propia

89

Capítulo 4

4.8 COMPARACIÓN DE RESULTADOS ENTRE LA METODOLOGÍA ACTUAL Y LA PROPUESTA Como última etapa, se debe someter a prueba la metodología sugerida, esto se realiza para conocer si es capaz de arrojar mejores resultados que la técnica actual. El objetivo es mejorar la precisión del pronóstico, por lo que en caso de que se incremente la precisión global, entonces podemos dar por hecho que se ha cumplido el objetivo. Considerando los valores de la DAM obtenidos en la tabla 4.5 podemos observar que prácticamente cada uno de ellos es menor que el DAM actual, ya que no existen resultados negativos que sugerirían a la técnica actual como mejor que cualquiera de los arreglos considerados. Por lo tanto, está claro el hecho de que a nivel individual para cada artículo seleccionado el pronóstico calculado con ARIMA, comparado contra la técnica actual es mejor ya que su DAM es menor. Las gráficas siguientes representan la comparación entre el pronóstico actual y el calculado por ARIMA para algunos de los productos.
GRÁFICA DEL PRONÓSTICO ACTUAL Y ARIMA vs VALOR REAL 180.00 160.00 140.00

Unidades

120.00 100.00 80.00 60.00 40.00 20.00 0.00 Abr-06 May-06 Jun-06 Jul-06 Ago-06 Sep-06

Periodo
ACTUAL Valor real ARIMA (2.2.2)

Figura 4.8 Comparación del valor real contra el pronóstico actual y el ARIMA 2.2.2 para el artículo K0036-02 Fuente: Elaboración propia

90

00 Abr-06 May-06 Jun-06 Jul-06 Ago-06 Sep-06 Periodo ACTUAL Valor real ARIMA (1.9 Comparación del valor real contra el pronóstico actual y el ARIMA 1.00 600.1.00 400.00 0.00 1500.1 para el artículo KM11004-01 Fuente: Elaboración propia 91 .00 Abr-06 May-06 Jun-06 Jul-06 Ago-06 Sep-06 Periodo ACTUAL Valor real ARIMA (2.10 Comparación del valor real contra el pronóstico actual y el ARIMA 2.1) Figura 4.00 Unidades 1000.00 800.00 200.00 1200.1.1 para el artículo KF224-02B Fuente: Elaboración propia GRÁFICA DEL PRONÓSTICO ACTUAL Y ARIMA vs VALOR REAL 2000.1.1) Figura 4.00 0.Estudio de Caso GRÁFICA DEL PRONÓSTICO ACTUAL Y ARIMA vs VALOR REAL 1400.00 500.1.00 Unidades 1000.

00 Abr-06 May-06 Jun-06 Jul-06 Ago-06 Sep-06 Periodo ACTUAL Valor real ARIMA (1.00 0.00 0.00 300.1.00 Abr-06 May-06 Jun-06 Jul-06 Ago-06 Sep-06 Periodo ACTUAL Valor real ARIMA (1.00 150.00 200.1.2) Figura 4.00 150.1.00 250.00 100.Capítulo 4 GRÁFICA DEL PRONÓSTICO ACTUAL Y ARIMA vs VALOR REAL 300.00 Unidades 200.2) Unidades Figura 4.00 50.1.00 250.8 Comparación del valor real contra el pronóstico actual y el ARIMA 1.11 Comparación del valor real contra el pronóstico actual y el ARIMA 1.2 para el artículo KM168-02 Fuente: Elaboración propia GRÁFICA DEL PRONÓSTICO ACTUAL Y ARIMA vs VALOR REAL 350.00 100.1 para el artículo K9082-01 Fuente: Elaboración propia 92 .00 50.

00 Abr-06 May-06 Jun-06 Jul-06 Ago-06 Sep-06 Unidades Periodo ACTUAL Valor real ARIMA (1.2.00 100. y utilizando el procedimiento descrito se obtienen las sumatorias globales de la entrada de pedidos y los valores pronosticados así como el porcentaje global de la precisión del pronóstico para cada uno de los 6 periodos estudiados 93 . Este mismo procedimiento se realiza para los valores pronosticados con el método tradicional y los porcentajes de la precisión obtenidos.00 600.00 0. con el fin de determinar si la metodología sugerida contribuye o no.2) Figura 4. La tabla 4.6 la que corresponde al primer periodo. obteniendo así el porcentaje de precisión para cada uno de ellos. Este procedimiento será de gran ayuda para conocer cuántos artículos mejoran su pronóstico y de esta forma comparar los porcentajes globales.00 400.2 para el artículo SN9001 Fuente: Elaboración propia A continuación se obtienen cada uno de los valores pronosticados por ARIMA de acuerdo al modelo que ofrece la mayor ventaja obtenido en la tabla 4. y se compara contra el valor real de la demanda en cada uno de los periodos analizados y para cada uno de los artículos A. Este procedimiento se ilustra en la tabla 4. El porcentaje de la precisión será calculado de acuerdo a los lineamientos establecidos en el capítulo 1 durante el tema de la medición del error en el pronóstico y será simplemente la proporción obtenida que resulte de dividir el valor pronosticado de la demanda entre el valor real de la demanda para un mismo periodo de tiempo.00 200.5 utilizando el programa JMP. En la sección destinada para la presentación de resultados se incluirán los periodos restantes.6 refleja los errores obtenidos para el pronóstico utilizando la metodología actual.00 300.8 Comparación del valor real contra el pronóstico actual y el ARIMA 12.00 500. se deben comparar individual y globalmente.00 700. a mejorar la precisión del pronóstico.Estudio de Caso GRÁFICA DEL PRONÓSTICO ACTUAL Y ARIMA vs VALOR REAL 800.

190 -96 -66 82 -108 -198 .592 Pedidos Precisión del pronóstico actual 102 327 19 107 65 9 13 256 9 2.327 19 . dentro del apartado de los resultados se presentará un análisis de la diferencia en moneda que existe al utilizarse la nueva técnica.Capítulo 4 Comparación y evaluación de técnicas Código SPM Pronóstico técnica actual 235 979 1.43 -78 .778 45% Precisión desfavorable .010 818 48 236 202 400 79 675 183 295 394 67 218 120 201 75 264 85 103 8. lo que proporcionará una idea del costo de la precisión del pronóstico ya que se evaluará qué técnica resulta más cara 94 .200 914 114 154 310 598 122 753 347 215 677 165 307 157 222 133 350 171 95 12.107 .722 Precisión global del pronóstico con la técnica actual y la sugerida Tabla 4.164 80 -283 -98 -89 -37 -21 -58 -86 -86 8 454 95% Porcentaje Precisión Porcentaje Pronóstico de la del de la Precisión técnica precisión pronóstico desfavorable precisión sugerida individual sugerido individual 57% 67% 102% 52% 65% 110% 87% 164% 93% 32% 89% 42% 153% 65% 67% 65% 90% 53% 137% 58% 41% 71% 76% 91% 56% 75% 50% 108% 69% 106 1045 1388 126 146 105 102 441 124 2253 851 112 281 258 581 112 835 173 217 628 163 223 185 234 126 293 111 103 11.319 27 393 121 11 26 6 15 215 4 1243 33 64 45 56 181 33 160 10 78 234 96 5 65 33 51 29 26 0 3.256 63% 27 -393 -121 -11 -26 -6 -15 215 -4 -1243 -33 -64 -45 -56 -181 -33 -160 10 78 -234 -96 -5 -65 -33 -51 -29 -26 0 330 96% 125% 62% 91% 92% 82% 94% 85% 149% 97% 45% 96% 43% 84% 78% 69% 71% 81% 106% 136% 63% 41% 98% 65% 86% 59% 90% 77% 100% 77% 29% SBA60026 KM639-02 KM11004-01 K0047-06 K1886-01 KF295-01 K260033-01 SN9001 KM136-01 SN31846 KF224-02B K1914-06 K1121-01 KM80203-01 KF537-04 KF587-04 KM173-01 K70037-02 SBA1002 KM168-01 KF594-01 K0465-05 KM168-02 K9082-01 KM10993-01 SN1106 KF251-01 K0036-02 Total A 133 652 1.190 96 66 82 108 198 43 78 164 80 283 98 89 37 21 58 86 86 8 4.6 Precisión del pronóstico global e individual para la técnica actual contra la técnica sugerida Fuente: Elaboración propia Finalmente.248 222 185 90 100 400 129 3.65 9 -13 256 -9 -2.102 .267 115 120 99 87 656 120 1.

finalizando con las conclusiones que arrojen la presentación de estos resultados. Las tablas 4. por lo que se puede decir que éste sería el costo de la precisión del pronóstico. tanto para cada artículo individual como para la generalidad de éstos por cada periodo.Estudio de Caso en términos de conservar más material en el almacén por fallas en el pronóstico. los resultados obtenidos de esta valoración de la precisión. De acuerdo a lo anterior durante la presente sección se mostrarán los resultados obtenidos para cada grupo de artículos de forma individual y global. obteniendo una precisión global para todo el grupo de artículos con lo que se logra establecer en cuántos periodos se obtiene una mejora de manera global e individual. para que posteriormente se concluya si es o no conveniente utilizar la metodología sugerida. La evaluación del costo de la precisión no se presenta dentro de la metodología ya que es opcional para la empresa. debido principalmente a que es muy posible que la organización cuente con sus propias formas de valuación de los inventarios. Sin embargo.12 presentan los resultados obtenidos al aplicar la metodología actual y se comparan éstos contra la metodología sugerida. ya que la compañía evalúa de esta forma su precisión. pudieran ser importantes cuando se requieran mejorar los sistemas de la gestión de la demanda y se desee comparar contra alguna referencia. y más allá de juzgar si es adecuada o no se pretende comparar metodología contra metodología para saber si los objetivos planteados del trabajo se cumplen. 4. durante el desarrollo del trabajo se ha venido hablando del mejoramiento de la precisión como un objetivo a alcanzar. 95 . se presentará una evaluación del valor económico que tendría la precisión obtenida con ambas metodologías.9 RESULTADOS DE LOS PERIODOS PRONOSTICADOS Si recordamos. Además.7 a 4.

