DISEO E IMPLEMENTACIN DE UN SISTEMA DE PRONSTICO DE VENTAS EN WHIRLPOOL ARGENTINA

Enrique Yacuzzi (Universidad del CEMA) Guillermo Paggi (Whirlpool Argentina) i

RESUMEN La nueva situacin competitiva de Whirlpool Argentina exige el uso de herramientas de gestin que faciliten un conocimiento acabado de los mercados y permitan la toma de decisiones con la menor incertidumbre posible. Entre estas herramientas de gestin estn las tcnicas de pronstico. En este artculo se describe el proceso de pronstico que se aplica en Whirlpool Argentina. Se hace referencia al sistema de planificacin usuario inmediato de los pronsticos y se explican aspectos de la implementacin de estos mtodos en la empresa. Se presentan las etapas recorridas en Whirlpool para la conformacin de un sistema de pronstico, a saber: (a) estudio del problema de pronstico, (b) benchmarking, (c) prueba de enfoques alternativos, (d) diseo del proceso de pronstico y planificacin, y (e) implementacin. Se describen las caractersticas operativas del sistema y, finalmente, se incluye una evaluacin de los resultados y una auditora del sistema de pronstico. El Apndice es un resumen de la teora de los procesos ARIMA, utilizados en la actividad de pronstico, con un ejemplo completo del desarrollo de un modelo.

I. PRONSTICOS Y PLANES EN WHIRLPOOL ARGENTINA: ADAPTACIN A UN NUEVO AMBIENTE COMPETITIVO I. 1. UN NUEVO ENTORNO Las empresas argentinas enfrentan hoy nuevos desafos: una demanda estable; una competencia intensa; una oferta amplia de productos y servicios; un consumidor ms exigente; un cambio de vida notable respecto de slo 10 15 aos atrs; y nuevos fenmenos socialesii. Whirlpool Argentinaiii debe responder a estos desafos. Para enfrentar el cambio se han adoptado nuevos conceptos y tcnicas de gestin que permiten lograr un conocimiento ms refinado de los mercados y del consumidor, as como una mejor posicin, va la reduccin de la incertidumbre, para la toma de decisiones. Entre los mtodos adoptados estn las tcnicas de pronstico estadstico, cuya utilidad no pudo ser valorada hasta que, hace pocos aos, el retorno a un ambiente de estabilidad monetaria permiti el estudio de los problemas gerenciales con anlisis ms precisos. En el ltimo lustro, la empresa ha consolidado sus sistemas de planificacin y pronstico, de modo de facilitar la participacin de diversas funciones y jerarquas en estos procesos y de acompaar los cambios acaecidos en la relacin de la firma con sus clientesiv. As, por ejemplo, el rea de Marketing se beneficia con mejores pronsticos para planificar la publicidad, las campaas de ventas especiales y otros mecanismos promocionales, la participacin en el mercado futuro y los precios de la industria. El rea de Finanzas debe pronosticar flujos de caja y diversas tasas de inters, entre otras variables. La funcin de Produccin, en sus decisiones de capacidad, programacin de la produccin y contratacin de personal, utiliza pronsticos de la demanda de sus productos. La alta direccin, finalmente, se vale de pronsticos de variables macroeconmicas para tomar decisiones de inversin. I.2. PRONSTICO Y PLANIFICACIN En Whirlpool Argentina se distingue entre los conceptos de pronstico y planificacin. Por pronstico se entiende el conjunto de actividades a travs de las cuales, a partir de datos histricos relevados del entorno series cronolgicas, experiencia cualitativa, se obtienen escenarios y proyecciones de los valores futuros de las variables bajo anlisis. Para ello se utilizan modelos economtricos y modelos de series cronolgicas. En la prctica se plantean varios escenarios alternativos. Para la toma de decisiones es importante el anlisis y la medicin de la incertidumbre asociada con los pronsticos generados. El concepto de planificacin abarca al de pronstico y le agrega los conceptos de decisin y compromiso. La planificacin comienza con el pronstico, pero va ms alla de ste: en efecto, los planes incluyen la idea de decisin, porque el planificador supone que uno de los escenarios alternativos construidos es el ms probable y elabora respuestas adecuadas, como el reposicionamiento de precios y el lanzamiento de productos. Se busca transformar

la proyeccin resultante del proceso de pronsticos en una proyeccin deseada a travs del juego de diversas variables. Por otra parte, en este punto, el responsable por el resultado asume ante la direccin el compromiso de cumplir con lo declarado en la proyeccin deseada. En las secciones siguientes se describe el proceso de pronstico que se aplica en Whirlpool Argentina. Se hace referencia al mtodo de planificacin y se explican aspectos de la implementacin de estos procesos en la empresa, incluyendo la descripcin de las principales caractersticas operativas del sistema. Finalmente, se incluye una evaluacin de los resultados y una auditora del sistema de pronstico. El Apndice es un resumen de la metodologa de los modelos ARIMA, utilizados en la empresa, que incluye un ejemplo de modelizacin. II. LOS PRONSTICOS. UNA NUEVA Y VIEJA HERRAMIENTA II.1. INFORMTICA Y NUEVOS ENTORNOS DE DECISIN GERENCIAL Los modernos pronsticos con modelos matemticos son viejas herramientas actualizadas. Si bien los conceptos estadsticos que dan sustento a los pronsticos son clsicosv, en los ltimos aos se presentaron dos aspectos nuevos que ponen a las tcnicas de pronstico baja una nueva luz; ellos son el desarrollo informtico y el impacto que sobre los procesos de toma de decisiones gerenciales tienen los modelos matemticos. El desarrollo del hardware en particular, el aumento de la velocidad de procesamiento permite que las herramientas estadsticas y economtricas se utilicen en tiempos breves, compatibles con la dinmica de las empresas modernas; por otra parte, nuevos sistemas de software estadstico con interfases amistosas ponen los modelos al alcance de ms usuarios. Las mejoras en la calidad de las decisiones derivadas de la utilizacin de estas herramientas son muy significativas; coadyuvan a este cambio tanto un aumento en la capacitacin de las nuevas generaciones de gerentes como el perfeccionamiento constante de los modelos estadsticos y la mejor comprensin del contexto de aplicacin. II.2. VENTAJAS DE LOS SISTEMAS FORMALES DE PRONSTICO Los sistemas formales de pronsticovi presentan dos tipos de ventajas: las clsicas y las derivadas de las prcticas de clase mundial. Entre las primeras estn la reduccin de stocks y capital inmovilizado, la reduccin de rdenes pendientes de entrega, el establecimiento de una base objetiva para la planificacin, la construccin razonada de escenarios, la posibilidad de analizar la influencia conjunta de numerosas variables y la capacidad del sistema para explicar la realidad. Estn, por otro lado, las prcticas de clase mundial, es decir, los mtodos de trabajo que tienen las empresas exitosas del entorno global, cualquiera sea el lugar de sus operaciones. El proceso por el cual la empresa observa, analiza y adapta a su propia organizacin estas prcticas se denomina benchmarking.

