1

Administracin de la Produccin e
Inventario
Pronsticos de Demanda
y Monitoreo de Errores
2
Gestin de Demanda
Clientes Internos y Externos
Proactiva: Promociones, Polticas de
Precio, etc.
Pasivas: Planeacin de Proyeccin de
Ventas y Pronsticos.
3
Naturaleza de la demanda
Demanda espacial versus demanda
temporal.
Demanda irregular versus demanda
regular.
Demanda dependiente versus demanda
independiente.
4
Administracin de la
demanda.
El termino administracin de la demanda se aplica
a los procesos mediante los cuales la empresa
influye en los tiempos y el volumen de la demanda,
o se adapta a los efectos indeseables de los
patrones de la demanda que no le es posible
cambiar.
No es mucho lo que la empresa puede hacer
respecto de la demanda, pero puede tomar dos
posturas:
Asumir un papel activo para influenciar la
demanda.
Asumir un papel pasivo y simplemente responder
a la demanda
5
Pronsticos de
Demanda
Los pronsticos son la base de la
planificacin corporativa a largo
plazo, ya que con ellos es posible
coordinar y controlar a toda la
organizacin para que el sistema
productivo pueda usarse de
manera eficiente y para que el
producto se entregue a tiempo
6
La previsin de
Tupperware
Cada uno de los 50 centros de beneficio en
todo el mundo es responsable del clculo de
las proyecciones de las ventas con carcter
mensual, trimestral y anual.
Estas proyecciones se agrupan por regiones
y, globalmente, en la sede central de
Tupperware.
Tupperware utiliza todas las tcnicas tratadas
en este captulo.
7
Tres factores clave para
Tupperware
El nmero de consultores o
representantes de ventas que estn
registrados.
El porcentaje de estos distribuidores que
est actualmente en activo (este
nmero vara cada semana y mes).
Las ventas por distribuidor activo en base
semanal.
8
Tupperware - Previsin
por consenso
Los factores de produccin provienen de
las ventas, marketing, finanzas y
produccin, aunque la previsin final es
fruto del consenso de todos los directivos
participantes.
El ltimo paso es la versin de
Tupperware del jurado de opinin
ejecutiva.
9
Qu es la previsin?
Arte y ciencia de
predecir
acontecimientos futuros.
Base de todas las
decisiones
empresariales:
Produccin.
Inventario.
Personal.
Instalaciones.
Vender 200
millones de
dlares!
10
Previsin a corto plazo:
Cobertura de hasta un ao, generalmente inferior a los
tres meses.
Programacin de trabajos, asignacin de tareas.
Previsin a mediano plazo:
Entre tres meses y tres aos.
Planificacin de las ventas, de la produccin y del
presupuesto.
Previsiones a largo plazo:
Periodos superiores a tres aos.
Planificacin de nuevos productos, localizacin de las
instalaciones.
Tipos de horizontes
temporales de la previsin
11
La influencia del ciclo de vida
del producto
Las etapas de introduccin y crecimiento
necesitan previsiones ms largas que las de
madurez y declive.
Las previsiones son tiles para proyectar
Los diferentes niveles de personal
Los diferentes niveles de inventarios
Los diferentes niveles de capacidad de
produccin
Mientras el producto pasa de la primera a la
ltima etapa.
12
Estrategia durante el ciclo
de vida de un producto
I ntroduccin Crecimiento Madurez Declive
E
s
t
r
a
t
e
g
i
a
s
d
e