319 3. mejora de un 45% a un 63% globalmente mientras que el 76% de los casos individuales son mejores en la precisión al utilizar la metodología sugerida. La precisión se ha calculado tomando como cociente a la sumatoria del total de los pedidos y no así a la sumatoria del total del valor pronosticado.190 96 66 82 108 198 43 78 164 80 283 98 89 37 21 58 86 86 8 -102 -327 19 -107 -65 9 -13 256 -9 -2190 -96 -66 82 -108 -198 -43 -78 -164 80 -283 -98 -89 -37 -21 -58 -86 -86 8 77% 50% 1% 93% 54% 9% 15% 39% 8% 217% 12% 138% 35% 53% 50% 54% 12% 90% 27% 72% 146% 41% 31% 10% 77% 33% 101% 8% 106 1045 1388 126 146 105 102 441 124 2253 851 112 281 258 581 112 835 173 217 628 163 223 185 234 126 293 111 103 27 393 121 11 26 6 15 215 4 1243 33 64 45 56 181 33 160 10 78 234 96 5 65 33 51 29 26 0 27 -393 -121 -11 -26 -6 -15 215 -4 -1243 -33 -64 -45 -56 -181 -33 -160 10 78 -234 -96 -5 -65 -33 -51 -29 -26 0 20% 60% 10% 9% 22% 7% 18% 33% 3% 123% 4% 133% 19% 28% 45% 41% 24% 5% 26% 59% 143% 2% 54% 16% 68% 11% 30% 0% si si si si si si si si si si si si si si si si si si si si si si Total A 12.010 818 48 236 202 400 79 675 183 295 394 67 218 120 201 75 264 85 103 102 327 19 107 65 9 13 256 9 2.722 Precisión favorable y desfavorable Productos A 4.256 63% 330 96% 36% 76% Tabla 4.200 914 114 154 310 598 122 753 347 215 677 165 307 157 222 133 350 171 95 133 652 1. como se efectúa con la técnica actual.592 8. 96 .248 222 185 90 100 400 129 3.778 45% 454 95% 55% 11.267 115 120 99 87 656 120 1.Capítulo 4 Código SPM Pronóstic Pedido Precisión Precisión Porcentaj Pronostic Precisión Precisión Porcentaj o s Actual Desfavorable e de error o ARIMA ARIMA Desfavorable e de error Casos de Mejora SBA60026 KM639-02 KM11004-01 K0047-06 K1886-01 KF295-01 K260033-01 SN9001 KM136-01 SN31846 KF224-02B K1914-06 K1121-01 KM80203-01 KF537-04 KF587-04 KM173-01 K70037-02 SBA1002 KM168-01 KF594-01 K0465-05 KM168-02 K9082-01 KM10993-01 SN1106 KF251-01 K0036-02 235 979 1.7 muestra como la precisión durante el mes de Abril correspondiente al primer periodo estudiado.7 Resultados obtenidos para ambas metodologías durante el periodo de Abril Fuente: Elaboración Propia La tabla 4.

200 1.423 12.863 Precisión favorable y desfavorable Productos A 2.8 muestra como la precisión durante el mes de Mayo correspondiente al segundo periodo estudiado.438 332 198 90 120 400 160 3.Estudio de Caso Código SPM Pronóstico Pedido Precisión Precisión Porcentaj Pronostic Precisión Precisión Porcentaj Casos de s Actual Desfavorable e de error o ARIMA ARIMA Desfavorable e de error Mejora SBA60026 KM639-02 SBA1029 KM11004-01 K0047-06 K1886-01 KF295-01 K260033-01 SN9001 KM136-01 SN31846 KF224-02B K1914-06 K1121-01 K0050-01 KM80203-01 KF537-04 KF587-04 KM173-01 K70037-02 SBA1002 KM168-01 KF594-01 K0465-05 KM168-02 K9082-01 KM10993-01 SN1106 KF251-01 K0036-02 235 1.600 968 96 217 88 323 787 168 852 345 165 914 230 395 166 313 133 207 167 134 166 136 68 106 176 12 85 120 4 44 600 144 64 22 12 60 9 13 23 84 50 214 35 41 4 54 67 143 61 15 -166 -136 -68 -106 -176 -12 85 -120 4 44 -600 -144 -64 22 -12 -60 9 13 -23 -84 -50 214 35 41 -4 54 -67 -143 -61 15 241% 13% 213% 8% 113% 6% 49% 120% 1% 22% 23% 15% 67% 10% 14% 19% 1% 8% 3% 24% 30% 23% 15% 10% 2% 17% 50% 69% 37% 11% 105 1086 61 1408 127 144 106 97 424 138 2479 875 96 252 71 261 582 109 822 160 223 644 165 289 180 276 125 300 104 105 36 49 29 76 29 42 69 97 20 66 121 93 0 35 17 62 205 59 30 185 58 270 65 106 14 37 8 93 63 29 -36 -49 -29 -76 29 42 69 -97 -20 66 121 93 0 -35 17 62 205 59 30 185 -58 270 65 106 -14 37 8 -93 63 29 52% 5% 89% 6% 19% 23% 39% 97% 5% 32% 5% 10% 0% 16% 20% 19% 26% 35% 4% 54% 35% 30% 28% 27% 8% 12% 6% 45% 38% 21% si si si si si si si si si si si si si si Total A 14. en este 97 . durante este periodo el incremento en la precisión del pronóstico global es de 4% al pasar de un 80% a un 84%.812 2.632 80% 536 4% 41% 11.061 84% 1.556 12% 27% 48% Tabla 4.037 32 1.112 160 195 100 383 778 155 875 429 215 700 195 354 170 259 200 350 228 119 69 1.8 Resultados obtenidos para ambas metodologías durante el periodo de Mayo Fuente: Elaboración Propia La tabla 4. mientras que el 48% de los artículos individuales mejoran su precisión al utilizar la metodología ARIMA.332 156 186 175 404 204 2.173 100 1.

769 Precisión favorable y desfavorable Productos A 2. Código SPM Pronóstico Pedidos Precisión Precisión Porcentaje Pronostico Precisión Precisión Porcentaje Actual Desfavorable de error ARIMA ARIMA Desfavorable de error Casos de Mejora SN31846 KM11004-01 KM639-02 KF224-02B KM173-01 KM168-01 SN9001 KF537-04 KM80203-01 K1121-01 SN1106 K0465-05 K9082-01 K70037-02 KF594-01 KM168-02 SBA1002 K1886-01 KM136-01 SBA60026 K260033-01 KM10993-01 K0047-06 K0036-02 KF251-01 KF295-01 K1914-06 KF587-04 2.540 1.676 79% 2.9 Resultados obtenidos para ambas metodologías durante el periodo de Junio Fuente: Elaboración Propia La tabla 4.9 muestra como la precisión durante el mes de Junio correspondiente al tercer periodo estudiado.043 84% 1.672 1.701 87% 21% 68% Tabla 4.146 865 793 432 531 225 181 549 282 288 216 216 281 221 198 150 114 158 96 92 119 93 97 67 382 196 289 316 45 166 92 17 58 102 271 28 65 64 27 98 73 54 12 21 120 39 22 26 17 22 18 36 382 196 289 316 45 166 -92 17 -58 -102 271 28 65 -64 -27 98 73 54 -12 -21 -120 39 -22 -26 -17 -22 -18 -36 14% 13% 25% 28% 5% 21% 21% 3% 26% 56% 49% 10% 23% 30% 13% 35% 33% 27% 8% 18% 120% 25% 23% 28% 14% 24% 19% 54% 2261 1419 1093 867 823 660 443 568 264 236 288 264 266 160 165 184 203 137 132 106 100 125 129 101 99 105 104 106 411 121 54 279 42 133 11 37 39 55 261 18 22 56 51 97 18 61 18 8 100 33 33 9 20 12 7 39 411 121 54 279 42 133 -11 -37 -39 -55 261 18 22 56 51 97 18 61 18 8 -100 33 -33 -9 20 -12 -7 -39 15% 8% 5% 24% 5% 17% 3% 7% 17% 30% 48% 6% 8% 26% 24% 34% 8% 31% 12% 7% 100% 21% 34% 9% 17% 13% 7% 59% si si si si si si si si si si si si si si si si si si si Total A 11.344 858 830 820 627 524 514 283 283 278 254 223 280 243 183 148 144 162 135 120 119 118 118 136 115 115 103 2.367 12.147 1.Capítulo 4 periodo la precisión calculada fue bastante alta.039 84% 27% 11. sin embargo logro mejorarse al aplicar la metodología sugerida.290 1. Por otro lado. el porcentaje de mejora para los valores individuales es del 68% de los productos analizados. durante el cual la precisión global alcanza el valor de 84% con la técnica sugerida en contra del 79% obtenido con la técnica actual. 98 .410 2.