Desde el punto de vista gerencial, no basta con contar con buenos sistemas de pronstico, sino que estos deben encuadrarse en un marco de aprendizaje continuo y estar alineados con la misin, los valores y las aspiraciones de la empresa; este alineamiento se da generalmente en firmas globales en donde se buscan pautas de comportamiento que posibiliten no slo la subsistencia sino tambin el desarrollo de la organizacin en su entorno competitivo. La forma de integrar fros pronsticos estadsticos en la vida cotidiana de la firma se facilita con la adopcin de prcticas de clase mundial, con la puesta en marcha de procesos productivos y administrativos que respondan a un estndar de eficiencia, y con la focalizacin en el cliente a travs de la oferta de productos y servicios de calidad. Estas condiciones son creadas y mantenidas en Whirlpool Argentina. Para aprovechar las ventajas de la moderna tecnologa informtica y estadstica, as como para integrar el potencial estadstico con la realidad organizacional, fue necesario construir paso a paso un sistema de planificacin y pronstico aceptado por toda la organizacin. Los componentes de este sistema, llamado sistema de Demand Forecasting, y la forma en que se implement en Whirlpool Argentina son tratados en las siguientes secciones. III. UN PROCESO EN MARCHA Whirlpool Argentina ha recorrido un camino de cuatro aos en el trabajo con pronsticos formales, que comenz con la idea de sistematizar el sistema de planificacin y pronstico y concluy con la implantacin de prcticas que permiten el uso habitual de las herramientas de pronstico como parte de sus procesos operativos. III.1. NECESIDAD DEL SISTEMA Antes de iniciarse la construccin del nuevo sistema de Demand Forecasting, exista en la compaa un proceso de planificacin basado principalmente en el mtodo de la reunin de gerentes; el proceso tena un gran arraigo en todos los niveles de la organizacin, pero deba ser modificado para enriquecerlo con herramientas cuantitativas confiables y aceptadas por los planificadores. En otras palabras, se deban integrar herramientas ms formales y razonadas con la experiencia gerencial. El proceso de Demand Forecasting fue impulsado desde el comienzo por la alta direccinvii, cuyo objetivo era implementar un proceso de planificacin que permitiera establecer un nivel de ventas esperado ms realista para el perodo bajo anlisis. Con frecuencia las compaas realizan sus estimaciones de ventas partiendo del retorno esperado que deberan obtener los accionistas y no desde las posibilidades concretas del mercado. Procediendo de este modo llegan a proponerse objetivos de ventas que no coinciden con las posibilidades reales y que, en la mayora de los casos, las superan ampliamente, generndose una importante diferencia entre los objetivos deseados y los alcanzables. Para la alta direccin, evitar esta diferencia justificaba la implantacin del sistema.

III.2. ESTUDIO INICIAL La primera tarea fue acercarse al tema de pronsticos a travs de profesionales externos a la empresa, a fin de indagar en cuanto a los objetivos del desarrollo del sistema de Demand Forecasting; delimitar el alcance de los mtodos de pronstico; y tener un panorama terico de las distintas tcnicas, con sus ventajas, desventajas, oportunidad para su aplicacin y su conveniencia respecto del horizonte de planificacin. Se realiz un seminario en la empresa, con una duracin de cinco maanas de cuatro horas, que estuvo dirigido a los tcnicos que deban llevar adelante el proyecto y tambin a todos los funcionarios que participan regularmente del proceso de planificacin, incluyendo a los gerentes de reas e integrantes de la alta direccin; con el seminario se buscaba difundir en la compaa los nuevos conceptos desde el principio del proyecto. III.3 BENCHMARKING El paso siguiente consisti en un benchmarking informal realizado en una empresa multinacional productora de bienes de consumo masivo, con el objetivo de intercambiar puntos de vista y experiencias en cuanto a las prcticas regulares de los procesos de pronstico y planificacin y a los planes de reformulacin de estos procesos. La reunin fue realizada en la empresa de referencia y cont con la presencia de jefes y gerentes de ambas firmas. El informe resultante de esta actividad puso de relieve que (a) Whirlpool Argentina estaba en el camino correcto en cuanto a los aspectos tcnicos de las reformas que pretenda implementar y (b) que el xito dependera de un adecuado tratamiento de los problemas de organizacin; en particular, deban tenerse en cuenta las diferencias culturales entre Whirlpool Argentina y la empresa de referencia. III.4. PRUEBA DE ENFOQUES ALTERNATIVOS En una tercera etapa los responsables del proyecto trabajaron durante un verano con tres pasantes de la Universidad del CEMA, coordinados por uno de los autores de este documento. La etapa se inici con un seminario en el que se analizaron diversas series de datos, con distinto grado de agregacin valores totales de la empresa, por lnea de producto y por modelo; se las someti a distintas tcnicas de pronsticos para (a) evaluar la profundidad ptima de planificacin, (b) determinar el mtodo ms conveniente segn el horizonte de pronstico y (c) evaluar el tiempo requerido para sistematizar la actividad de modelizacin y pronstico. En particular, se examinaron tcnicas de anlisis exploratorio de datos (Tukey, 1977), mtodos convencionales de alisado (Makridakis y Wheelwright, 1989) y modelos ARIMA (Box y Jenkins, 1976). III.5. DIAGRAMACIN DEL PROCESO DE PLANIFICACIN Paralelamente a las etapas anteriores, se comenz con la diagramacin de un proceso de planificacin simple, que tuviera en cuenta los objetivos y restricciones del proyecto. Este proceso deba producir pronsticos de ventas que integraran la utilizacin de las distintas tcnicas con la experiencia de los vendedores, jefes de producto, responsables de compras y

finanzas, entre otros. Los pronsticos as generados deban servir de insumo para la formalizacin de un plan y la toma de decisiones. El proceso de planificacin resultante se muestra en la Figura 1 y se explica en la secin IV.

MODELO DEL PROCESO DE PRONSTICO Y PLANIFICACIN

Bloque de pronstico Datos histricos

Uso de un sistema experto

Procesamiento de datos

Proyecciones (Valores esperados Bloque de planificacin Situacin competitiva Reunin de consenso Objetivos de la compaa

Planes (Valores deseables) Planificacin en detalle Otros datos (Costos, mrgenes, estructura)

Necesidades para compatibilizar valores deseados y valores esperados

Definicin de acciones (Publicidad, promocin)

Plan de volumen y precios

Completamiento del proceso por Finanzas

Plan de la compaa

Figura 1. El proceso de planificacin.

III. 6. PUESTA EN MARCHA Finalizada la capacitacin comenz el pronstico regular de las variables seleccionadas. Los pronsticos generados con el nuevo sistema se compararon con la realidad y con los pronsticos que surgan de las reuniones de gerentes mtodo tradicional de Whirlpool Argentina. En esta etapa se hizo un seguimiento exhaustivo de los errores de pronstico y se buscaron los mtodos ms adecuados segn el horizonte de planificacin, partiendo de la base a la que se haba llegado en el trabajo con los estudiantes de la Universidad del CEMA. Fue un perodo de aprendizaje de los mtodos de pronstico y del uso del sistema SPSS de software estadstico. La etapa dur seis meses y sirvi de terreno para el intercambio de ideas con las personas que intervenan en el proceso de planificacin, de modo que todos se sintieran partcipes del proyecto y fueran conscientes de que sus necesidades y expectativas iban a ser tenidas en cuenta. El proceso fue implementado a partir de septiembre de 1998 y su lanzamiento oficial se realiz en marzo de 1999, en una reunin en la que participaron la mayora de los funcionarios que haban asistido en 1997 al seminario de introduccin. Cabe mencionar el valor simblico de esta reunin, pues puso de manifiesto el inters de la direccin en que esta actividad se desarrollara y enriqueciera a travs del tiempo con el aporte de todos los interesados y como fruto del aprendizaje continuo. IV. EL PROCESO DE PRONSTICO Y PLANIFICACIN HOY IV.I. ETAPAS DEL PROCESO El proceso de planificacin consta de tres etapas claramente definidas: (1) La primera es la confeccin de los pronsticos para las distintas series. (2) La segunda es una reunin de consenso donde intervienen principalmente funcionarios de las reas de Ventas y Marketing. (3) La tercera es el perfeccionamiento del plan, a cargo del rea de Finanzas (Figura 1). La primera etapa es una actividad de laboratorio de la cual surgen 13 modelos de series (de las categoras de productos especificadas por la direccin) con sus pronsticos para el perodo de inters. Los pronsticos son considerados como una referencia firme, vlida en un escenario que no presenta grandes cambios en el futuro con respecto al pasado. El proceso contina con un debate entre los dos sectores tradicionalmente antagonistas en cuanto a la fijacin de objetivos: vendedores y responsables de producto. All se integra el aporte que cada sector hace desde su experiencia, sus planes y el pulso del mercado, elementos que, por otra parte, seran de complicada inclusin dentro del modelo estadstico. De esta discusin surge un acuerdo sobre las modificaciones aconsejables y se definen los niveles de venta esperados ms realistas para cada categora, que pasarn a formar parte del plan. El producto que resulta de este consenso no tiene porqu coincidir con los valores deseados por la compaa. La diferencia entre valores pronosticados y planificados