l
a
O
M
E
s
t
r
a
t
e
g
i
a
s
d
e

l
a
c
o
m
p
a

a
DirecTV
CD-ROM
I mpresorasa
color
Fax
Furgonetas
Ventas
Disquetesde
31/2
I nternet
Laplanificacinydesarrollo
del productosonvitales
Cambiosfrecuentesen
planificacindel productoy
proceso
Lotesdeproduccinpequeos
Altoscostosdeproduccin
Nmerodemodeloslimitado
Atencinalacalidad
Laprevisinesmuy
importante
Fiabilidaddel productoy
proceso
Posibilidadesymejorasdel
productocompetitivas
Aumentodelacapacidad
Cambiodetendenciapara
centrarseenel producto
Atencinaladistribucin
Estandarizacin
Cambiosdeproducto
menosrpidos; ms
cambiosminuciosos
Capacidadptima
Estabilidadcrecientedel
procesodeproduccin
Grandeslotesde
produccin
Mejoradel productoy
reduccindecostos
Pocadiferenciacindel
producto
Minimizacindecostos
Sobrecapacidadenla
industria
Eliminacindeproductos
quenoproporcionanun
margenaceptable
Reduccindecapacidad
Mejor periodopara
aumentar lacuotade
mercado
Esvital planear laI +
D
Buenmomento para
cambiar el precioola
imagendecalidad
Fortalecer el segmento
demercado
Mal momentoparacambiar la
imagen, el precioolacalidad
Loscostoscompetitivosson ahora
muyimportantes
Defender laposicinenel mercado
Esvital controlar
el costo
Restaurantes para comer enel
auto
13
Tipos de previsiones
Previsines econmicas:
Dirigidas al ciclo empresarial, por ejemplo, las
tasas de inflacin, la masa monetaria, etc.
Previsines tecnolgicas:
Predicen el progreso tecnolgico.
Predicen el nacimiento de nuevas ventas.
Previsiones de demanda:
Predicen las ventas ya existentes.
14
Siete etapas en el sistema de
previsin
Determinar la utilizacin de la previsin.
Seleccionar los artculos en los que se va a
realizar la previsin.
Determinar el horizonte temporal de la
previsin.
Seleccionar el(los) modelo(s) de previsin.
Recoleccin de datos.
Realizar la previsin.
Validar e implementar los resultados.
15
Demanda de un producto representada en un
periodo de 4 aos con tendencia de
crecimiento y estacionalidad
Primer
ao
Segundo
ao
Tercer
ao
Cuarto
ao
Peaks estacionales Componentedetendencia
Lnea dedemanda actual
Demanda media en cuatro aos
D
e
m
a
n
d
a