188 31% 100% 107% 11.361 1.792 1.10 muestra como la precisión durante el mes de Julio correspondiente al cuarto periodo estudiado.107 1. mientras que en el individual se obtiene que un 96% de los artículos estudiados mejoran su precisión.144 1.093 836 699 685 377 377 371 339 297 373 324 244 197 192 216 180 160 159 157 157 181 153 153 137 2. para el porcentaje global. 99 .053 1.10 Resultados obtenidos para ambas metodologías durante el periodo de Julio Fuente: Elaboración Propia La tabla 4.399 2.Estudio de Caso Código SPM Pronóstico Pedidos Precisión Precisión Porcentaje Pronostico Precisión Precisión Porcentaje Actual Desfavorable de error ARIMA ARIMA Desfavorable de error Casos de Mejora SN31846 KM11004-01 KM639-02 KF224-02B KM173-01 KM168-01 SN9001 KF537-04 KM80203-01 K1121-01 SN1106 K0465-05 K9082-01 K70037-02 KF594-01 KM168-02 SBA1002 K1886-01 KM136-01 SBA60026 K260033-01 KM10993-01 K0047-06 K0036-02 KF251-01 KF295-01 K1914-06 KF587-04 3.156 8.139 750 407 610 425 144 431 276 283 316 188 142 162 155 143 119 44 130 111 91 111 109 44 110 101 66 692 653 394 700 483 411 555 254 101 377 88 23 109 231 162 89 54 73 172 50 49 68 46 48 137 43 52 71 -692 -653 -394 -700 -483 -411 -555 -254 -101 -377 -88 -23 -109 -231 -162 -89 -54 -73 -172 -50 -49 -68 -46 -48 -137 -43 -52 -71 29% 57% 53% 172% 79% 97% 385% 59% 37% 377% 31% 7% 58% 163% 100% 57% 38% 61% 391% 38% 44% 74% 42% 44% 312% 39% 52% 108% 2312 1426 1096 851 827 663 441 556 259 228 292 237 274 153 164 186 201 135 131 107 98 125 131 100 94 105 100 105 49 118 346 444 217 238 240 9 18 229 83 79 86 11 2 31 15 16 87 23 13 34 20 9 50 17 1 39 49 -118 -346 -444 -217 -238 -240 9 18 -229 83 79 -86 -11 -2 -31 15 -16 -87 23 -13 -34 -20 9 -50 17 1 -39 2% 10% 46% 109% 36% 56% 167% 2% 6% 229% 29% 25% 46% 8% 1% 20% 10% 13% 197% 18% 12% 37% 18% 8% 114% 15% 1% 59% si si si si si si si si si si si si si si si si si si si si si si si si si si si Total A 15.968 Precisión favorable y desfavorable Productos A 6. incrementa notablemente su precisión tanto global como individual al pasar de 31% obtenido con la técnica actual al 72% calculado al utilizar ARIMA.522 72% 301 97% 46% 96% Tabla 4.

a pesar de que el porcentaje precisión individual es mejor en el 50% de los artículos evaluados 100 .580 828 816 792 621 515 510 276 240 270 251 213 239 206 176 148 144 153 135 116 110 116 112 125 112 111 87 1.11 muestra como la precisión calculada con el método actual de forma global es mayor que la calculada con la metodología sugerida en un 3% es decir.372 825 741 566 609 524 430 252 208 150 259 180 172 164 161 275 154 100 150 100 99 137 75 65 77 56 61 819 208 3 75 226 12 10 80 24 32 120 8 33 67 42 15 127 11 53 15 16 11 21 37 60 35 55 26 -819 -208 -3 -75 -226 -12 10 -80 -24 -32 -120 8 -33 -67 -42 -15 127 11 -53 15 -16 -11 21 -37 -60 -35 -55 -26 62% 15% 0% 10% 40% 2% 2% 18% 10% 15% 80% 3% 18% 39% 25% 9% 46% 7% 53% 10% 16% 11% 15% 49% 92% 45% 97% 43% 2201 1432 1099 833 831 668 452 543 256 225 295 256 276 150 163 189 204 132 132 108 93 124 133 98 90 105 102 103 889 60 274 92 265 59 72 113 4 17 145 3 96 22 1 28 71 22 32 42 7 25 4 23 25 28 46 42 -889 -60 -274 -92 -265 -59 72 -113 -4 -17 -145 3 -96 22 1 -28 71 22 -32 42 7 -25 4 -23 -25 -28 -46 -42 68% 4% 33% 12% 47% 10% 14% 26% 2% 8% 97% 1% 54% 13% 1% 17% 26% 14% 32% 28% 7% 26% 3% 31% 38% 36% 83% 69% si si si si si si si si si si si si si si Total A 11.236 76% 191 98% 30% 11.11 Resultados obtenidos para ambas metodologías durante el periodo de Agosto Fuente: Elaboración Propia La tabla 4.Capítulo 4 Código SPM Pronóstico Pedidos Precisión Precisión Porcentaj Pronostic Precisión Precisión Porcentaj Actual Desfavorable e de error o ARIMA ARIMA Desfavorable e de error Casos de Mejora SN31846 KM11004-01 KM639-02 KF224-02B KM173-01 KM168-01 SN9001 KF537-04 KM80203-01 K1121-01 SN1106 K0465-05 K9082-01 K70037-02 KF594-01 KM168-02 SBA1002 K1886-01 KM136-01 SBA60026 K260033-01 KM10993-01 K0047-06 K0036-02 KF251-01 KF295-01 K1914-06 KF587-04 2.131 1.295 2.274 Precisión favorable y desfavorable Productos A 2.128 9.511 73% 245 97% 29% 50% Tabla 4.312 1.

lo anterior es el cálculo obtenido de forma global.077 967 987 563 80 531 305 174 973 231 278 212 160 188 214 150 127 75 120 130 135 122 79 130 84 107 100 190 77 110 156 89 460 4 15 78 690 33 54 39 56 4 59 1 33 67 1 15 13 4 52 13 32 16 -100 -190 77 110 156 -89 -460 -4 15 -78 690 -33 54 -39 -56 4 59 -1 -33 -67 -1 15 13 4 -52 13 -32 16 4% 13% 7% 11% 16% 16% 575% 1% 5% 45% 71% 14% 20% 18% 35% 2% 27% 0% 26% 89% 1% 11% 10% 4% 66% 10% 38% 15% 2189 1438 1101 815 836 674 455 530 254 226 297 267 281 144 161 191 206 129 130 109 90 124 135 97 85 105 102 102 311 72 24 152 151 111 375 1 51 52 676 36 3 68 1 3 8 21 3 34 30 6 0 25 6 25 18 5 311 72 -24 152 151 -111 -375 1 51 -52 676 -36 -3 68 -1 -3 8 21 -3 -34 30 6 0 25 -6 25 -18 5 12% 5% 2% 16% 15% 20% 469% 0% 17% 30% 70% 16% 1% 32% 1% 2% 4% 14% 3% 45% 25% 4% 0% 21% 8% 19% 21% 5% si si si si si si si si si si si si si si si si si si Total A 12.600 1.218 12.273 2.700 1. 101 .603 87% 31% 64% Tabla 4.500 1.209 Precisión favorable y desfavorable Productos A 2.226 90% 41% 11.271 81% 1. la cual es mejor que la obtenida con el método actual que asciende a un 80%.510 1. mientras que al evaluar la precisión para cada artículo se obtiene que el 64% de los casos estudiados se mejora con la metodología sugerida.460 80% 1.12 Resultados obtenidos para ambas metodologías durante el periodo de Septiembre Fuente: Elaboración Propia La tabla 4.12 muestra cómo la precisión calculada para el sexto es de 81%.Estudio de Caso Código SPM Pronóstico Pedidos Casos Precisión Precisión Porcentaje Pronostico Precisión Precisión Porcentaje de Actual Desfavorable de error ARIMA ARIMA Desfavorable de error Mejor a SN31846 KM11004-01 KM639-02 KF224-02B KM173-01 KM168-01 SN9001 KF537-04 KM80203-01 K1121-01 SN1106 K0465-05 K9082-01 K70037-02 KF594-01 KM168-02 SBA1002 K1886-01 KM136-01 SBA60026 K260033-01 KM10993-01 K0047-06 K0036-02 KF251-01 KF295-01 K1914-06 KF587-04 2.000 857 831 652 540 535 290 252 283 264 224 251 216 184 155 151 160 142 121 116 122 118 131 117 116 91 2.