generalmente se cubre operando sobre otras variables como precios, publicidad y promocin. Esta forma de trabajo presenta la importante ventaja de que, al haberse establecido un pronstico de base, las grandes desviaciones respecto de este debern estar muy bien justificadasviii. Se realiza luego un trabajo detallado por parte de los especialistas en producto, que determinan los volmenes esperados y los precios para cada uno de los modelos de las categoras analizadas, atendiendo a las directivas impuestas en la reunin de consenso. El proceso no es enteramente lineal, puesto que en varios puntos se obra por iteracin, principalmente en lo atinente a la fijacin de precios, para lo cual se tienen en cuenta los costos y los precios de la competencia, tanto en sus valores actuales como futuros ms probables. Por su parte, la inversin en publicidad y promociones depender del nivel de facturacin al que se llegue.ix El proceso para el rea comercial finaliza con esta definicin de volmenes y precios por modelo y por mes (al cual llamamos pronstico por modelo enriquecido); la actividad contina luego en el rea de Finanzas, donde se completa el resto de las lneas del cuadro de resultados, el balance y el cuadro de origen y aplicacin de fondos, entre otros documentos requeridos por la corporacin y la legislacin vigente. Finanzas es, adems, el sector responsable de la emisin del documento final, para cuya aprobacin sern necesarias por lo menos un par de iteraciones ms, hasta lograr un consenso satisfactorio entre los niveles jerrquicos superiores. IV.II. CARACTERSTICAS OPERATIVAS DEL SISTEMA IV.II.1. Horizonte de planificacin El horizonte de planificacin indica cuntos perodos (meses) hacia el futuro debern ser tenidos en cuenta para realizar proyecciones. Whirlpool Argentina trabaja con tres horizontes de planificacin: Un horizonte de corto plazo, que considera los meses que restan para cerrar el ao calendario y que se realiza con frecuencia trimestral (por ejemplo, habiendo cerrado el mes de marzo, se pronostican los meses de abril a diciembre del mismo ao). Un horizonte de mediano plazo que considera los doce meses del ao siguiente y que se realiza con frecuencia anual (por ejemplo, promediando agosto del ao actual se pronostican los doce meses del ao siguiente, mes a mes). Un horizonte de largo plazo que considera los tres aos siguientes al actual y que se realiza con frecuencia anual (por ejemplo, promediando septiembre, luego del ejercicio del horizonte de mediano plazo, se pronostican los dos aos posteriores al considerado en este ejercicio).

IV.II.2. Niveles de planificacin La cartera de productos de una compaa no es una coleccin inconexa de objetos sino que est estructurada de acuerdo con un orden jerrquico (en lnea, familia, etc.) segn algn criterio relevante para el negocio, como la tecnologa o las percepciones del consumidor. La cartera de Whirlpool Argentina est compuesta por algo ms de 100 artculos, agrupados en tres lneas de productos: refrigeracin, lavado y coccin. Los datos histricos de las tres lneas se agruparon en 13 series cronolgicas con criterios simples: Las series no deban ser tan abarcadoras ( como las ventas totales, por ejemplo) que impidieran poder tomar decisiones, ni tan detalladas (como las ventas por modelo) que su procesamiento implicara un tiempo excesivamente prolongado comparado con el proceso de planeamientox. Para cada serie se probaron tres mtodos de anlisis: descomposicin clsica, suavizado exponencial y modelos ARIMA; se opt por este ltimo debido a que se mostraba apto para distintas series y horizontes de planificacin, con buen ajuste de los modelos a los datos, y con pronsticos relativamente ms cercanos al nivel considerado a priori como ms realista. Si bien esta ltima aseveracin es un tanto arbitraria, una de las conclusiones ms importantes, fruto del aprendizaje, es que el conocimiento del negocio al cual le son aplicados los modelos para su estudio y una experiencia sustentada en la observacin resultan de inestimable valor a la hora de efectuar pronsticos. Tanto es as que en el proceso definido se ha integrado de manera formal la experiencia gerencial. Al comparar el pronstico de los modelos ARIMA con el resultado real se comprob, para la mayora de las 13 series analizadas, que los errores porcentuales rondaban en promedio el 15 %.xi Para cada una de las series se cuenta actualmente con una historia de 5 aos completos, con datos mensuales (el sistema requiere un mnimo de 4 aos de datos). Los modelos son reparametrizados con periodicidad regular, debindose estimar 6 parmetros por serie. La batera de modelos ARIMA ofrece flexibilidad y funcionamiento adecuado para la modelizacin y pronstico de una amplia variedad de series de tiempo. IV.II.3. Variables del mercado Las ventas pronosticadas con modelos ARIMA son las de Whirlpool Argentina y no las del mercado: estas ltimas se pronostican a travs de un modelo economtrico desarrollado a medida por una consultora econmica. Este modelo efecta una regresin de la demanda (estrictamente hablando, de la serie del consumo aparente) sobre las siguientes variables: nivel de precios relativo en el mercado, disponibilidad de crdito, niveles de tasas de inters, ndice de salarios y niveles de desocupacin. El modelo se corre una vez por ao y se encuentra disponible en los primeros meses de cada ao.

IV.II.4. Seleccin del software Otra tarea importante fue la evaluacin de un software de aplicacin de las herramientas. Se buscaba: flexibilidad de adaptacin a distintos modelos; capacidad para manejar gran cantidad de datos y aplicaciones en un tiempo razonable; una interfase amigable que permitiera ahorrar tiempo en el proceso de clculo para destinarlo al anlisis; una interfase grfica flexible sobre la que pudieran efectuarse anlisis de forma rpida; la posibilidad de ser soportado por los sistemas de la compaa; vinculacin con un entorno de trabajo en Windows; servicio tcnico local; y un costo razonable. Se analizaron tres sistemas y se opt por el SPSS (Statistical Package for the Social Sciences), que cumpla con los requisitos anteriores. El sistema consta de varios mdulos, de los cuales se adquirieron los mdulos bsico, de tendencias y de tablas. Se capacit al personal en el centro de capacitacin del proveedor en 3 maanas de 5 horas y se probaron las distintas posibilidades del sistema utilizando series standard del proveedor y series de Whirlpool Argentina. Se logr adems una adecuada comprensin del entorno del SPSS.

V. UN BALANCE DE LA EXPERIENCIA Los mtodos de pronstico requieren personal formado para el armado de los modelos, la operacin de los sistemas y la interpretacin de los resultados. Sin embargo, las mayores dificultades que se presentan no son de carcter estadstico, sino de orden humano. No es suficiente contar con excelentes capacidades de anlisis, sino que es necesaria la capacidad de establecer una buena comunicacin con quienes intervienen en el proceso de pronstico. Mucha gente cree tener contacto con los pronsticos solo al escuchar los partes meteorolgicos, ignorando que en mayor o menor medida toda decisin, por subjetiva que fuere, requiere el planteo de hiptesis acerca del futuro. Ms aun, nos encontramos con personas que descreen de estas tcnicas formales y no colaboran activamente con el proceso de pronstico, aduciendo que no es tiempo bien empleado. Solamente el trabajo constante y pruebas concretas de que estas tcnicas son una ayuda y no una forma encubierta de auditora permiten avanzar y ganar adeptos. Actualmente la tarea de mejora continua est concentrada en dos aspectos: (a) Se trata de formular modelos de variables mltiples, con variables exgenas (pronosticables de modo confiable) que permitan hacer ms flexibles los escenarios y que logren mejorar las estimaciones de las ventas; y (b) se busca la construccin de una funcin de control que d un alerta temprana ante un cambio en las tendencias de las series, de modo de reparametrizar los modelos nicamente cuando se dispare tal alerta.