d
e
l

p
r
o
d
u
c
t
o

o

s
e
r
v
i
c
i
o
Variacin aleatoria
16
Realidades sobre la previsin
Raras veces las previsiones son
perfectas.
La mayora de las tcnicas de previsin
asumen que existe cierta estabilidad
sostenida al sistema.
Tanto las predicciones de familias de
productos como las predicciones en
conjunto son ms precisas que las
previsiones de productos individuales.
17
Enfoques de la previsin
Se emplean cuando la
situacin es estable y
existen datos histricos:
Productos existentes.
Tecnologa actual.
Requieren tnicas
matemticas:
Por ejemplo, la previsin de
las ventas de televisores a
color.
Mtodos cuantitativos
Se emplean cuando la
situacin no es clara y
hay pocos datos:
Productos nuevos.
Nueva tecnologa.
Requieren intuicin y
experiencia:
Por ejemplo, la previsin de
las ventas a travs de
Internet.
Mtodos cualitativos
18
Mtodos de
Pronstico
Mtodos cualitativos o subjetivos.
Mtodos Causales.
Mtodos de Serie de Tiempo.
19
Mtodos Subjetivos
Es utilizado cuando los mtodos
cuantitativos basados en
informacin histrica no pueden
explicar por si solos el
comportamiento futuro esperado
de alguna de sus variables, o
cuando no existen suficientes
datos histricos.
20
Visin global de los mtodos
cualitativos
J urado de opinin ejecutiva:
Se agrupan las opiniones de un grupo de expertos de alto
nivel o de directivos, a menudo en combinacin con
modelos estadsiticos.
Proposicin de personal comercial:
Las estimacin de las ventas esperadas por los
vendedores se revisan para ver si se pueden llevar a cabo
y luego se obtiene una previsin global.
Mtodo Delphi:
Proceso de grupo que permite a los expertos realizar las
previsiones.
Estudio de mercado del consumidor:
Requiere informacin de los clientes.
21
Requiere un pequeo grupo de directivos:
El grupo establece una estimacin
conjunta de la demanda.
Combina la experiencia directiva con
modelos estadsticos.
Es bastante rpido.
Desventaja del
pensamiento en
grupo.
1995 Corel Corp.
Jurado de opinin ejecutiva
22
Proposicin de personal
comercial
Cada vendedor estima las
ventas que har.
Se combinan con las previsiones
a niveles de Regiones y con las
nacionales.
El representante de ventas
conoce las necesidades de los
consumidores.
Tiende a ser bastante optimista.
Ventas
1995
Corel Corp.
23
Estudio de mercado
Preguntar a los
consumidores sobre sus
futuros planes de compra.
Lo que dicen los
consumidores y lo que
luego hacen suele diferir.
A veces es difcil
contestar a las preguntas
del estudio.
prxima semana?
Cuntas horas
utilizar Internet la
prxima semana?
1995 Corel
Corp.
24
Mtodo Delphi
Proceso de grupo
iterativo.
3 tipos de
participantes:
Los que toman
decisiones.
El personal que pregunta.
Los que responden.
Reduce el
pensamiento en
grupo.
Los que responden
Personal que
pregunta
Los que toman
decisiones
(Ventas?)
(Quventas
habr?
cuestionarios)
(Habr 45, 50, 55 ventas)
(Habr 50 ventas)
25
El Mtodo Delphi
Es probablemente la tcnica
cualitativa que ms se utiliza.
Este mtodo requiere el
establecimiento de un grupo.
de expertos relacionados con el
tema a pronosticar.
Este grupo debe ser annimo.
26
Fases del Mtodo Delphi
Se crea y enva una encuesta a expertos y
stos la devuelven a los coordinadores para
su anlisis.
Se prepara una lista con informacin derivada
del punto anterior y se enva a los expertos
Los expertos devuelven las listas y aquellos
con opinin diferente deben justificar sus
apreciaciones
Consolidar los pronsticos donde exista el
consenso por parte del grupo de expertos
27
Desventajas del Mtodo
Delphi
Escoger un grupo idneo de expertos
Ruido en la comunicacin
Sesgo en la coordinacin
28
Diseo del sistema de
Pronsticos
La seleccin de la tcnica est influida por
diversos factores:
La decisin de que se va a pronosticar.
La precisin deseada del pronstico
El costo del procedimiento
Los periodos futuros a proyectarse
Nivel de agregacin o acumulacin de la demanda
Validez y disponibilidad de datos histricos
Mtodo cualitativo v/s cuantitativo
Unidades de medicin
Tipo de software disponible
Se debe buscar:
Precisin y objetividad
Sensibilidad

29
Visin global de los mtodos
cuantitativos
Enfoque simple
Promedios mviles
Alisamiento exponencial
Proyeccin de tendencia
Regresin lineal
Modelos de
series
temporales
Modelos
asociativos
30
Mtodos Causales
Proyeccin del mercado en base a
datos histricos.
Buscar la causa del comportamiento de
la variable a proyectar relacionndola
con variables explicativas.
Las variables explicativas son variables
independientes, que determinan en
consecuencia las variables a proyectar.
31
Modelos de Proyeccin
Los modelos causales de
uso ms frecuente son :
Modelo de Regresin
Modelo Economtrico
32
Y X
i i
= + a b
Muestra la relacin lineal entre las
variables dependientes e independientes.
Ejemplo: ventas y publicidad (sin tiempo)
Variable dependiente Variable independiente
Pendiente Corte con el eje
Y
^
Modelo de regresin lineal
33
Se usa para prever la lnea de tendencia
lineal.
Supone una relacin entre la variable de
respuesta, Y, y el periodo de tiempo, X,
que es una funcin lineal:
Se calcula mediante el mtodo de los
mnimos cuadrados:
Minimiza la suma de errores cuadrados.0

i
Y a bX
i
= +
Anlisis de regresin lineal
34
Demanda real y lnea de
tendencia
0
20
40
60
80
100
120
140
160
180
0 2 4 6 8 10
Periodo detiempo
D
e
m
a
n
d
a
Demanda real
Y =56,70+10,54X
35
Ecuaciones de regresin
lineal
Ecuacin:
i i
bx a Y