5 98 133 256 225 132 102 93 150 276 833 90 105 543 103 163 124 1432 132 668 189 831 1099 256 204 108 295 2201 452 % Actual 49% 15% 3% 15% 7% 97% 16% 39% 18% 10% 92% 45% 18% 43% 25% 11% 15% 53% 2% 9% 40% 0% 10% 46% 10% 80% 62% 2% % ARIMA 31% 3% 1% 8% 14% 83% 7% 13% 54% 12% 38% 36% 26% 69% 1% 26% 4% 32% 10% 17% 47% 33% 2% 26% 28% 97% 68% 14% SEPTIEMBRE Pronostico Actual ARIMA 117.Capítulo 4 ABRIL Pronostico Actual ARIMA 95 222 307 154 185 114 100 347 222 914 171 90 598 122 165 133 1248 129 677 157 753 979 310 215 235 350 3200 400 103 126 223 281 146 112 102 173 234 851 111 105 581 112 163 126 1388 124 628 185 835 1045 258 217 106 293 2253 441 % Actual 8% 93% 41% 35% 54% 138% 15% 90% 10% 12% 101% 9% 50% 54% 146% 77% 1% 8% 72% 31% 12% 50% 53% 27% 77% 33% 217% 39% % ARIMA 0% 9% 2% 19% 22% 133% 18% 5% 16% 4% 30% 7% 45% 41% 143% 68% 10% 3% 59% 54% 24% 60% 28% 26% 20% 11% 123% 33% MAYO Pronostico Actual ARIMA 119 332 354 195 198 160 120 429 259 1112 228 90 778 155 195 200 1438 160 700 170 875 1173 383 215 235 350 3200 400 105 127 289 252 144 96 97 160 276 875 104 106 582 109 165 125 1408 138 644 180 822 1086 261 223 105 300 2479 424 % Actual 11% 113% 10% 10% 6% 67% 120% 24% 17% 15% 37% 49% 1% 8% 15% 50% 8% 22% 23% 2% 3% 13% 19% 30% 241% 69% 23% 1% % ARIMA 21% 19% 27% 16% 23% 0% 97% 54% 12% 10% 38% 39% 26% 35% 28% 6% 6% 32% 30% 8% 4% 5% 19% 35% 52% 45% 5% 5% JUNIO Pronostico Actual ARIMA 118 118 254 283 144 115 120 280 223 830 136 115 514 103 243 119 1344 162 627 183 820 858 283 148 135 278 2290 524 101 129 264 236 137 104 100 160 266 867 99 105 568 106 165 125 1419 132 660 184 823 1093 264 203 106 288 2261 443 % Actual 28% 23% 10% 56% 27% 19% 120% 30% 23% 28% 14% 24% 3% 54% 13% 25% 13% 8% 21% 35% 5% 25% 26% 33% 18% 49% 14% 21% % ARIMA 9% 34% 6% 30% 31% 7% 100% 26% 8% 24% 17% 13% 7% 59% 24% 21% 8% 12% 17% 34% 5% 5% 17% 8% 7% 48% 15% 3% JULIO Pronostico Actual ARIMA 157.33 338. Mej.28 831.33 197.67 100 131 237 228 135 100 98 153 274 851 94 105 556 105 164 125 1426 131 663 186 827 1096 259 201 107 292 2312 441 % Actual 44% 42% 7% 377% 61% 52% 44% 163% 58% 172% 312% 39% 59% 108% 100% 74% 57% 391% 97% 57% 79% 53% 37% 38% 38% 31% 29% 385% % ARIMA 8% 18% 25% 229% 13% 1% 12% 8% 46% 109% 114% 15% 2% 59% 1% 37% 10% 197% 56% 20% 36% 46% 6% 10% 18% 29% 2% 167% AGOSTO Pronostico Actual ARIMA 112 116 251 240 143.8 131.05 184.98 2600 540.08 534.33 1106.33 180 370.03 121.4 141.25 117.33 297.33 685.67 1792 216 836 244 1093.28 250.5 110 1580 152.33 192 153.67 3053.5 1700 160.55 252 150.8 155.08 1000 289.3 698.5 239 213 816 125 111.5 87 205.5 2131 514.33 157.65 856.5 791.3 1144 377.98 91.5 621 175.7 181.13 Periodos mejorados al aplicar la metodología ARIMA Fuente: Elaboración Propia 102 .5 110.68 116.33 137.5 115.75 282.5 509.23 97 135 267 226 129 102 90 144 281 815 85 105 530 102 161 124 1438 130 674 191 836 1101 254 206 109 297 2189 455 % Actual 4% 10% 14% 45% 0% 38% 1% 18% 20% 11% 66% 10% 1% 15% 35% 11% 13% 26% 16% 2% 16% 7% 5% 27% 89% 71% 4% 575% % ARIMA 21% 0% 16% 30% 14% 21% 25% 32% 1% 16% 8% 19% 0% 5% 1% 4% 5% 3% 20% 2% 15% 2% 17% 4% 45% 70% 12% 469% Número K0036-02 K0047-06 K0465-05 K1121-01 K1886-01 K1914-06 K260033-01 K70037-02 K9082-01 KF224-02B KF251-01 KF295-01 KF537-04 KF587-04 KF594-01 KM10993-01 KM11004-01 KM136-01 KM168-01 KM168-02 KM173-01 KM639-02 KM80203-01 SBA1002 SBA60026 SN1106 SN31846 SN9001 Per. 4 5 3 4 2 6 4 3 4 4 4 4 3 3 3 5 5 4 3 3 3 4 4 4 5 4 3 4 Pedido pzas Pedido pzas Pedido pzas Pedido pzas Pedido pzas Pedido pzas 103 115 218 236 120 48 87 183 201 818 85 99 400 79 67 75 1267 120 394 120 675 652 202 295 133 264 1010 656 134 156 395 217 186 96 0 345 313 968 167 175 787 168 230 133 1332 204 914 166 852 1037 323 165 69 207 2600 404 92 96 282 181 198 97 0 216 288 1146 119 93 531 67 216 158 1540 150 793 281 865 1147 225 221 114 549 2672 432 109 111 316 0 119 101 111 142 188 407 44 110 431 66 162 91 1139 44 425 155 610 750 276 143 130 283 2361 144 75 137 259 208 154 56 100 172 180 741 65 77 430 61 164 99 1372 100 609 161 566 825 252 275 150 150 1312 524 122 135 231 174 150 84 120 212 278 967 79 130 531 107 160 130 1510 127 563 188 987 1077 305 214 75 973 2500 80 Tabla 4.95 223.35 215.33 324 158.5 828 276 148 135 269.67 377.78 115.6 121.13 652.33 153.33 160 373.8 263.

333 407 50 -833 66.77 Actual ARIMA $ Actual $ ARIMA 8 107 89 82 65 66 13 164 21 96 86 9 198 43 98 58 19 9 283 37 78 327 108 80 102 86 0 11 5 45 26 64 15 10 33 33 26 6 181 33 96 51 121 4 234 65 160 393 56 78 27 29 1243 215 3256 MAYO PRECISION DIF 2487 28450 21548 24136 7277 642 -935 25801 -4688 9333 16723 408 3790 2326 574 2836 -42320 1265 25078 -15791 -27751 -15341 11399 29 2302 25915 26777 21626 153897 JUNIO PRECISION DIF -4396 43263 -16584 -8098 -5683 20929 9283 -16884 6678 7528 -477 2597 -42355 -10264 -7001 24255 12486 -5628 -28422 -5576 -2382 20301 -423 -114 3981 22602 13540 -8140 25016 JULIO PRECISION DIF Actual ARIMA 9 20 79 229 16 1 13 11 86 444 50 17 9 39 2 34 118 87 238 31 217 346 18 15 23 83 49 240 2522 AGOSTO PRECISION DIF 12667 7823 -14454 96705 10699 17025 14321 36778 9146 37868 24063 4275 53208 7238 37938 13980 222309 22111 87910 32985 Actual ARIMA $ Actual $ ARIMA 37 21 8 32 10.62 221.35 -2573 110.41 30.53 232.5 190 3610 52.425 Fuente: Elaboración Propia GRAN TOTAL AHORRO $1.5 67 33 75 60 34.5 23 4 3 17 22 46 7 22 96 92 25 28 113 42 1 25 60 32 59 28 265 274 4 71 42 145 889 72 2511 SEPTIEMBRE PRECISION DIF 4338 4940 Actual ARIMA $ Actual $ ARIMA 4.75 -11565 690.975 -3622 15.18 508.5 11 208 52.33 54725 394 90247 225.333 -4350 254.675 2670 32.15 14.93 -62998 4399 814 77 15.57 218.573 TOTAL ACUM $ ARIMA $4.16 259.33 17095 109.775 -5961 61274 14.5 79.65 571.5 26 41.23 -76736 2460 TOTAL Tabla 4.125 -24070 89.509.57 411.667 31018 -1493 16951 848 653 172 411 89 5292 33.14 399.5 15.333 -5722 162 2440 67.Estudio de Caso ABRIL PRECISION Número K0036-02 K0047-06 K0465-05 K1121-01 K1886-01 K1914-06 K260033-01 K70037-02 K9082-01 KF224-02B KF251-01 KF295-01 KF537-04 KF587-04 KF594-01 KM10993-01 KM11004-01 KM136-01 KM168-01 KM168-02 KM173-01 KM639-02 KM80203-01 SBA1002 SBA60026 SN1106 SN31846 SN9001 $ UN 320.28 2190 524.35 216.03 -1983 100 4521 87.667 30650 378.05 -7701 3.2 9748 52.2 25 0 36 52 21 18 30 68 3 152 6 25 1 5 1 6 72 3 111 3 151 24 51 8 34 676 311 375 2271 Actual ARIMA $ Actual $ ARIMA 15 176 41 22 12 64 120 84 54 144 61 85 9 13 35 67 106 44 214 4 23 136 60 50 166 143 600 4 2552 Actual ARIMA $ Actual $ ARIMA 26 22 28 102 54 18 120 64 65 316 17 22 17 36 27 39 196 12 166 98 45 289 58 73 21 271 382 92 2676 $ Actual 15477 13666 5796 245069 13688 17195 19698 38665 43643 103810 38002 6905 55094 15833 38324 27854 271099 44579 209055 50864 163623 91633 22106 783 1533 39605 19579 290706 1903884 $ ARIMA 2810 5844 20250 148364 2990 170 5377 1887 34497 65942 13939 2630 1885 8595 386 13874 48790 22468 121145 17878 73376 80562 3837 214 704 37428 1375 125926 863142 DIF -6725 3815 -995 16996 -3782 4713 -11497 -4780 20587 -6256 12737 -1947 715 2356 12855 3609 48985 7706 -11387 188 1553 12262 -7830 722 1017 6198 -5975 44581 140420 2562 31561 22757 53116 12188 21686 5226 27411 8383 14244 23797 1434 42891 9544 23184 23875 7888 2333 143948 21146 26405 76050 23560 1153 3126 38852 61933 134172 864425 74 3110 1210 28980 4911 21044 6161 1610 13070 4911 7074 1026 39101 7218 22610 21039 50208 1067 118870 36937 54156 91391 12161 1124 824 12937 35156 112547 710528 29 29 106 35 42 0 97 185 37 93 63 69 205 59 65 8 76 66 270 14 30 49 62 58 36 93 121 20 2015 4803 51913 10484 14251 2250 21028 48240 14040 21555 21365 16879 13545 1950 2885 8280 27580 44007 11404 108851 2286 7786 31630 13089 721 5088 64603 16968 2096 589577 9199 8650 27068 22348 7933 100 38957 30924 14878 13837 17356 10948 44304 13149 15281 3325 31521 17032 137273 7862 10168 11329 13512 835 1107 42001 3428 10237 564561 9 33 18 55 61 7 100 56 22 279 20 12 37 39 51 33 121 18 133 97 42 54 39 18 8 261 411 11 2043 8325 6489 7160 66072 10126 5914 48240 10697 25946 46885 4704 3506 3683 7991 6387 16054 81371 3110 84436 56007 15234 67213 12653 1052 644 122430 10803 48218 781348 2754 9660 4630 35421 11365 2304 40235 9316 8851 41354 5500 1942 8033 8714 12110 13614 50353 4603 67484 55159 14246 12488 8511 257 237 117908 11620 5869 564538 5571 48.5 2236 -32853 460.65 451.11 256 4778 819 9.025 3366 1.25 1059 12.4 13.76 187.37 276.5 18204 164780 1040741 28.65 9467 55.57 402 167.925 -7251 3.71 159.5 12 14.148 103 .333 -3171 46.500.64 415.2 58.21 294.7 647.5 338.6 987 483.14 Beneficio económico al aplicar la metodología ARIMA TOTAL ACUM $ ACTUAL $5.33 -1239 73 11848 6194 2046 20728 1969 17907 6231 11198 13173 11128 16603 5498 17221 5771 9818 4528 86353 13607 6104 8287 76339 698 5236 1830 460 53987 23161 4979 442899 7509 1254 855 11260 4084 15237 2865 3696 38489 13701 6855 4439 24472 9393 350 10490 25079 8314 30174 15988 89761 63696 837 1016 1293 65552 25144 37832 519634 1409 3893 8323 50525 127 10522 513 6510 21695 16350 14458 2060 861 3474 13195 5969 78880 8585 45295 2129 52785 17908 3316 844 2046 311733 2828 241209 927442 8134 79 9318 33529 3908 5810 12010 11290 1108 22606 1722 4006 146 1118 340 2360 29895 880 56683 1941 51232 5645 11146 122 1029 305535 8803 196628 787022 1191 32.725 -13423 155.33 42349 554.96 255.333 8005 49 1381 231.55 9468 78 -2115 0.275 7503 38.95 -25317 54.5 11071 18269 568 828 3 24 127 15 4142 101.667 -817 692.96 236.67 -796 137.009.5 54.33 5531 699.67 216809 6189 2177 119.33 -723 71.33 794 54.33 1564 43.17 148.51 328.333 2530 22.