10

VI. AUDITORA Cuando un proyecto se implementa y pasa a ser un proceso standard de la organizacin debe realizarse algn tipo de verificacin o auditora que permita juzgar si los cambios han sido beneficiosos. Para la realizacin de la auditora nos hemos basado en el enfoque de Armstrong (1987) que, a travs de una sencilla lista de verificacin nos permite observar los cambios que se han producido entre la situacin previa y la posterior a la implementacin del sistema de pronsticos. Armstrong sostiene que el potencial de las tcnicas de pronstico no logra realizarse porque tanto los expertos en estadstica como los gerentes tienden a hacer algunas cosas mal. La lista de verificacin propuesta lleva la atencin a esos problemas tpicos. En la Tabla 1 se presentan los resultados de la auditora.
No Mtodos de pronstico Pronstico independiente de la direccin Uso de mtodos objetivos Tcnicas estructuradas para obtencin de datos Menos gastos en expertos Ms de un mtodo aplicado Los usuarios comprenden los mtodos Uso de revisiones basadas en opiniones expertas Documentos separados para pronsticos y planes Hiptesis y datos Amplio presupuesto para anlisis y presentacin de los datos Existe un banco central de datos Menores gastos en el uso de pronsticos macroeconmicos Anterior ? S No Posterior ? Observaciones S

1 2 3 4 5 6 7 8

X X X X X

X M M X M

Se lo incorpora en el proceso de planificacin.

X X X

M M M

En el proceso de planeamiento total. Con distinto grado y variable segn los usuarios.

X X X X

10 11

X M Los pronsticos macro se aplican en otros anlisis. Antes eran fijados por la direccin.

12 13

Incertidumbre Uso de lmites superiores e inferiores Anlisis cuantitativo de la precisin anterior

X X

X M Se preparan alternativas y para desarrollar la estrategia se elige una. Se contemplan planes de contingencia.

14 15

Pronsticos preparados para escenarios alternativos Lista de argumentos en contra de cada pronstico Costos Costos razonables para la actividad de pronstico

X X X

16

Tabla 1. Auditora del sistema de pronstico. El smbolo M indica mejora respecto de la situacin previa.

11

A travs de 16 preguntas se exploraron cuatro aspectos, a saber: Mtodos de pronstico, datos, manejo de la incertidumbre y costos. La tabla compara la situacin anterior a la introduccin del sistema de pronstico con la situacin posterior y muestra que en ocho aspectos se observ una mejora (otros cuatro aspectos ya estaban en un nivel satisfactorio). En particular, se consolid el uso de mtodos objetivos con datos estructurados en una base de datos y con mediciones consistentes de la incertidumbre asociada con los pronsticos. Por otra parte, la auditora permiti evaluar informalmente dos aspectos importantes de un sistema de pronstico: (a) El desarrollo de una interfase de trabajo entre expertos y usuarios de los pronsticos; y (b) El desarrollo de elementos de la cultura organizacional que den soporte al proceso de pronstico. En ambos aspectos se percibieron progresos claros en Whirlpool Argentina. VII. CONCLUSIONES Este artculo describe la implementacin de un sistema de pronstico en Whirlpool Argentina. La iniciativa de aplicacin parti del Presidente de la compaa y el apoyo de la alta direccin se mantiene desde el comienzo de la experiencia, a pesar de haberse producido un cambio de autoridades durante la vida del proyecto. Este apoyo es importante, y explica el contraste entre este caso y la mayora de las empresas (grandes o pequeas, industriales o de servicios, nacionales o extranjeras), que no realizan pronsticos sistemticos de sus variables crticas, a pesar de la importancia de esta actividad en un entorno cambiante. El proyecto combin una slida base estadstica con un enfoque organizacional participativo. Se dio gran importancia al anlisis exhaustivo de los datos y a la capacitacin tcnica, y se comprob que un aspecto clave del aprendizaje es el valor de los procesos organizacionales necesarios para lograr la aceptacin de los pronsticos y planes. Podra decirse, sobre la base de la experiencia de Whirlpool, que los aspectos tcnicos de los pronsticos a pesar de su importancia indiscutible palidecen cuando se comparan con las habilidades de organizacin y de coordinacin que las organizaciones modernas exigen a sus staff, por lo cual ambos temas deben tratarse con igual intensidad en las actividades de pronstico y planificacin.

12

APNDICE MODELIZACIN DE SERIES ARIMA I. INTRODUCCIN Para la realizacin del sistema de pronstico de Whirlpool Argentina se modelizaron como procesos ARIMA 13 series cronolgicas. En este apndice se describen brevemente los conceptos centrales de la metodologa utilizada y se presenta como ejemplo la construccin de un modelo. Un tratamiento completo del tema puede verse en Box y Jenkins (1976) y Brockwell y Davis (1991 a). La teora de los modelos ARIMA supone que una serie cronolgica {zt} se genera cuando una serie de shocks aleatorios {at}, denominada ruido blanco, pasa a travs de un filtro lineal, como se esquematiza en la Figura A1. La serie {at} es un conjunto de valores extrados de una distribucin normal con media nula y varianza a2 que, al pasar a travs del filtro, da lugar a la serie {zt}, con media y varianza z2. La operacin de filtrado lineal consiste simplemente en una suma ponderada de observaciones previas de las at que generan las zt segn la expresin z t = + a t + 1 a t 1 + 2 a t 2 + ... Definiendo un operador B tal que Bz t = z t 1 , B 2 z t = z t 2 y, en general, B n z t = zt n puede introducirse el operador (), dado por (A.1)

(B) = 1+1B +2B2 +...

de modo que

(A.2)

(A.3) z t = + ( B )a t 1 donde es un parmetro que determina el nivel de la serie y (B) es la funcin de transferencia, que transforma el ruido blanco {at} en la serie {zt}.
Si la secuencia de los pesos 1, 2, ... es finita, o infinita y convergente, el filtro es estable y la serie {zt}, estacionaria. En este caso, es el valor de la media de la serie.
1

13

()

Filtro lineal
{at} {zt}

Figura A1. El filtro lineal como generador de una serie cronolgica.

Diferentes secuencias de entrada {at} dan lugar a otras tantas series cronolgicas. Por este motivo, decimos que una serie cronolgica es una realizacin de un proceso estocstico, tomada de un universo de infinitas realizaciones posibles. La construccin de un modelo ARIMA consiste en determinar, a partir de una serie emprica, las caractersticas de la funcin de transferencia del filtro, as como la varianza del ruido blanco. La funcin de transferencia indica el tipo de modelo generador de la serie {zt} que, en ltima instancia, nos permite realizar los pronsticos; la varianza del ruido blanco, por otro lado, nos permite estimar el grado de incertidumbre de los pronsticos. II. METODOLOGA Utilizamos para la construccin de modelos la metodologa de Box y Jenkins (1976), esquematizada en la Figura A2, a la cual incorporamos criterios de seleccin del modelo propuestos en Brockwell y Davis (1991 a). Examinemos el significado de los diversos bloques de la Figura A2.
Postulacin de modelos generales

Identificacin

Estimacin

Verificacin y diagnstico

Mal

Bien

Pronstico y control

Figura A2. La metodologa de Box y Jenkins para la construccin de modelos ARIMA.