+ =
Pendiente: 2 2
i
n
1 i
i i
n
1 i
x n x
y x n y x


=
=
=
b
Corte con el eje Y:
x b y a =
36
Pendiente (b):
El clculo de Y vara en b cada unidad extra
en X.
Si b =2, entonces las ventas (Y) aumentarn en 2
por cada unidad extra en publicidad (X).
Corte con el eje Y (a):
Valor medio de Y cuando X =0.
Si a =4, entonces las ventas medias (Y) sern de
4 cuando la publicidad (X) sea 0.
Interpretacin de los
coeficientes
37
Periodo de tiempo
Ventas Ventas
00
11
22
33
44
92 93 94 95 96
Ventas frente a tiempo
Diagrama de dispersin
38
Mtodo de los mnimos
cuadrados
Trata de ajustar la lnea a los datos, de
manera que minimicen la suma de los
cuadrados de la distancia vertical entre
cada punto de datos y su punto
correspondiente de la lnea.
( ) Y y
i i
i
n

2
1
y=Datos de la variable
dependiente
Y =Variable dependiente
calculada por la ecuacin
e =
39
Mtodo de mnimos
cuadrados
Desviacin
Desviacin
Desviacin
Desviacin
Desviacin
Desviacin
Desviacin
Periodo detiempo
V
a
l
o
r
e
s

d
e

l
a

v
a
r
i
a
b
l
e

d
e
p
e
n
d
i
e
n
t
e

bx a Y + =

Observacin
real
Punto en
la lnea de
tendencia
40
Variacin del Y real a partir del Y predecido.
Se mide mediante el error estndar de la
estimacin:
Muestra los errores de la desviacin estndar.
S
Y,X
Afecta a varios factores:
Significado del parmetro.
Precisin de la prediccin.
Variacin de los errores
aleatorios
^
41
Suposiciones de los mnimos
cuadrados
Se supone que la relacin es lineal. Primero
trace los datos, si existe la curva, utilice el
anlisis curvilineal.
Se supone que la relacin slo se sustenta
dentro o justo fuera del campo de datos. No
trate de predecir periodos de tiempo lejanos
al campo de la base de datos.
Se supone que las desviaciones que
rodean a la lnea de los mnimos cuadrados
son aleatorias.
42
Respuestas: qu intensidad tiene la
relacin lineal entre las variables?
El coeficiente de correlacin se identifica
normalmente como r .
Los valores varan entre -1 y +1 .
Mide el grado de asociacin.
Se usa principalmente para comprender
los datos.
Correlacin
43
Fmula del coeficiente de
correlacin
(

|
.
|

\
|

|
.
|

\
|

=


1 =
2
1 =
2
1 =
2
1 =
2
1 = 1 = 1 =
n
i
n
i
i i
n
i
n
i
i i
n
i
n
i
n
i
i i i i
y y n x x n
y x y x n
r
44
Coeficiente de correlacin
y modelo de regresin
r = 1
^
Y = a+bx
^
Y = a+bx
^
Y = a+bx
^
Y = a+bx
r = -1
r = 0
r = 0,89
45
Usted quiere conseguir:
Ninguna conducta o direccin del error de
previsin.
Error =(Y
i
- Y
i
) =(Real - Previsin).
Se observa en las representaciones de los errores
a lo largo del tiempo.
Un error de previsin ms pequeo:
Error cuadrado medio (ECM).
Desviacin absoluta media (DAM).
Gua para elegir el modelo
de previsin
^
46
Tiempo (aos)
Error Error
00
Conducta deseada
Tiempo (aos)
Error
0
Tendencia no
totalmente justificada
Conducta del error de
previsin
47
Error cuadrado medio (ECM):
Desviacin absoluta media (DAM):
Ecuaciones del error de
previsin
n
1 i
2
i i
n
2
errores de previsin
n
) y (y
ECM