y así comprender cómo se va comportando la metodología a través del tiempo. debido principalmente a que esto conlleva a tener más piezas en el almacén en caso de que el pronóstico falle.Capítulo 4 La tabla 4. cómo se comporta el método sugerido. con esto. mencionamos durante el capítulo anterior que se realizó una evaluación de los beneficios económicos que se obtienen al utilizar la técnica sugerida. existen errores de más del 100% lo que indudablemente debe ser considerado a la hora de valorizar el inventario. ya que en ésta se evalúa a cada periodo con la totalidad de los productos. Finalmente. es posible entender desde la óptica teórica. lo que no se puede visualizar cuando se utiliza la forma de evaluación llevada a cabo actualmente por la empresa. Este costo es calculado tanto para la técnica actual como para la sugerida. 104 . ya que este es diseñado para ser tratado para cada producto de forma individual durante todos los periodos que se deseen estudiar. La tabla 4. pero se debe entender que con las diferencias que se presentan.13 muestra cuántos son los periodos que se mejoran al aplicar la metodología ARIMA para cada uno de los productos analizados. considerando que es aquí donde se genera la diferencia entre lo pedido y lo pronosticado.14 muestra cuál es el costo unitario de cada uno de los productos evaluados y también cuál es el costo de la precisión de cada uno de ellos para los diferentes periodos estudiados. Es importante notar que la empresa se inclina por mantener una diferencia desfavorable en el cálculo de la precisión del pronóstico.

con lo que busca una mejor reacción ante la solicitud de material por parte de los clientes.009.509.33% de mejora. ya que al utilizar otra técnica de pronóstico el porcentaje de precisión ha sido mejorado tanto global como individualmente ya que esta metodología se ajusta de mejor forma a las variaciones presentadas por la demanda. Por otra parte al contrastar el segundo objetivo con los resultados obtenidos. por lo tanto se concluye que el primer objetivo perseguido en el presente trabajo se cumple satisfactoriamente. aunque de igual forma se pueden considerar como casos aislados. ya que de los 6 periodos estudiados de Abril a Septiembre 5 de ellos mejoran su precisión obteniendo que el 83. encontramos que éste de igual forma es cubierto plenamente ya que cada producto de forma individual es mejorado al aplicar la técnica ARIMA en al menos el 50%. hemos encontrado que 5 de los 6 periodos evaluados con la técnica ARIMA son mejores en su precisión global. Por otra parte la empresa busca tener siempre la precisión desfavorable en términos negativos ya que esto conlleva a tener exceso de producto.573 mientras que al aplicar el ARIMA se obtiene un valor de $4.33% de los casos estudiados son mejores. El periodo correspondiente al mes de Agosto resultó ser un 3% menor en la técnica ARIMA en comparación contra la técnica actual. hemos de concluir también que las hipótesis planteadas son validas. Sin embargo debemos mencionar que existen 2 casos particulares en los que sólo se alcanza un 33.CONCLUSIONES De los resultados obtenidos se puede ultimar lo siguiente: Primeramente al evaluar cada uno de los periodos con la técnica ARIMA.425 lo que 105 . el costo de fallar en el pronóstico que se puede traducir en el costo de la precisión tanto positiva como negativamente. es de igual forma mejorado ya que con la técnica actual se obtiene un valor de $ 5. que si bien es mejor en este mismo porcentaje que la técnica actual. Una vez cumplidos nuestros objetivos. no cubren con los objetivos planteados al inicio del presente trabajo. moviéndose este valor desde un 50% hasta algunos casos que alcanzan el 100%.

sentando un precedente importante al intentar analizar el tipo de demanda presente en éstas. Del análisis del perfil de la empresa. pueda lograr que la organización obtenga un mejor perfil competitivo y consiga alejarse con esto de aquellas situaciones que pudieran desbalancearla. puesto que los factores que pueden influirla son excesivos. ya que a través del tiempo conforme se vaya madurando la técnica. ya que por el mismo giro del negocio resulta bastante difícil pronosticarla. como la llama la empresa. La elaboración del presente trabajo ha permitido definir una metodología nueva aplicable a todas aquellas organizaciones que se dedican al mercado de refacciones automotrices.Conclusiones arroja un ahorro de $1. Con la metodología sugerida la precisión desfavorable. por lo que no logran evitar sus amenazas contundentemente. o en el mejor de los casos a un perfil intensivo. sólo es mejor en un periodo. se puede concluir que la empresa se encuentra situada generalmente alrededor de la media en todas las matrices utilizadas para determinar sus factores externos e internos.148 que puede ser utilizado para enfocarse al mejoramiento de la técnica ARIMA. esto indica que las oportunidades para aprovechar sus fortalezas no están siendo explotadas de forma adecuada. 106 . Se ha identificado que la empresa realiza la evaluación de su precisión utilizando el cociente de la sumatoria de las variaciones absolutas entre el total de los valores pronosticados.500. lo que es un error ya que cualquier cantidad que busque compararse debe hacerse contra su valor real y no contra el valor pronosticado. Por otro lado a pesar de que el líder posee clara ventaja sobre los demás competidores la compañía presenta fortalezas interiores que al ser conocidas y utilizadas de forma efectiva. este valor deberá cada vez ser mejor ya que es una consecuencia de la precisión lograda. Por lo tanto. pero dado que nuestro objetivo es buscar mejorar la precisión este resultado no es el parámetro que se busque mejorar. según se comento en su oportunidad durante el apéndice 2. Todo lo anterior está encaminado a llevar a la empresa del perfil competitivo en el cual se encuentra hoy en día a un perfil conservador con una fortaleza financiera estable. se puede decir que la metodología propuesta obedece a un concepto general. ya que es posible que cualquier organización del mismo ramo pueda utilizarla para pronosticar su demanda considerando los factores que afecten cada una de ellas ya que éstos son exclusivos para cada compañía que decida emplearla.

Para evitar estas situaciones las estrategias sugeridas por la teoría son: • el desarrollo de productos. 107 . para no empeorar y tener que implementar algunas decisiones drásticas como desparecer o vender. se sitúa en el límite de entre lo bajo y lo medio de los EFE. • la integración hacía adelante. Por lo que se requiere comenzar a llevar a cabo las estrategias adecuadas.Conclusiones Finalmente el análisis permite observar que la unidad estratégica de negocio está situada en aquellos puntos típicos de las divisiones que requieren “mantener y retener”. Aunque de igual forma. • el desarrollo de mercados y • la penetración del mercado.

F. Paraninfo Thomson Learning. F. Marshall. Inc. México. Métodos de Pronósticos. Martín G.. ISBN 968-422-993-3. Gould.F. ISBN 0-13-725144-0 108 . Ebert. J. R. Solow. Limusa.BIBLIOGRAFÍA 1. ISBN 0-387-94719-1 4. 1993 Control de la producción y de Inventarios Principios y Técnicas. Decisión making and forecasting. México D. 1996 Pronósticos en los Negocios. Weatherford. Hanke John E. Reitsch Arthur G.. F.. Moore. Diebold. Lieberman. Conceptos de Administración Estratégica.. S.. ISBN 84-283-2570-7 13. Investigación de operaciones en la ciencia administrativa. Adam. K.. Braverman. K. 1996. McGraw Hill. modelos y funcionamiento ed. Investigación de operaciones. Introducción a la investigación de operaciones. Prentice Hall. 1999. International Thomson Editores. D. Wheelwright.. ISB 968-18-4879-9 11. SPRINGER TEXTS IN STATISTICS.. Hillier. Mathor. Prentice Hall. México.. Pankratz Alan. Oliver.S. ISBN 968-880-221-2 2. 1994 Time Series Analysis Forecasting and Control. Schmidt. México. ISBN 0-13-060774-6 7. New York. David Fred R.. lógica y decisiones gerenciales. México. ISBN 968-880-681-1 9. C... J. 2000. . Curso de redacción. U. 2000. 1995. Prentice Hall Internacional. P. Prentice Hall.. 1996 Introduction to Time Series and Forecasting. 1983 Forecasting with Univariate Box-Jenkins Models. ISBN 0-471-09023-9 15. México. Brockwell Peter J.A. México. L. 2003. G.. Prentice Hall. Plossl George W. Makridakis. ISB 968-24-0807-5 3. 10. Eppen. 1991 Administración de la producción y operaciones conceptos. S. Box. ISBN 97017-0270-0 8.. JOHN WILEY & SONS.. ISB 968-880-698-6 14. New Jersey. E. México. ISBN 968 7529 74 1 6. New York.. teoría y práctica de la composición y del estilo.. México. Prentice Hall. McGraw Hill. 1993. Elementos de Pronósticos. Colombia. 12. G... Pearson Prentice hall. Probabilidad. El arte de la toma de decisiones. ISBN 970-26-0427-3 5. F. George.. 1980. 2000.. Trillas. México D.