14

II.1 Postulacin de una familia de modelos generales. El filtro lineal adopta en la prctica diversas formas, de las cuales consideraremos algunas. Establecemos, en primer lugar, que, bajo ciertas condiciones, la expresin (A1) es equivalente a z t = 1 z t 1 + 2 z t 2 + ... + at (A.4)

donde z t , z t -1 , ... son desvos de los valores de la serie con respecto a su media 1 , 2 , ... son pesos y at es un shock aleatorio. As, los pesos 1, 2, ... permiten expresar la desviacin del valor actual de la serie con respecto a su media en funcin de desviaciones de valores anteriores de la misma serie y de un shock aleatorio. Ahora bien, las expresiones (A.1) y (A.4) no se utilizan en la prctica, porque contienen un nmero infinito de parmetros. En su lugar se aplican dos tipos muy comunes de procesos estocsticos2: los autorregresivos (AR) y los de promedio mvil (MA, por las siglas inglesas de Moving Average), a los cuales agregaremos los procesos mixtos ARMA y los procesos no estacionarios conocidos como procesos ARIMA. II.1.A. Procesos AR(p). Si consideramos el caso especial de (A.4) en el cual solamente los primeros p pesos son distintos de cero, obtenemos el proceso autorregresivo de orden p (AR(p)), dado por z t = 1 z t 1 + 2 z t 2 + ... + p z t p + a t
donde:

( A.5)

zt , zt 1, zt 2,... son los valores del proceso en los intervalos equidistantes t, t - 1, t - 2, ... zt = zt es el desvo de zt con respecto a la media de la serie, , para todo t 1 , 2 ,..., p son el conjunto finito de los pesos.

Utilizamos como sinnimos los trminos proceso y modelo.

15

De modo anlogo a (A.2) introducimos el operador autorregresivo de orden p

(B) = 1 1B 2 B2 ... p B p

(A.6)

con el cual el modelo autorregresivo puede expresarse como

( B ) z t = at

( A.7)

II.1.B. Procesos MA(q). De modo anlogo, considerando solamente los primeros q pesos no nulos de la expresin (A.1), el proceso de promedio mvil de orden q (MA(q)) se define como: z t = a t 1 a t 1 2 a t 2 ... q a t q que, utilizando el operador de promedio mvil de orden q (A.8)

( B) = 1 1 B 2 B 2 ... q B q
puede expresarse como z t = ( B)at

(A.9)

(A.10)

II.1.C. Procesos ARMA(p,q). La combinacin de los procesos AR(p) y MA(q) da lugar al proceso mixto llamado ARMA(p, q), que permite mayor flexibilidad en la modelizacin de series cronolgicas: z t = 1 z t 1 + 2 z t 2 + ... + p z t p + a t 1 a t 1 2 a t 2 ... p a t - p (A.11)

Utilizando los operadores (A6) y (A9), el modelo ARMA(p, q) puede expresarse como:

( B ) z t = ( B ) at
Ntese que (A.7) y (A.10) son casos especiales de (A.12).

(A.12)

II.1.D. Procesos ARIMA(p,d,q). Las tcnicas de estimacin, verificacin y pronstico que utilizamos suponen que la serie tratada es estacionaria, es decir, que sus valores permanecen en las cercanas de un valor promedio de referencia. Sin embargo, aunque una serie dada no tenga esta caracterstica, tambin es posible modelizarla como un proceso AR(p), MA(q) o ARMA(p,q). Para ello se la convierte en una serie estacionaria mediante

16

un proceso de diferenciacin. La diferenciacin genera una serie nueva tomando diferencias entre valores sucesivos de la serie original. As, una serie {zt} no estacionaria podra transformarse en otra serie {wt} estacionaria mediante la operacin wt = zt zt 1 que, definiendo el operador como =1- B se expresa como wt = zt En general podemos tener wt = d zt donde d adopta valores bajos, generalmente no mayores que 2.3 El modelo ARIMA(p, d, q) se define entonces como wt = 1wt 1 + ... + p wt p + at 1at 1 ... q at q donde wt = d zt Se observa que los modelos (A.5), (A.8) y (A.11) son casos especiales de (A.13). El tratamiento prctico de las series no estacionarias es simple. Primero se obtiene la estacionariedad mediante la diferenciacin; luego, la serie diferencia, {wt}, se modeliza como proceso AR, MA o ARMA y se pronostica como una serie ordinaria; finalmente, se recuperan los datos de la serie original y los valores pronosticados. Para esto se efecta un proceso de suma4 dado por zt = Sdwt
3 4

(A.13)

En los modelos con diferenciacin estacional el valor de d es mayor que 2. (Ver Box y Jenkins, 1976.) En la terminologa de los modelos ARIMA el proceso de suma se denomina Integracin, para dar lugar al acrnimo ARIMA: Auto Regressive Integrated Moving Average.

17

donde S es el operador de suma, definido como Swt = wt j = wt + wt 1 + wt 2 + ...

j =0

II.2. Identificacin. La identificacin se realiza, en principio, comparando las funciones de autocorrelacin y de autocorrelacin parcial tericas con las empricas. Veamos brevemente estos conceptos. II.2.A. Funciones de autocorrelacin y de autocorrelacin parcial. La funcin de autocorrelacin es el conjunto de coeficientes de autocorrelacin {k}, que miden la correlacin entre los todos los pares de valores {zt, zt-k} de la serie, separados k rezagos entre s (donde k es un entero). La funcin de autocorrelacin parcial {kk} es un conjunto de funciones algebraicas de los coeficientes de autocorrelacin, cuyo inters prctico se debe a que, para un proceso autorregresivo de orden p, la funcin de autocorrelacin parcial ser distinta de cero para k <= p y cero para k > p. La Tabla A.1. muestra las formas tpicas de estas funciones para distintos tipos de procesos.
Proceso AR(p) Infinita (exponenciales amortiguadas y/o sinusoides amortiguadas). Proceso MA(q) Finita. Proceso ARMA(p, q) Infinita (exponenciales amortiguadas y/o sinusoides amortiguadas despus de los primeros q-p rezagos). Se desvanece gradualmente. Infinita (dominada por exponenciales amortiguadas y/o sinusoides despus de los primeros p-q rezagos). Se desvanece gradualmente.

Funcin de autocorrelacin

Funcin de autocorrelacin parcial

Se desvanece gradualmente. Finita.

Se corta abruptamente despus de q rezagos. Infinita (dominada por exponenciales amortiguadas y/o sinusoides).

Se corta abruptamente despus de p rezagos.

Se desvanece gradualmente.

Tabla A.1. Caractersticas generales de las funciones tericas de autocorrelacin y de autocorrelacin parcial para distintos tipos de procesos. Las funciones de autocorrelacin empricas se comparan con estas caractersticas generales para lograr la identificacin preliminar. Fuente: Box y Jenkins (1976), pgina 79. II.2.B. Otros criterios de seleccin. Tradicionalmente, la identificacin se realiza comparando las caractersticas tericas de las funciones de autocorrelacin y

18

autocorrelacin parcial con las estimaciones empricas basadas en datos, que permiten seleccionar un modelo adecuado (Box y Jenkins, (1976)). Sin embargo, dadas las dificultades prcticas de identificacin en situaciones concretas, se han difundido otros enfoques, como los presentados por de Gooijer et al (1985) y (Brockwell y Davis, 1991 a). Este ltimo, que seguimos en nuestro trabajo, propone como criterio principal de seleccin el valor del coeficiente AICC, una versin modificada del criterio AIC de Akaike. El coeficiente AICC es definido, para un modelo ARMA(p, q), por:

AICC(, ) = 2 ln L(, , S (, ) / n) + 2( p + q + 1)n /(n p q 2),

donde y son vectores de coeficientes, L(,,2) es la funcin de verosimilitud de los datos suponiendo un proceso ARMA gaussiano con parmetros (,,2) y S(,) es la suma de los cuadrados de los residuos. El coeficiente AICC es la suma de dos trminos: el primero depende de la funcin de verosimilitud, mientras que el segundo penaliza el uso excesivo de parmetros. Por lo tanto, al considerar modelos prcticos alternativos, se debe optar, en principio, por el de menor AICC. II.3. Estimacin. La estimacin de parmetros de un modelo ARMA requiere un esfuerzo computacional importante (Box y Jenkins, 1976). Se distinguen, en general, dos etapas: la estimacin preliminar y la estimacin de mxima verosimilitud. La estimacin preliminar es rpida y permite examinar simultneamente varios modelos alternativos antes de realizar la estimacin de mxima verosimilitud. Esta ltima, por su parte, se ha venido simplificando gracias a los avances en el software de aplicaciones estadsticas generales, como el Statistical Package for the Social Sciences (SPSS), y los programas especficos como los de Brockwell y Davis (1991 b). II.4. Verificacin y diagnstico. La verificacin busca constatar que los residuos son ruido blanco, es decir, que los datos fueron generados por una serie de shocks aleatorios de media nula y varianza constante. En general, se examinan las funciones de autocorrelacin y de autocorrelacin parcial de los residuos para determinar si existe estructura de autocorrelacin; adems, a la serie de los residuos se le realiza una serie de pruebas de aleatoriedad, como por ejemplo el test Portmanteau, y el test de los puntos de inflexin. Cuando se determina que los errores no son ruido blanco se procede iterativamente, como indica la Figura A.2, a mejorar el modelo hasta obtener una representacin satisfactoria de los datos. En esta tarea, ayuda diagnosticar el tipo de estructura encontrada en los residuos, de modo de incorporar esa estructura en el nuevo modelo (Box y Jenkins, 1976).

19

II.5. Pronstico. Contando con un modelo ARIMA el pronstico se reduce a una tarea mecnica, computacionalmente simple, en la cual el modelo va generando los pronsticos (Box y Jenkins, 1976, Brockwell y Davis, 1991 a y 1991 b, Makridakis y Wheelwright, 1989). Para ello se utilizan los valores histricos de la serie dada y los valores esperados correspondientes de las variables zt o at. El conocimiento de la varianza del ruido blanco y de los pesos de (A.1) permite estimar intervalos de confianza para los valores pronosticados (Box y Jenkins, 1976, Cap. 5). III. UN EJEMPLO III.1. Examen de la serie. Para ilustrar los conceptos anteriores mostramos el proceso de modelizacin de la serie WPSERIEP, desplegada en la Figura A.3. La serie corresponde al nmero total de artculos vendidos mensualmente por Whirlpool Argentina, modificados por un factor de escala. Se muestran las primeras 72 observaciones, utilizadas en la modelizacin. Otras tres observaciones que estaban disponibles no se utilizaron en la construccin del modelo para emplearlas como patrn de comparacin de la calidad de los pronsticos realizados con modelos alternativos. La serie tiene un valor medio de 30,59 y una varianza de 43,34. La apreciacin visual no indica alejamientos importantes de la media ni tendencias marcadas, por lo cual suponemos que la serie es estacionaria.

60 50 40 30 20 10 0 1 7 13 19 25 31 37 43 49 55 61 Meses 67

Figura A.3. La serie WPSERIEP. Otra perspectiva de la serie viene dada por el histograma de la Figura A.4. Se observa una simetra aceptable en los datos y una forma aproximadamente gaussiana.

Ventas

20

25 20 15 10 5 0 1519,5 19,5- 2424 28,5 28,5- 3333 37,5 37,5- 4242 46,5 46,551

Figura A.4. Histograma de los datos de la serie WPSERIEP. De la observacin de las Figuras A.3 y A.4 se concluye que la serie es aparentemente estacionaria y que sus valores adoptan una distribucin quasi-gaussiana. Estas condiciones permiten continuar con el proceso de modelizacin sin transformar la serie. III.2. Funciones FAC y FACP. La funcin de autocorrelacin emprica se muestra en la Figura A.5. Las barras verticales representan los coeficientes de autocorrelacin y los lmites horizontales sealan dos errores standard de los estimadores de los coeficientes, bajo la hiptesis de que los estimadores son esencialmente nulos por encima de un cierto valor del rezago k.

0,8 0,6 0,4 0,2 0 -0,2 1 -0,4 4 7 10 13 16 19 22 25 28 31 34

Figura A.5. Funcin de autocorrelacin de la serie WPSERIEP La Figura A.6, por otra parte, presenta la FACP emprica, con una interpretacin grfica similar a la de la FAC.

21

0,6 0,4 0,2 0 -0,2 -0,4 1 4 7 10 13 16 19 22 25 28 31 34

Figura A.6. Funcin de autocorrelacin parcial de la serie WPSERIEP.

La comparacin de las funciones FAC y FACP empricas de las Figuras A.5 y A.6 con las formas tericas de la Tabla A.1 no es inmediata. Para valores de k bajos la magnitud de los coeficientes es pequea y las funciones, tomadas como un todo, no muestran un patrn general claro. Con cierta libertad podra suponerse: (a) que la FAC emprica (Figura A.5) decae exponencialmente, aunque la forma de su cada se aparta del patrn de cada exponencial terica (Tabla A.1) por factores aleatorios; y (b) que la FACP emprica (Figura A.6) se interrumpe abruptamente luego del rezago 1. Por otra parte, en los rezagos k=12, 24 y 36 de la FAC emprica se observan coeficientes relativamente altos que caen de modo aproximadamente exponencial, mientras que la FACP solamente tiene un valor importante en k=12; esto sugiere la presencia de una componente autorregresiva estacional de 12 meses. III.3. Estimacin preliminar y estimacin de mxima verosimilitud. Con el razonamiento inicial de la seccin anterior se realiz la estimacin preliminar de un modelo AR(14), que contempla tanto la estructura autorregresiva regular (mes a mes) como la estacional (rezagos de 12 meses). Ajustar un modelo de orden p = 14 permite capturar ambos tipos de autorregresin en la vecindad de los rezagos k =1 y k = 12. A fin de no utilizar un nmero excesivo de parmetros, calculamos el ratio: (tamao del coeficiente) / (1.96 * error standard del coeficiente) y ajustamos un modelo reducido que conserva solamente los coeficientes que, en la estimacin preliminar, presentaron un ratio superior a 1 en valor absoluto. El modelo de mxima verosimilitud, finalmente ajustado, es el siguiente: z t = 0.438 z t 1 + 0.699 z t 12 0.394 z t 13 + at con = 30.59 y 2 a = 18.61 (A.14)

22

El modelo indica que la desviacin con respecto a la media de la serie en el instante t se obtiene sumando valores ponderados de instantes previos a los cuales se les suma un shock aleatorio cuyo valor esperado es, por definicin, nulo. Este modelo contempla las relaciones regulares (mes a mes) y estacionales5. Comparando la varianza de zt (43.34) con la de at (18.61) se observa una cada de ms del 57%. La reduccin de la variabilidad es explicada por los componentes determinsticos del modelo, es decir que la variabilidad no explicada determinsticamente constituye el ruido blanco. El modelo se estim utilizando el software de Brockwell (1991 b)6. El programa calcula la funcin de verosimilitud (-2ln(L) = 423,527) y el estadstico AICC (432,134). Tomados aisladamente, estos valores no tienen gran inters prctico, pero resultan muy tiles cuando se comparan modelos alternativos. Los resultados se indican en la Tabla A.2, como modelo 1 (los modelos 2 y 3 se explican en la seccin III.6).