=

=
=

n
| errores de previsin |
n
| y y |
DAM
n
i
i i

=
1 =
48
Enfoque simple
Suponer que la demanda en
el prximo periodo ser igual
a la demanda del periodo
ms reciente:
Por ejemplo, si en mayo hubo 48
ventas, en junio habr 48 ventas.
Es el modelo con la mejor
relacin eficacia-costo y
eficiencia.
1995 Corel Corp.
49
Modelos de Serie de
Tiempo
Se refieren a la medicin de una
variable en el tiempo a intervalos
espaciados uniformemente.
El objetivo de la identificacin de la
informacin histrica es determinar un
patrn bsico en su comportamiento,
que permita la proyeccin futura de la
variable deseada.
50
Es una secuencia de datos uniformemente
espaciada:
Se obtiene observando las variables en periodos
de tiempo regulares.
Se trata de una previsin basada en los datos
pasados:
Supone que los factores que han influido en el
pasado lo sigan haciendo en el futuro.
Ejemplo:
Ao: 1993 1994 1995 1996 1997
Ventas: 78,7 63,5 89,7 93,2 92,1
Qu son las series
temporales?
51
Tendencia
Estacionalidad
Ciclos
Variaciones
aleatorias
Descomposicin de una
serie temporal
52
Es el movimiento gradual de ascenso o
descenso de los datos a lo largo del tiempo.
Los cambios en la poblacin, ingresos, etc.
influyen en la tendencia.
Varios aos de duracin.
Mes, trimestre, ao
Respuesta
1984-1994T/Maker Co.
Tendencia
53
Muestra de datos de ascenso o descenso
que se repite.
Se puede ver afectada por la climatologa, las
costumbres, etc.
Se produce dentro de un periodo anual.
Mes, trimestre
Respuesta
Verano
1984-1994T/Maker Co.
Estacionalidad
54
Movimientos de ascenso o descenso que se
repiten.
Se pueden ver afectados por interacciones de
factores que influyen en la economa.
Suelen durar de 2 a 10 aos.
Mes, trimestre, ao
Respuesta
Ciclo

Ciclos
55
Son saltos en los datos causados por el
azar y situaciones inusuales.
Son debidas a variaciones aleatorias o a
situaciones imprevistas:
Huelga.
Temporal.
Son de corta duracin
y no se repiten.
1984-1994 T/Maker Co.
Variaciones aleatorias
56
Componentes de la Serie
de Tiempo
En una serie histrica de datos existen
cuatro patrones bsicos que pueden o
no presentarse en dicha serie:
La tendencia
La estacionalidad
El componente Cclico
La componente no
sistemtica
57
Componentes de una serie
de Tiempo
tiempo
Componente no
sistemtico
Componente
de tendencia
Componente
cclico
Componente
estacional
58
Modelos de Proyeccin
Los modelos de series de tiempo
ms usados son:
Promedios de mviles simples
Alisamiento Exponencial
Mtodo de descomposicin
59
Notacin
X
t
, valor observado en el periodo t
S
t
, valor pronosticado para el periodo t
e
t
, error absoluto en el pronstico del
periodo t
t=1,2,3,....,n
Se tiene que:
e
t
= X
t
-S
t
60
Fuentes de error
Error Sistemtico:
Es el que se comete consistentemente,
como por ejemplo excluir variables
correctas, utilizar relaciones errneas entre
variables, etc.
Error Aleatorio:
Aquellos que no se pueden explicar con el
modelo de pronstico.
61
Promedios
Mviles Simple
Es una tcnica que se utiliza en
pronsticos a corto plazo.
Es un mtodo no estadstico
que requiere de una serie
histrica para obtener el valor a
pronosticar
n
X
S
t
n t i
i
t

=
=
1
62
Debern utilizarse valores grandes
de n para las series de demanda
que sean estables, y valores
pequeos de n para las que sean
susceptibles de cambios en el
promedio.
Consideraciones
63
Al aumentar n veces, las
previsiones son menos sensibles
a los cambios.
No es posible predecir bien la
tendencia.
Se necesitan muchos datos
histricos.
1984-1994 T/Maker Co.
Inconvenientes de los
mtodos de promedio mvil
64
Exactitud del
Pronstico
Se evala buscando el error absoluto
dado por:
Valor Medio:
Desviacin
estndar:
e
n
e
t
i
i
n
=
=