16. Schroeder, R., 1996 Administración de operaciones, toma de decisiones en la función de operaciones, McGraw Hill, México, ISBN 970-10-0088-9 17. Taha, H., 1998, Investigación de operaciones una introducción, Prentice Hall, México, ISBN 970-17-0166-6

Revistas 18. Indicadores económicos, Noviembre 2006, Instituto Nacional de Estadística Geografía e Informática 19. Melgar, Luis, 2005, estudio de parque vehicular mexicano, Melgar y asociados. 20. Solís M, Benito, Junio 2006 Análisis del entorno económico en 2006, Asociación Mexicana de distribuidores Automotrices 21. Reporte económico de coyuntura, Julio 2006, Asociación Mexicana de distribuidores Automotrices.

109

APÉNDICE 1: Los 100 vehículos de mayor circulación en México

MARCA NISSAN VW VW G.M. VW NISSAN VW NISSAN DAIMLERCHRYSLER G.M. FORD DAIMLERCHRYSLER G.M. DAIMLERCHRYSLER DAIMLERCHRYSLER FORD G.M. DAIMLERCHRYSLER VW VW DAIMLERCHRYSLER FORD HONDA HONDA G.M. FORD FORD FORD G.M. VW FORD NISSAN NISSAN G.M. NISSAN PEUGEOT VW RENAULT DAIMLERCHRYSLER FORD FORD SEAT G.M. SEAT FORD G.M. DAIMLERCHRYSLER DAIMLERCHRYSLER G.M. DAIMLERCHRYSLER FORD FORD FORD FORD G.M. G.M. FORD VW G.M. FORD FORD VW SEAT TOYOTA FORD BMW VW G.M. VW DAIMLERCHRYSLER G.M. G.M. DAIMLERCHRYSLER FORD NISSAN FORD DAIMLERCHRYSLER TOYOTA FORD VW TOYOTA VW NISSAN NISSAN DAIMLERCHRYSLER NISSAN G.M. DAIMLERCHRYSLER

EMPRESA, MARCA Y MODELO TSURU (TODAS SUS VERSIONES) SEDÁN JETTA (TODAS SUS VERSIONES) CHEVY NACIONAL POINTER (INCLUYE SU VERSIÓN GTI) SENTRA NACIONAL GOLF (TODAS SUS VERSIONES) PLATINA STRATUS CHEVY MONZA TOPAZ NEÓN CAVALIER SHADOW SPIRIT (TODAS SUS VERSIONES) FIESTA CORSA SEDÁN ATOS CARIBE DERBY IMPORTADO DART K FOCUS CIVIC ACCORD NACIONAL ASTRA FIESTA IKON LTD/ GRAND MARQUIS NACIONAL KA MALIBU POINTER WAGON ESCORT IMPORTADO TSUBAME (TODAS SUS VERSIONES) DATSUN CUTLASS ALTIMA PEUGEOT 206 ATLANTIC CLIO NACIONAL VOLARE K GHIA CONTOUR IBIZA 2 PUERTAS SUNFIRE CORDOBA FAIRMONT EUROSPORT VERNA PHANTOM CELEBRITY CIRRUS MUSTANG NACIONAL COUGAR NACIONAL B MYSTIQUE MONDEO CHEVY IMPORTADO CENTURY LTD/ GRAND MARQUIS IMPORTADO NEW BEETLE CORSA THUNDERBIRD NACIONAL B FIESTA SEDÁN POLO 4 PUERTAS IBIZA 4 PUERTAS RAV 4 ESCORT NACIONAL SERIE 3 CORSAR MERIVA BORA NEW YORKER CHEVY STATION WAGON MATIZ DODGE DART MUSTANG IMPORTADO HATCH BACK SAMURAI SABLE LE BARON COROLLA TAURUS LUPO 4 PUERTAS SIENNA PASSAT (TODAS SUS VERSIONES) MAXIMA STATION WAGON CRUISER ALMERA GRAND AM LE BARON K

ACUMULADO PARTICIPACION PARTICIPACION 1972-2005 POR MODELO ACUMULADA 1,083,420 13.25% 13.25% 763,423 9.34% 22.59% 488,146 5.97% 28.57% 455,660 5.57% 34.14% 311,452 3.81% 37.95% 273,272 3.34% 41.29% 211,460 2.59% 43.88% 190,967 2.34% 46.22% 186,628 2.28% 48.50% 175,191 2.14% 50.64% 170,605 2.09% 52.73% 167,260 2.05% 54.78% 149,953 1.83% 56.61% 130,461 1.60% 58.21% 122,019 1.49% 59.70% 110,451 1.35% 61.05% 109,275 1.34% 62.39% 101,746 1.24% 63.63% 97,624 1.19% 64.83% 90,003 1.10% 65.93% 88,079 1.08% 67.01% 86,118 1.05% 68.06% 82,262 1.01% 69.07% 74,295 0.91% 69.98% 74,245 0.91% 70.88% 65,866 0.81% 71.69% 65,382 0.80% 72.49% 61,612 0.75% 73.24% 61,454 0.75% 73.99% 60,708 0.74% 74.74% 56,588 0.69% 75.43% 52,436 0.64% 76.07% 51,631 0.63% 76.70% 48,847 0.60% 77.30% 48,552 0.59% 77.89% 44,349 0.54% 78.44% 43,822 0.54% 78.97% 43,055 0.53% 79.50% 42,967 0.53% 80.03% 40,809 0.50% 80.52% 36,399 0.45% 80.97% 36,394 0.45% 81.42% 32,042 0.39% 81.81% 31,155 0.38% 82.19% 30,460 0.37% 82.56% 30,198 0.37% 82.93% 30,143 0.37% 83.30% 29,812 0.36% 83.66% 27,779 0.34% 84.00% 27,312 0.33% 84.34% 27,151 0.33% 84.67% 27,031 0.33% 85.00% 26,848 0.33% 85.33% 26,540 0.32% 85.65% 26,115 0.32% 85.97% 25,733 0.31% 86.29% 23,544 0.29% 86.58% 21,864 0.27% 86.84% 21,442 0.26% 87.11% 21,319 0.26% 87.37% 19,021 0.23% 87.60% 18,984 0.23% 87.83% 18,892 0.23% 88.06% 18,695 0.23% 88.29% 18,284 0.22% 88.52% 18,209 0.22% 88.74% 18,136 0.22% 88.96% 17,753 0.22% 89.18% 17,211 0.21% 89.39% 16,956 0.21% 89.60% 16,914 0.21% 89.80% 16,733 0.20% 90.01% 16,401 0.20% 90.21% 16,324 0.20% 90.41% 16,299 0.20% 90.61% 15,946 0.20% 90.80% 15,507 0.19% 90.99% 15,245 0.19% 91.18% 15,223 0.19% 91.36% 14,288 0.17% 91.54% 13,973 0.17% 91.71% 13,592 0.17% 91.88% 13,586 0.17% 92.04% 13,325 0.16% 92.21% 13,169 0.16% 92.37% 13,125 0.16% 92.53% 12,949 0.16% 92.69% 12,937 0.16% 92.84%

AÑO AÑO INICIA TERMINA 1984 2005 1972 2005 1987 2005 1995 2005 1997 2005 1995 2005 1987 2005 2002 2005 1995 2005 1996 2005 1983 1994 1994 2005 1990 2005 1988 1994 1989 1995 1998 2005 2002 2005 2000 2005 1977 1990 1992 2005 1982 1989 1999 2005 1996 2005 1995 2005 2000 2005 2001 2005 1991 1995 2001 2005 1997 2005 1998 2005 1994 2000 1986 2004 1972 1984 1986 1997 1995 2005 1999 2005 1980 1991 2001 2005 1982 1989 1990 1994 1995 2002 2001 2005 1996 2005 2001 2005 1978 1983 1986 1996 2003 2005 1986 1994 1981 1991 1995 2005 1972 1984 1984 1992 1994 2002 2001 2005 2000 2003 1983 1997 1995 2004 1998 2005 2001 2005 1984 1992 2005 2005 2003 2005 2003 2005 2003 2005 1995 2002 1997 2005 1983 1991 2003 2005 2005 2005 1984 1994 1999 2004 2003 2005 1972 1982 1994 2005 1980 1992 1994 2005 1977 1996 2002 2005 1988 1991 2004 2005 2003 2005 1990 2005 1990 2005 1972 1984 2000 2005 2001 2005 1999 2005 1983 1987

Tabla A.1 Vehículos ligeros de mayor circulación en México Fuente: Elaboración Propia tomado de estudio de parque vehicular mexicano 2005, Melgar y asociados.