Modelo 1 AR(14) 1 12 13 .44 .70 -.39

a2 -2 ln(L) AICC

COEFICIENTES

Modelo 2 MA (14) .367 1 .079 3 .589 12

30.5936 18.61 423,527 432.124

30.5936 23.75 439.833 448.4303

Modelo 3 ARMA(14, 14) .35 1 -.34 4 -.27 8 .61 12 -.28 13 .52 3 .51 4 .14 6 1.08 8 .16 9 .29 12 30.5936 7.92 397.48 426.77

Tabla A.2. Estimadores de mxima verosimilitud y coeficiente AICC para diversos modelos de la serie WPSERIEP.

III.4. Verificacin y diagnstico: Anlisis de los residuos III.4.A. Examen visual. La Figura A.7 muestra la serie cronolgica de los residuos. Se destacan los puntos extremos de los meses 33 y 49, tambin observados en la serie original; la estructura del modelo no logra capturar los impulsos fuertes de estos meses, que pasan a
5

Box y Jenkins (1976) y Brockwell (1991 a) presentan los modelos multiplicativos como una forma alternativa de modelizar series estacionales. Alternativamente, se emple en este trabajo el SPSS.

23

formar parte de los residuos. La Figura A.8 es un histograma de los residuos, que muestra cierta simetra y una forma general gaussiana. Se destacan los valores mximos y mnimos mencionados anteriormente.

15 10 5 0 -5 1 6 11 16 21 26 31 36 41 46 51 56 61 66 71 -10 -15 -20

Figura A.7. Residuos del modelo 1 de la serie WPSERIEP.

35 30 25 20 15 10 5 0
-1 7, 75 -1 -1 4 4 -1 0, -1 25 0, 25 ... -6 ,5 -2 ,7 5 -2 ,7 5 1 1 4, 7 4, 75 5 8, 8, 5 5 12 ,2 5

Figura A.8. Histograma de los residuos del modelo 1 de la serie WPSERIEP. III.4.B. Estructura de autocorrelacin de los residuos. Las FAC y FACP de los residuos se muestran en las Figuras A.9 y A.10, respectivamente. Las funciones no presentan coeficientes que superen los dos errores tpicos, es decir que, tomando cada coeficiente en forma individual, el modelo no tendra una estructura de autocorrelacin significativa.

24

0,3 0,2 0,1 0 -0,1 1 -0,2 -0,3 4 7 10 13 16 19 22 25 28 31 34

Figura A.9. FAC de los residuos del modelo 1 de la serie WPSERIEP.

0,3 0,2 0,1 0 -0,1 1 -0,2 -0,3 4 7 10 13 16 19 22 25 28 31 34

Figura A.10. FACP de los residuos del modelo 1 de la serie WPSERIEP.

Sin embargo, para asegurarse de que el modelo tampoco presenta una estructura inadecuada cuando se toman los coeficientes en su conjunto, se utiliza el test portmanteau de falta de ajuste. Para realizar el test se obtiene el valor Q, definido como la suma de los cuadrados de las primeras h autocorrelaciones de la serie de los residuos de un proceso ARMA(p,q) multiplicada por el nmero de observaciones de esta serie, y este valor se compara con el valor de una distribucin 2 con h-p-q grados de libertad. Para el modelo 1, el valor de Q vale 18.82; despus de consultar una tabla de 2 no hay razones para dudar de la adecuacin del modelo. Los resultados del test se indican en la Tabla A.3.

III.4.C. Tests de aleatoriedad. Otros tests realizados al modelo 1 se indican en la Tabla A.3; los resultados permiten suponer una estructura aleatoria, es decir, que el modelo es adecuado y puede utilizarse para pronosticar7.
7

Una explicacin detallada de estos tests se encuentra en Brockwell, 1991 a.

25

Test

Portmanteau (h=20) Puntos de inflexin (46.67, 3.53**2) Diferencia de signo (35.5, 2.47**2) Rank (1278, 308.56**2)

Modelo 1 Modelo 2 Modelo 3 2 2 2 18.8266 ( con 17 19.7226 ( con 17 7.2626 ( con 9 grados de libertad) grados de libertad) grados de libertad) 49 48 51 38 38 38 1393 1428 1402

Tabla A.3. Tests de aleatoriedad de los residuos para tres modelos. III.5. Pronstico. El software de Brockwell y Davis (1991 b) permite realizar pronsticos fcilmente. En la Tabla A.4 se presentan los resultados de la tarea de pronstico. La columna 1 corresponde a los meses pronosticados; la columna 2 es una lista de los datos histricos no utilizados en la construccin del modelo y reservados para evaluar la calidad de los pronsticos; la columna 3 contiene los pronsticos generados; la columna 4 es el error de pronstico (columna (2) - columna (3)); la columna 5 muestra el error de pronstico absoluto (ABS(columna(4)); la columna 6 indica el error absoluto porcentual (columna(5)/columna(2)*100); y la columna 7 contiene el error cuadrtico (columna (4)2). En la penltima fila de la tabla se calcula la suma de los diversos errores de pronstico y en la ltima se muestran los valores promedio que utilizamos en la comparacin con otros modelos.
(1) Mes 73 74 75 (2) Dato histrico 27,541 27,361 37,777 (3) Pronstico 25,556 28,395 32,975 Suma Media (4) Error 1,985 -1,034 4,802 5,75 1,92 (5) Error absoluto 1,985 1,034 4,802 7,82 2,61 (6) Error absoluto % 7,21 3,78 12,71 23,70 7,90 (7) Error cuadrtico 3,94 1,07 23,06 28,07 9,36

Tabla A.4. Pronsticos de la serie WPSERIEP realizados con el modelo 1 y clculo de errores. III.6. Otros modelos. Segn la metodologa de Box y Jenkins el proceso de modelizacin concluye con la obtencin de un modelo adecuado (como el (A.14)) y la realizacin de los pronsticos. Sin embargo, los avances tecnolgicos que aceleran el clculo permiten expandir fcilmente el anlisis a modelos alternativos, estudiados a continuacin. III.6.A. Modelo MA(14). Dada las dudas que las FAC y FACP de las Figuras A.5 y A.6 dejan sobre la naturaleza del proceso generador de la serie, construimos un modelo MA(14) y eliminamos los coeficientes poco significativos, con un criterio similar al empleado con el modelo AR(14). El modelo obtenido es el siguiente:

26

z t = a t 0.367 a t 1 0.079a t 3 0.589a t 12

con = 30.59 y a = 23.75

2

El anlisis de los residuos no arroja resultados satisfactorios. Si bien los residuos superan los tests (Tabla A.3, modelo 2), ellos no son ruido blanco pues presentan una estructura autorregresiva estacional: en efecto, las autocorrelaciones en los rezagos 12, 24 y 36 (no graficadas por razones de espacio) son relativamente grandes e indican la presencia de una estructura estacional de orden 12, que no es capturada por el proceso MA. Por otra parte, con su valor de 448.4303, el AICC es significativamente mayor que el del modelo AR(14), circunstancia que lo eliminara de toda consideracin posterior. Para terminar de descartar el modelo, consignemos que los errores de pronstico (excepto el error medio) son mayores que los de los modelos alternativos (Tabla A.4). III.6.B. Modelo ARMA(14,14). En el proceso de bsqueda de un modelo adecuado y con bajo AICC ajustamos un proceso ARMA(14,14), en el cual consideramos solamente los coeficientes ms significativos. El resultado es el siguiente: z t = 0.35 z t 1 0.34 z t 4 0.27 z t 8 + 0.61z t 12 0.28 z t 13 + at 0.52at 3 0.51at 4 0.14at 6 1.08at 8 0.16at 9 0.29at 12 con = 30.59 y a = 7.92
2

(A.15)

El valor de AICC de este modelo es 426.77, sensiblemente mejor que el del modelo (A.14). Por este motivo, (A.15) debera ser adoptado como herramienta de pronstico (Brockwell (1991 a)). Sin embargo, (A.15) contiene un nmero importante de parmetros 11 coeficientes cuya razn de ser es difcil de explicar intuitivamente a una audiencia gerencial. Por otra parte, a pesar de la reducida varianza de los residuos (2 = 7.92) y de los valores aceptables de los tests (Tabla A.3, modelo 3), la calidad de los pronsticos realizados con este modelo (Tabla A.5) es inferior a la del (A.14), conceptualmente ms simple.