1
1
( ) o
e
t
n
=

(
=

1
1 2
e e
i
i
2
i 1
n
/
65
Limitaciones
Esta tcnica tiene algunas
limitaciones:
Requiere mucha informacin
No se adapta rpidamente
al cambio
66
Ejemplo
Peri odo Mes Demanda Pronsti co Pronsti co
observada 3 meses 5 meses
1 Enero 2000
2 Febrero 1350
3 Marzo 1950
4 Abril 1975 1767
5 Mayo 3100 1758
6 J unio 1750 2342 2075
7 J ulio 1550 2275 2025
8 Agosto 1300 2133 2065
9 Septiembre 2200 1533 1935
10 Octubre 2770 1683 1980
11 Noviembre 2350 2090 1914
12 Diciembre 2550 2440 2034
67
Ejemplo
n
X
S
n t
t i
i
t

=
=
1
n =3 n =5
Valor medio del error absoluto 647 510,3
Desviacin estndar del error absoluto 387 187
Se determina el error del pronstico, segn
error medio y desviacin estndar del error
68
Pronstico de la demanda para promedios
mviles de tres y cinco semanas comparados
con la demanda
0
500
1000
1500
2000
2500
3000
3500
E
n
e
r
o
F
e
b
r
e
r
o
M
a
r
z
o
A
b
r
il
M
a
y
o
J
u
n
io
J
u
lio
A
g
o
s
to
S
e
p
tie
m
b
r
e
O
c
tu
b
r
e
N
o
v
ie
m
b
r
e
D
ic
ie
m
b
r
e
Mes
P
r
o
n

s
t
i
c
o
Demanda
n=5
n=3
69
Alisamiento
Exponencial
En estos mtodos, cada vez que se
aade un nuevo dato, se elimina la
observacin ms antigua y se calcula el
nuevo pronstico.
Considera vlida la premisa de que la
importancia de los datos disminuye
mientras ms antiguos sean.
antiguas
recientes
70
Alisamiento Exponencial
El nombre se debe a que cada
incremento del pasado se reduce en
(1 - o) .
Para realizar el pronstico slo se
necesitan tres datos: el pronstico ms
reciente, la demanda que se present
para ese perodo y una constante de
suavizamiento o
71
Mtodo
S
2
=X
1
(clculo del primer pronstico)
S
t+1
=S
t
+o (X
t
-S
t
) 0 o 1 ; t 2
e
t
= (X
t
-S
t
) :error del pronstico
S
t+1
: es el pronstico hecho en el
perodo t, para el perodo t+1.
> s s
72
Constante de suavizamiento
o tiene un valor entre 0 y 1.
Esta constante determina el nivel de suavizamiento
y la velocidad de reaccin ante las diferencias entre
pronsticos y hechos.
Si la demanda real es estable, un o pequeo
reduce los efectos de cambios a corto plazo
Si la demanda real aumenta o decrece con rapidez
un o de gran magnitud puede seguir el ritmo de los
cambios.
La principal desventaja de este mtodo es que no
se puede pronosticar el valor de o.
73
Ejemplo
Mes Periodo Demanda
observada o = 0,1 o = 0,5 o = 0,9
Enero 1 2000
Febrero 2 1350 2000 2000 2000
Marzo 3 1950 1935 1675 1415
Abril 4 1975 1937 1813 1897
Mayo 5 3100 1940 1894 1967
J unio 6 1750 2056 2497 2987
J ulio 7 1550 2026 2123 1874
Agosto 8 1300 1978 1837 1582
Septiembre 9 2200 1910 1568 1328
Octubre 10 2770 1939 1884 2113
Noviembre 11 2350 2022 2327 2704
Diciembre 12 2230 2055 2339 2385
2073 2284 2246
Pronstico
74
Ejemplo
o = 0,1 o = 0,5 o = 0,9
Valor medio del error absoluto 450 527 571
Desviacin estndar del error absoluto 335 343 366
S
2
= X
1
(Clculo del primer pronstico)
S
t+1
= S
t
+ o (X
t
- S
t
), 0 <o< 1 t> 2
75
Grfico pronstico de demanda segn
mtodo de alisamiento exponencial
para distintos o
0
500
1000
1500
2000
2500
3000
3500
Ene Feb Mar Abr May J un J ul Ago Sep Oct Nov Dic
Mes
P
r
o
n