111

42% 66.83% 16.11% 97.125 2.991 0.50% 75.93% 25. G.87% 76.28% 92. MARCA Y MODELO CHASIS (TODAS SUS VERSIONES) PICK UP (TODAS SUS VERSIONES) RAM 1500/ RAM CHARGER/ D 150/ AD 150/ AW 150 C 20/ C 2500 117"/ SILVERADO 2500 IMPORTADO F 350 137" F 150 117" PICK UP C 15/ C 1500 117"/ SILVERADO 1500 IMPORTADO C 35 135" CABINA RD/ C3500 R.066 0.66% 173.968 0.18% 95.235 0. G.M.12% 23.50% 40.49% 84.28% 6.432 0.17% 95.55% 18.37% 89.344 2.71% 20.26% 20.93% 10.69% 9.98% 73.22% 35.26% 93.39% 89.M.96% 74.36% 68.M.334 0.635 0. VW FORD DAIMLERCHRYSLER NISSAN DAIMLERCHRYSLER FORD NISSAN DAIMLERCHRYSLER G. VW TOYOTA NISSAN DAIMLERCHRYSLER DAIMLERCHRYSLER HONDA DAIMLERCHRYSLER FORD G.32% 90. DAIMLERCHRYSLER G. SILVERADO 1500 NACIONAL SIENNA PATHFINDER ECONOLINE F 100 DM 350 CS 1073 PICK UP EURO CARGA CLUB WAGON H-100 FRONTIER D 300 FREESTAR URVAN PASAJEROS RAM 2500 IMPORTADA EQUINOX OUTLANDER XTERRA B 100 WRANGLER SONORA CHEVY PICK UP NACIONAL C 60/65 RAM 4X4/ W 250 RAM 3500 IMPORTADA SHARAN COLORADO DOBLE CABINA EURO PASAJE B 150 AZTEK UPLANDER MURANO KANGOO VW VAN ACUMULADO PARTICIPACION PARTICIPACION 1972-2005 /MODELO ACUMULADA 266.35% 36.901 0.M. G.22% 15.342 0.036 0.046 0. G.32% 91.43% 5.99% 17.94% 7.13% 97.S.938 0.57% 5.41% 17.29% 59.M.M.M.79% 46. TOYOTA NISSAN FORD FORD DAIMLERCHRYSLER G.62% 8.436 0. DAIMLERCHRYSLER G.M. NISSAN RENAULT VW EMPRESA.26% 92.055 0.35% 89. DAIMLERCHRYSLER FORD G.24% 93.31% 65.042 0.096 0.14% 96. DAIMLERCHRYSLER FORD HONDA G.21% 21.662 0.65% 19.29% 91.472 0.782 0.438 2.720 4.42% 88.188 0.39% 93.00% 58. 112 .674 0.937 0.52% 84.22% 94.M.23% 56.63% 78.33% 90.29% 91.533 0.M.392 1.M.583 0.19% 19.56% 12.876 0.961 0.778 0.22% 4.45% 87.508 1.71% 80.M. DAIMLERCHRYSLER DAIMLERCHRYSLER FORD VW DAIMLERCHRYSLER G.745 0.44% 10.85% 5.24% 94.14% 96.17% 96.M.72% 33.070 0.492 0.157 5.927 5.29% 13.D.930 5.63% 83.396 0.M.326 0.23% 69.81% 62.35% 90.388 0. G.208 0.M.462 0.48% 85.81% 78.467 3.164 0.74% 21.88% 34.69% 49.52% 41. NISSAN FORD G.970 3.53% 83. Melgar y asociados.826 0.30% 51.46% 52. G.M.81% 77.833 1.701 4.46% 37.13% 96.M. DAIMLERCHRYSLER FORD VW G.28% 92.07% 34.867 0.46% 87.785 0.97% 130.56% 63.013 0.867 5.10% 116.84% 77.MARCA NISSAN NISSAN DAIMLERCHRYSLER G.53% 41.87% 59.M.07% 51.42% 65.10% 18.382 0.01% 71.748 0.M.69% 21. FORD FORD FORD FORD NISSAN FORD G.22% 29.15% 96.2 Camionetas de mayor circulación en México Fuente: Elaboración Propia tomado de estudio de parque vehicular mexicano 2005.94% 14.60% 7.25% 93. NISSAN FORD G.695 0.055 0.11% 7.85% 11.23% 20.M.11% 4.66% 23.88% 60. G.094 0.35% 54.36% 6.48% 31.26% 12.41% 10.M.52% 42.75% 20.71% 5.90% 75.93% 197.13% 11.83% 12.17% 9.17% 95.03% 8.283 1.44% 87.285 0.54% 24.197 0.525 0.99% 72. VW FORD G.671 2.57% 82. MITSUBISHI NISSAN FORD DAIMLERCHRYSLER G.62% 13.12% 97.68% 17.48% 86.294 1.15% 37.59% 14.407 0.111 0.354 0.851 0. FORD FORD G.275 0.203 0.543 0.33% AÑO INICIA 1972 1974 1980 1985 1972 1979 1979 1988 1990 1980 1991 1973 1985 1986 1996 1994 1995 1985 2001 2003 1981 2001 1990 1972 1997 1975 2000 1994 1992 2000 2002 1994 1997 1992 1987 1996 1990 1994 1979 1972 1997 1994 1972 2003 1995 1999 1998 2003 1999 1996 1997 1999 1993 1989 2004 2003 1996 1994 1972 1988 1972 2001 1994 2002 2000 1972 2004 1999 2002 2004 2003 1999 1973 1991 2000 1998 1979 1985 2004 2001 2004 2001 1975 2000 2004 2003 2003 2002 AÑO TERMINA 2005 2005 2004 2005 2005 2005 2005 2005 2005 2003 2005 2002 2004 2005 2005 2004 2005 1991 2005 2005 2005 2005 2005 2002 2005 2005 2005 2002 2005 2005 2005 2005 2005 2005 1994 2005 1994 2005 1987 1984 2005 2004 1979 2005 2005 2004 2005 2005 2005 2004 2005 2005 2004 1997 2005 2005 2005 2005 1978 1993 1978 2005 2005 2005 2005 1979 2005 2005 2005 2005 2005 2005 1981 2005 2005 2000 1987 1993 2005 2005 2005 2005 1985 2005 2005 2005 2005 2005 Tabla A.M.892 1.46% 86.67% 10.17% 96.423 0.092 0.13% 96.40% 28.22% 94.71% 56.773 0.885 0.62% 81.13% 44.52% 83.20% 95. DAIMLERCHRYSLER DAIMLERCHRYSLER VW G. VOYAGER RAM 3500/ D 350 F 250 117" PICK UP PANEL RAM 2500/ D 250 SUBURBAN LOBO WINDSTAR RANGER F 200 XTRAIL ECOSPORT P 30 LIBERTY EXPLORER COMBI LUV ESTACAS (TODAS SUS VERSIONES) ESCAPE SILVERADO CHEROKEE COURIER CR-V BLAZER IMPORTADO VENTURE GEO TRACKER ICHI VAN EXPEDITION BLAZER/ MAXI-CAB (NACIONALES) CHEVY VAN C 30/35 PD 600 F-450 S 10 D 100 TORNADO PICK UP CLUB CAB CHEVY PICK UP IMPORTADO POINTER PICK UP RAV 4 URVAN CARGA RAM VAN DURANGO ODISSEY RAM WAGON P 350 137" CHASIS R.83% 8.58% 103.81% 132.58% 82.26% 93.901 0.88% 236.417 1.48% 85.74% 80.16% 40.78% 79.05% 98.94% 13.973 0.372 6.868 2.23% 8.753 0.43% 7. G.21% 94.43% 88.36% 244.77% 7.54% 225.473 1.98% 5.23% 70.628 0.89% 112.20% 95.93% 9.428 0.69% 32.26% 92.19% 95.M.18% 10.M.20% 237.39% 9.107 1.702 2.M.

México no es la excepción. debido a que generalmente las naciones débiles acceden como proveedores de bienes para los países industrializados. y dado que no pertenece al selecto grupo de naciones con economías desarrolladas. entonces debe buscar los mecanismos que le ayuden a fortalecer su posición dentro del ámbito económico. Lo anterior ha sido la historia de la humanidad desde que el hombre apareció en la tierra y buscaba tener el liderazgo de grupo al que pertenecía ya que esto le permitía acceder primero a todo lo que su sociedad conseguía por el esfuerzo de grupo. y además ejercer su poderío hacia el exterior tratando de dominar a naciones que presenten economías débiles. Para lograr que una nación alcance un desarrollo importante se deben tener los recursos económicos que permitan solventar todas las necesidades que el país 113 . son dependientes tanto de su tecnología como del desarrollo mismo que la economía de estos países logren alcanzar. es decir.2 SITUACIÓN MACROECONÓMICA DEL PAÍS BREVE ANÁLISIS Todas las economías mundiales buscan su consolidación y crecimiento para poder otorgar un beneficio a los habitantes de cada país. Es así que la naciones llamadas en desarrollo viven siempre ligadas al avance de las más poderosas. Para lo que ha realizado ya varios intentos desde gobiernos anteriores.Apéndice 2 Situación macroeconómica de México como factor modificador de la demanda (breve análisis) A. pero aún no se han presentado resultados que permitan vislumbrar un horizonte claro.

05 I .requiere mediante el sostenimiento de un modelo económico.4 2.05 IV .05 II . aunque en este periodo no se gastaba en desarrollo humano pero existían finanzas sanas. PRODUCTO INTERNO BRUTO TRIMESTRAL % VARIACION REAL ANUAL 6 5.4 3. lo que refleja un crecimiento de 3.05 III .1% respecto al mismo periodo del año anterior. El comportamiento de la economía en México se puede considerar en general como buena. El otro periodo fue de 1946-1971 donde existieron finanzas sanas pero no hubo desarrollo humano.3 2. o mejor dicho hemos sido gobernados por individuos pretenciosos que sólo han buscado el bienestar personal olvidando el desarrollo de la población y de el país. Esta dinámica económica del PIB refleja que la economía mexicana está creciendo.06 PERIODO 114 . A continuación se presentan aquellos indicadores macroeconómicos que permitirán obtener un escenario de la situación económica del país A.5 5 PORCENTAJE 4 3. De hecho en México sólo se han tenido dos periodos con crecimiento económico sostenido y han sido durante los años 1884-1911 con el gobierno de Porfirio Díaz.5 % a la alza. Desafortunadamente todos los gobiernos concluidos a partir de 1970 se han caracterizado por la ocurrencia de crisis económicas abruptas lo que no ha permitido el sostenimiento de ningún modelo económico. lo interesante es comparar como se comporta este crecimiento contra el saldo de la cuenta corriente para saber en que nivel se encuentra el país.2 PRODUCTO INTERNO BRUTO. el PIB en el primer periodo del 2006 ha sido de 5.2.7 3 2 1 0 I .

se logro que el déficit se situara por debajo del 1%. podemos adicionar el hecho de que la inflación estuvo por debajo de lo esperado.00% -8. logrando que en el 2004 éste se haya situado por debajo del 1%.3 SALDO DE LA CUENTA CORRIENTE COMO PORCENTAJE DEL PIB Un indicador mundialmente aceptado para conocer el desarrollo de la economía de un país.00% -7. es el déficit de la cuenta corriente en porcentaje con respecto al PIB.A2. y las remesas se situaron por encima de los 16 millones de dólares.00% PORCENTAJE -3. se puede notar que el déficit de la cuenta corriente en México ha tenido demasiados picos. SALDO DE LA CUENTA CORRIENTE COMO % DEL PIB 1988 1989 1990 1991 1992 1993 1994 1995 1996 1997 1998 1999 2000 2001 2002 2003 -1. pero a partir de el año 2000 el que concluyó con un déficit de 3.00% 115 . Lo que el FMI recomienda es mantener el déficit por debajo del 4% para que la economía funcione adecuadamente.00% -2.00% -4. es así que el FMI ha estipulado que cuando el déficit de la cuenta corriente se encuentra por encima del 5% con relación del PIB. Debido a que el precio del petróleo se incremento por encima de los 30usd por barril.2%. Tomando en consideración lo anterior y observando la siguiente gráfica.00% -5.00% AÑOS 2004 0.00% -6. es muy difícil que se pueda controlar por lo que seguramente existirá un problema en esa economía. además. lo que indica que la economía se sigue sosteniendo sin problema. la presente administración ha estado intentando bajar este indicador.