Modelo

Error medio 1,92 -0,841 3,39

AR(14) con coeficientes seleccionados MA (14) con coeficientes seleccionados ARMA(14,14) con coeficientes seleccionados

Error absoluto medio 2,61 4,020 3,39

Error absoluto % medio 7,90 13,053 10,56

Error cuadrtico medio 9,36 16,941 13,86

Tabla A.5. Errores de pronstico comparados para tres modelos.

27

Optamos finalmente por el modelo AR(14), por su simplicidad y porque permite realizar una interpretacin razonable de los parmetros. IV. CONCLUSIONES El Apndice presenta el mtodo prctico ms utilizado para la construccin de las series en Whirlpool Argentina. Si bien se respet, como es natural, la teora y prctica estadstica, tambin se consider, en la seleccin de los modelos, la necesidad de explicarlos a profesionales y gerentes de la empresa que no tienen una formacin especializada. As, entre dos modelos aceptables, se opt por el de mayor sentido gerencial. Este enfoque, que requiere la consideracin de numerosos procesos alternativos, fue facilitado por la disponibilidad de programas de computacin rpidos y de fcil uso. Tanto en el anlisis de los datos como en la difusin de los resultados se dio una gran importancia al uso de los grficos de las series y de los residuos, as como al anlisis de estos y al examen de los pronsticos. Aunque un buen modelo no necesariamente pronostica bien los prximos tres perodos, ni un mal modelo los pronostica mal, hemos observado que un modelo razonablemente bueno que produzca pronsticos relativamente aceptables logra transmitir confianza y aceptacin entre los usuarios del sistema de pronstico.

28

BIBLIOGRAFA Armstrong, J.S. (1987), The Forecasting Audit, en Makridakis, Spyros y Steven C. Wheelwright, The Handbook of Forecasting: A Managers Guide, Segunda Edicin, Wiley, New York. Citado en Makridakis y Wheelwright (1989). Box, G.E.P y G.M. Jenkins (1976), Time Series Analysis: Forecasting and Control, Segunda Edicin, Holden-Day, San Francisco. Brockwell, Peter J. y Richard A. Davis (1991 a), Time Series: Theory and Methods, Segunda Edicin, Springer-Verlag, New York. Brockwell, Peter J. y Richard A. Davis (1991 b), ITSM: An Interactive Time Series Modelling Package for the PC, Springer-Verlag, New York. de Gooijer, J.G., B. Abraham, A. Gould y L. Robinson (1985). Methods of determining the order of an autoregressive-moving average process: A survey, Int. Statist, Review, 53, 301-329. Citado en Brockwell y Davis (1991 a). Kendall, Maurice (1976), Time-Series, Segunda Edicin, Charles Griffin and Company Ltd, London. Makridakis, Spyros y Steven C. Wheelwright (1989), Forecasting Methods for Management, Quinta Edicin, John Wiley & Sons, New York. SPSS UK, Ltd., SPSS Training: Time Series Analysis and Forecasting, Chicago, IL (SPSS Inc., 444 North Michigan Avenue, Chicago, IL 60611). Tukey, John W. (1977), Exploratory Data Analysis, John Wiley and Sons, NY, NY.

29

NOTAS
i

Los autores agradecen los comentarios del Prof. Rodolfo Apreda, de la Universidad del CEMA, y asumen la responsabilidad por eventuales errores. Este documento de trabajo fue escrito antes de los cambios poltico-econmicos ocurridos en la Argentina en diciembre de 2001 y enero de 2002. La nueva situacin, con su volatilidad, obliga a complementar los anlisis estadsticos con nuevos enfoques cualitativos, adems de los que se venan utilizando en la empresa.

ii

Whirlpool Argentina es una subsidiaria de Whirlpool Corporation, una organizacin dedicada a la produccin y comercializacin de productos electrodomsticos a nivel mundial. En 1987 Whirlpool Corporation adquiri la mayora del negocio de grandes aparatos electrodomsticos de Philips en todo el mundo, continuando la actividad de esta empresa en Europa, Asia y Amrica. En 1992 adquiri las dos sociedades que Philips tena en la Argentina. Actualmente Whirlpool Argentina posee dos plantas, una ubicada en La Tablada y la otra en la provincia de San Luis, donde se producen heladeras y lavarropas semiautomticos. La comercializacin incluye, adems de los aparatos producidos en San Luis, otros que completan la oferta y que son importados de otras plantas que la corporacin posee en pases como Estados Unidos, Italia, Suecia y Brasil. Histricamente, el inters de las organizaciones ha ido virando en su orientacin: (a) de la produccin al producto, (b) del producto a la venta, (c) de la venta a la mercadotecnia y (d) de la mercadotecnia al cliente. Cada una de estas etapas ha permitido el desarrollo de tcnicas nuevas o el redescubrimiento de viejas herramientas. Whirlpool no ha sido ajena a estos patrones de cambio. Algunas tcnicas de anlisis de series cronolgicas se remontan a las primeras dcadas del siglo XX. Ver, por ejemplo, Kendall (1976). No es posible imaginar la actividad gerencial sin los pronsticos; los gerentes necesariamente pronostican variables como ventas futuras, niveles de precio, capacidad requerida, tendencias tecnolgicas y legales, etc. Ahora bien, mientras que, a pesar de sus ventajas, la mayora de las empresas no cuenta con sistemas formales de pronstico, otras s han desarrollado esquemas para el tratamiento sistemtico de los valores que las variables de inters tomarn en el futuro. Ver Makridakis y Wheelwright (1990), especialmente Cap. 1. El Presidente de la empresa particip desde el comienzo en las actividades de organizacin y capacitacin para el sistema de pronstico, con lo cual aument la probabilidad de llevar el proyecto a buen trmino.
viii vii vi v iv

iii

En el proceso de pronstico, en especial, cuando se trabaja con informacin cualitativa, se presentan limitaciones a la capacidad de procesar informacin y varios tipos de sesgos y errores de criterio en la toma de decisiones. Es necesario estar conscientes de estas limitaciones para evitar costosos errores. Ver Makridakis y Wheelwright (1989), Cap. 13. A esta altura de la explicacin, podra proponerse la formulacin de un modelo estadstico integral que incluyera todas las variables y que redujera aun ms las intervenciones discrecionales de los participantes del proceso. Pero para poder llevar adelante esta idea se requerira un grado de maduracin de la cultura de la organizacin que slo se alcanza luego de un tiempo de uso de modelos ms simples. Adems, la experiencia de los expertos sugiere que, desde un punto de vista meramente prctico, las mejoras que podran obtenerse con un modelo integral no compensaran de manera concluyente los esfuerzos que sera menester realizar.

ix

Cuando se analizan las ventas es usual efectuar diversos cortes que permiten extraer distintos tipos de informacin. Los cortes tpicos son por categora de producto o modelo, y por rea geogrfica o zona de venta. Tambin es posible el corte por marcas. Este ltimo es en general derivado hacia empresas especializadas en investigacin de mercados, que, por su experiencia y organizacin, realizan investigaciones de tipo motivacional.

30

xi

Con el mtodo de suavizado exponencial se obtuvieron resultados aceptables para los horizontes de corto plazo. La descomposicin clsica no ofreci grandes ventajas, pero debe destacarse su utilidad cuando no se posee un sistema computacional avanzado de pronstico, ya que puede ser fcilmente realizada en una planilla de clculo.

31