s
t
i
c
o
Demanda
o=0,5
o=0,1
o=0,9
76
Mtodos de Descomposicin
Considera simultneamentelos patrones
de una serie histrica de datos
La tendencia
El componente cclico
El componente estacional
Componente no sistemtico
77
Relacin entre las Variables
El mtodo de descomposicin considera
que los cuatro componentes se
relacionan a travs de:
S T C Y = +
Donde:
S=Valor pronosticado
T=Factor de tendencia
C=Componente cclico
=Variacin no sistemtica
78
Procedimiento
Se calcula el factor de estacionalidad
realizando el cuociente entre el valor
observado y el correspondiente promedio
mvil del perodo (ciclo de
estacionalidad)
Se calcula el ndice promedio para cada
perodo.
79
Procedimiento
Se ajusta el valor estacional
multiplicando por un factor de
estacionalidad K.
Se calcula la tendencia ajustando
los datos a una regresin simple.
Se calcula el factor cclico como:
el cuociente entre el promedio
mvil y la tendencia, para cada
perodo
80
Procedimiento
Finalmente se realiza el
pronstico en base a:
S(t) T(t) C Y =
Donde:
S(t) =Valor pronosticado para el perodo t
T(t) =Factor de tendencia para el perodo t
C =Componente cclico
Y =Componente de Estacionalidad
=Variacin no sistemtica
81
Ejemplo
Peri odo 1990 1991 1992 1993
1 23.600 41.600 35.600 30.700
2 18.400 33.500 25.700 25.000
3 17.900 30.300 21.600 21.300
4 19.000 32.800 23.800 23.400
5 18.600 29.200 20.500 21.600
6 18.200 28.900 20.200 20.500
7 21.300 30.300 22.800 25.400
8 18.900 26.300 18.900 18.200
9 18.600 25.500 16.300 19.000
10 20.900 26.200 27.800 18.100
11 29.600 27.100 21.100 22.100
12 35.100 31.500 27.000 29.300
82
Perodo Valor Pro. mvil a/b*100
Observado 12 meses
(a) (b)
1990 Enero 23.600
Febrero 18.400
Marzo 17.900
Abril 19.000
Mayo 18.600
J unio 18.200
J ulio 21.300
Agosto 18.900
Septiembre 18.600
Octubre 20.900
Noviembre 29.600
Diciembre 35.100
1991 Enero 41.600 21.675 191,9
Febrero 33.500 23.175 144,6
Marzo 30.300 24.433 124,0
Abril 32.800 25.467 128,8
Mayo 29.200 26.617 109,7
J unio 28.900 27.500 105,1
J ulio 30.300 28.392 106,7
Agosto 26.300 29.142 90,2
Septiembre 25.500 29.758 85,7
Octubre 26.200 30.333 86,4
Noviembre 27.100 30.775 88,1
Diciembre 31.500 30.567 103,1
Paso 1:
Calcular el factor
de estacionalidad,
realizando el
cuociente entre el
valor real de la
demanda y el valor
pronosticado segn
el promedio mvil
83
Perodo Valor Pro. mvil a/b*100
Observado 12 meses
(a) (b)
1992 Enero 35600 30267 117,6
Febrero 25700 29767 86,3
Marzo 21600 29117 74,2
Abril 23800 28392 83,8
Mayo 20500 27642 74,2
J unio 20200 26917 75,0
J ulio 22800 26192 87,1
Agosto 18900 25567 73,9
Septiembre 16300 24950 65,3
Octubre 27800 24183 115,0
Noviembre 21100 24317 86,8
Diciembre 27000 23817 113,4
1993 Enero 30700 23442 131,0
Febrero 25000 23033 108,5
Marzo 21300 22975 92,7
Abril 23400 22950 102,0
Mayo 21600 22917 94,3
J unio 20500 23008 89,1
J ulio 25400 23033 110,3
Agosto 18200 23250 78,3
Septiembre 19000 23192 81,9
Octubre 18100 23417 77,3
Noviembre 22100 22608 97,8
Diciembre 29300 22692 129,1
84
Metodologa
Ene Feb Mar Abr May Jun Jul Ago Sep Oct Nov Di c
1991 191,9 144,6 124,0 128,8 109,7 105,1 106,7 90,2 85,7 86,4 88,1 103,1
1992 117,6 86,3 74,2 83,8 74,2 75,0 87,1 73,9 65,3 115,0 86,8 113,4
1993 131,0 108,5 92,7 102,0 94,3 89,1 110,3 78,3 81,9 77,3 97,8 129,1
Promedio 146,8 113,1 97,0 104,9 92,7 89,7 101,3 80,8 77,6 92,9 90,9 115,2
Paso 2.
Se calcula el factor de estacionalidad promedio
para cada perodo.
85
Metodologa
Paso 3.
Ajustar cada factor promedio,
multiplicndolo por el factor de
estacionalidad K, calculado de:
K
nmerodeobservaciones por perodo
ndicespromedio
=