6%) y reducción en Industria y Agropecuario (-0.8% durante el cuarto mes del año.4 ÍNDICE GLOBAL DE LA ACTIVIDAD ECONÓMICA. Al respecto. las cifras desestacionalizadas también reflejan una tendencia positiva de marzo a abril de 2006. Conviene precisar también que la dinámica registrada en el primer Trimestre del año. la actividad económica creció a un ritmo de 5.8 MES/AÑO A pesar de la buena marcha de la economía. es importante señalar que el decremento del sector industrial en el mes que se reporta se explica en su totalidad por el descenso en Manufacturas. puesto que. se mantiene. con un crecimiento de 5. En el corto plazo.5% durante abril. el IGAE avanzó 1.5% a tasa anual.8% y -1. que limita los resultados. en términos de actividad productiva de abril de 2006.6%). Con un desempeño favorable en el sector Servicios (3. ÍNDICE GLOBAL DE LA ACTIVIDAD ECONOMÍA VARIACION % ANUAL 7 6 PORCENTAJE 5 4 3 2 1 Mar-05 May-05 Mar-06 May-06 Feb-05 Ene-05 Ago-05 Sep-05 Nov-05 Ene-06 Feb-06 Abr-05 Jun-05 Oct-05 Abr-06 Jul-05 Dic-05 0 1. con un crecimiento de 0. hay que considerar el efecto de "semana santa". aislando el efecto de "semana santa".A2. por lo que habremos de dar seguimiento permanente a este importante indicador 116 .79%.

La situación económica actual y esperada. la que en el cuarto mes del año mostró crecimiento únicamente en los bienes de origen importado.6%. por parte de las familias. aspecto clave en la contracción de bienes nacionales (-2.7 PERIODO A2. pues respecto a mismo mes de 2005 sólo creció 3.5 ÍNDICE DE CONFIANZA DEL CONSUMIDOR Los cinco componentes evaluados para la construcción del índice de Confianza del consumidor mostraron resultados favorables. lo que representó un avance de 8. de tal forma que el ICC se ubicó en 109. Además es destacable la contracción de la demanda de vehículos nuevos en el mes.21%.8%). ya que la variación marzo-abril de 2006 fue de -0. Este resultado se explica por el efecto "Semana Santa". INDICE DE CONFIANZA DEL CONSUMIDOR (ENERO 2003=100) 115 110 105 100 95 90 Nov-05 Jul-05 Mar-05 Ene-05 Sep-05 May-05 Ene-06 Mar-06 May-06 Jul-06 109.4% en el año.5. De forma acumulada el indicador de la inversión fija bruta ha crecido 10. 117 .7.A2.4%. La dinámica de la inversión se debe principalmente a la adquisición de maquinaria y equipo. el que también dio lugar a un mal resultado en el corto plazo. fueron tos aspectos mejor evaluados. al compararlos con el 2005. a tasa anual. aspecto que es de relevancia para las expectativas de ventas de nuestro sector.1 INVERSIÓN FIJA BRUTA. seguido de posibilidades de adquisición de bienes de largo plazo. En abril de 2006 se atenuó el ritmo de crecimiento de la inversión.

En tanto que la contratación de obreros muestra menor dinámica.39 puntos por debajo del nivel registrado el mismo mes del año anterior.1% respecto a mismo mes de 2005.199. la tasa de desocupación nacional fue de 2. aunque el comparativo de corto plazo (con cifras desestacionalizadas) indican un crecimiento de 0. La información de abril de 2006 indica un crecimiento anualizado de 2.08%).88% de la población económicamente activa. En lo que respecta al nivel de empleo en la Industria Maquiladora de Exportación. Otro indicador importante de la situación que guarda el empleo en México es el personal ocupado en el sector manufacturero. con 3.331 personas.13% en abril respecto a marzo de 2006. el que mantiene su tendencia en descenso de largo plazo. lo que la ubica 0. siendo los empleados administrativos y los técnicos de producción los que mostraron mayor dinámica.6 EMPLEO Y DESEMPLEO Durante el quinto mes de 2006. pues al cierre de abril registró un decremento de 0. al dar empleo a 1. 118 .INDICADOR DE LA IFBT (VAR % ANUAL) 18 16 14 PORCENTAJE 12 10 8 6 4 2 0 Nov-05 Ene-05 Dic-05 Ene-06 Feb-05 Jun-05 Oct-05 Jul-05 Ago-05 May-05 Sep-05 Feb-06 May-06 Abr-05 Mar-05 Mar-06 Abr-06 PERIDODO A2. éste se mantiene en ascenso. mientras que el comparativo mensual (con datos desestacionalizados) indica prácticamente el mismo nivel de empleo en mayo que en abril de este año (sólo se redujo 0. La tasa de desocupación en las 32 principales áreas urbanas del país muestra un nivel mayor al nacional.81% de la PEA.9%.

reconstrucción y ensamble de equipo de transporte.5 0 may-05 may-06 jun-05 ene-06 mar-06 sep-05 mar-05 ago-05 nov-05 ene-05 abr-05 abr-06 feb-05 oct-05 jun-06 jul-05 dic-05 feb-06 PORCENTAJE PERIODO A2. TASA DE DESOCUPACION (% DE LA PEA) 4.09% al sexto mes de 2006 se coloca como el tercer mes de junio más bajo en inflación de los últimos diez años La variación de 0. Si bien.En cuanto a actividad económica. conviene precisar que. entre las que destaca la construcción. la política monetaria (restrictiva) aplicada por el Banco de México ha permitido mantener un ritmo descendente en la inflación. 119 . aún tenemos focos rojos que podrían afectar dicho desempeño. el nivel acumulado registrado al mes previo (3%).5 3 2. once de las 12 que integran este sector mostraror crecimiento.5 2 1.5 1 0. La principal contribución al aumento de la inflación se explica por el comportamiento de las cotizaciones de los servicios y el menor descenso de los precios de productos agrícolas.18%.7 PRECIOS Con un incremento en los precios de los bienes y servicios que integran el INPC de 0.09% registrada por el INPC en el sexto mes del año ubica a la inflación anualizada en un nivel del 3. por el lado de los costos.5 4 3.

86% en términos anualizados. el que registró un incremento de 0.U.25%. anunciado el 29 de junio. al igual que en el mes previo. este indicador se colocó en 7.570 puntos. se observa que la tendencia ascendente se mantiene. la BMV.09% A2. Similar comportamiento sigue la tasa de Interés Interbancaria de Equilibrio (TIIE) a 28 días. de mayo a junio de 2006. al pasar de 7. pese al nuevo incremento en las tasas de referencia de E. en junio mostró una importante recuperación. con lo que el principal indicador regresó a la senda de los 19 mil puntos. Cabe destacar que la estabilidad de los principales indicadores del mercado financiero mexicano se mantuvo. INDICE NACIONAL DE PRECIOS AL CONSUMIDOR (VARIACION % MENSUAL) 80% 60% PORCENTAJE 40% 20% 0% mar-05 may-05 mar-06 may-06 ene-05 ago-05 ene-06 abr-05 abr-06 jun-05 sep-05 nov-05 feb-05 oct-05 -20% -40% -60% PERIODO feb-06 jun-06 jul-05 dic-05 0. Por su parte. luego de la alta volatilidad registrada en el mes de mayo. pues el IPC llegó a 19.02% en promedio en junio.64% en el mes que se reporta y de 5. La referencia de CETES a 28 días se mantuvo en 7.8 VARIACIÓN EN LAS TASAS DE INTERÉS Las tasas de interés domésticas se mantienen en niveles bajos.32% a 7.A. con lo que se colocaron en un nivel de 5. 120 . Es conveniente destacar que. Con información disponible al 11 de julio. Al 12 de julio. constituyéndose en un factor de presión para la estabilidad de los precios al consumidor.52% respecto al nivel promedio de mayo.Así lo muestra el índice nacional de precios al productor. el proceso electoral del 2 de julio no afectó de manera negativa el desempeño del mercado de valores mexicanos.33%.04%. debido al incremento de 2.

dados los resultados y expectativas de inflación. TIPO DE CAMBIO PESO-DOLAR (FIX PROMEDIO MENSUAL) 11.0000 10.6%. la paridad peso-dólar se ubicó en 11.6000 10.09 a 11.00 8.6000 11.TASAS DE INETERES DOMESTICAS (%) 10.4000 11.39 pesos por dólar americano. De hecho.00 6. aunque podría no superar los $11.2000 11.00 PORCENTAJE 9. ya que el tipo de cambio de nuestra moneda frente al dólar registró una caída 2. junio también fue de comportamiento negativo.00 Ene-05 Ene-06 Mar-05 Jul-05 Mar-06 May-05 May-06 Sep-05 Nov-05 Jul-06 CETES TIIE PERIODO En lo referente al tipo de cambio del peso mexicano respecto al dólar. al 17 de junio.40. al pasar de 11. es probable que la paridad peso-dólar se mantenga en niveles superiores a los 11 pesos. En este escenario y ante la expectativa de probables aumentos a las tasas de interés tanto de la FED como del Banco Central Europeo el segundo semestre del año.4000 10.8000 10.00 7.2000 10.027.0000 Mar-05 May-05 Mar-06 May-06 Ene-05 Sep-05 Ene-06 Nov-05 Jul-05 Jul-06 PERIODO 121 .

You're Reading a Free Preview

Descarga
scribd
/*********** DO NOT ALTER ANYTHING BELOW THIS LINE ! ************/ var s_code=s.t();if(s_code)document.write(s_code)//-->