( ) 100
86
Metodologa
K =

=
( )
.
12 100
1203
09975
Ene Feb Mar Abr May J un J ul Ago Sep Oct Nov Dic
Ind. Estac. 146,5 112,9 96,7 104,6 92,5 89,5 101,1 80,6 77,5 92,6 90,6 114,9
100
. idad Estacional Indice
Y =
Y = Factor Estacionalidad
87
Metodologa
Paso 4.
Calcular la tendencia, ajustando los
datos a una regresin simple:
x
i
=1,2,...48 (perodos)
y
i
=dda
i
(demanda)
y = mx + b con m =-36.6 ; b=
25465
=> s(t) =-36,6*t +25.465
88
Metodologa
Paso 5.
Se calcula el factor cclico de la serie
histrica a partir de la siguiente
expresin:
t
t
t
tendencia
movil promedio
ciclico Factor =
89
Metodologa
Ej: Enero 1991 t=13
Ene Feb Mar Abr May J un J ul Ago Sep Oct Nov Dic
1990
1991 0,867 0,927 0,977 1,019 1,065 1,100 1,136 1,166 1,190 1,213 1,231 1,223
1992 1,211 1,191 1,165 1,136 1,106 1,077 1,048 1,023 0,998 0,967 0,973 0,953
1993 0,938 0,921 0,919 0,918 0,917 0,920 0,921 0,930 0,928 0,937 0,904 0,908
867 , 0
25465 13 6 , 36
675 . 21
=
+
= Fc
90
Metodologa
Ene Feb Mar Abr May J un J ul Ago Sep Oct Nov Dic
Promedio 1,005 1,013 1,02 1,024 1,029 1,032 1,035 1,039 1,039 1,039 1,036 1,028
Paso 6
Determinar el factor cclico promedio
para cada perodo
91
Metodologa
Paso 7.
Se realiza el pronostico en base a la
siguiente relacin
S
t
= T(t) x Y x C +u
S =valor pronosticado
T =componente de tendencia
C = factor cclico
Y =Factor de estacionalidad
u = variacin no sistemtica
92
Metodologa
Ejemplo
Enero de 1994 t=49
T(49) =-36,6*49+25.465 =23.672
Y =146,5/100
C =1,0051
=> S(49) =34.785
93
Grfico pronstico de demanda segn
mtodo de Descomposicin
Resultadosdel Pronstico
Meses
P
a
s
a
je
r
o
s
0
5000
10000
15000
20000
25000
30000
35000
40000
1 2 3 4 5 6 7 8 9 10 11 12
Valor Pronsticado Valor observadoperodoanterior
94
Previsin en el sector
servicios
Presenta algunos retos poco
comunes:
Especial necesidad de datos a corto
plazo.
Las necesidades varan mucho en
funcin de la industria y del producto.
Vacaciones y calendario.
Eventos poco comunes.
95
Previsin de ventas por hora en
un restaurante de comida rpida
0
5
10
15
20
+11-12 +1-2 +3-4 +5-6 +7-8 +9-10
11-12 12-1 1-2 2-3 3-4 4-5 5-6 6-7 7-8 8-9 9-10 10-11