Documentos de Académico
Documentos de Profesional
Documentos de Cultura
Forecasting
En este captulo, nos ocupamos principalmente en la preparacin de la
informacin de pronsticos para los vnculos de MPC en el extremo frontal
MPC (por ejemplo, las que existen entre SOP y MPS y gestin de la
demanda). Pronosticar informacin puede provenir de una variedad de
fuentes, tienen diferentes niveles de agregacin, incorporar diferentes
supuestos sobre el mercado, y se manifiestan otras diferencias que
necesitan la reconciliacin antes de que pueda ser utilizado para la
planificacin y el control. Aqu nos fijamos en algunas de las bases sobre la
que se determinan los mtodos de pronstico, algunas de las razones detrs
de las previsiones de agregacin, y algunos de los medios por los que las
previsiones se reconcilian con fines de planificacin.
Este captulo est organizado en torno a los siguientes temas:
Proporcionar informacin de previsin adecuada: Cules son las
necesidades de informacin de los pronsticos
dentro de la empresa?
Tcnicas
Anlisis de Regresin y cclica de descomposicin: Cules son los ms
utilizados
tcnicas para las previsiones a medio plazo? Cmo se considera la
estacionalidad en la previsin
modelo?
tcnicas de prediccin a corto plazo: Qu tcnicas son tiles para el
individuo corto plazo
previsiones del artculo y cules son las mtricas de calidad de previsin?
El uso de las previsiones: Qu tcnicas son tiles para mantener las
previsiones detalladas y
planes de gestin globales sincronizadas?
Cheapter 3
lneas generales son demasiado general para la planificacin de ventas y
operaciones, a pesar de que algunos de agregacin es necesaria para la
SOP. La previsin de las necesidades de estas dos aplicaciones
(consideraciones estratgicas y planificacin de ventas y operaciones) son
diferentes, as, a partir de las previsiones que se necesitan para la
programacin a corto plazo y decisiones en plan maestro de produccin
decisin ejecucin. No slo es la base de la previsin diferente para cada
una de estas aplicaciones, pero la inversin en el pronstico, la naturaleza
de las tcnicas utilizadas, y la frecuencia vara tambin. Un marco para
algunas de las diferencias se proporciona en la Figura 3.1.
Cheapter 3
Entre las decisiones que requieren a largo plazo, las previsiones basadas en
lneas generales son los relacionados con proyectos de ampliacin de
capital, propuestas para desarrollar una nueva lnea de productos y
oportunidades de fusin o adquisicin. Las previsiones son generalmente
expresadas en trminos muy generales, tales como dlares de ventas
totales o alguna medida de salida como toneladas totales, de pies tablares,
u horas de ingeniera. Este nivel de agregacin puede estar relacionado con
los indicadores econmicos y de negocios tales como el producto nacional
bruto, la renta neta disponible, o la cuota de mercado de una industria en
particular. A su vez, se relaciona con medidas de capacidad que puedan ser
necesarias para satisfacer las demandas futuras. Se requiere criterio
gerencial sustancial en la preparacin y revisin de estas previsiones ya que
el riesgo de hacer (o no hacer) una inversin puede ser muy grande.
Los modelos causales y las herramientas estadsticas de regresin y anlisis
de correlacin se pueden utilizar para aumentar la visin empresarial y el
juicio necesario para hacer estos pronsticos. Dichos modelos relacionan los
negocios de la empresa con indicadores que son ms fciles de pronosticar
o estn disponibles como informacin general. Por ejemplo, los accesorios
del hogar y ventas de muebles estn estrechamente relacionados con las
viviendas iniciadas. La construccin de viviendas y permisos de
construccin en un rea son informacin pblica por lo general, de fcil
acceso a la empresa. La relacin entre la construccin de nuevas viviendas
y las ventas de muebles puede ser modelado estadsticamente para
proporcionar otra previsin de la demanda. Adems, hay medidas de
precisin disponibles con las tcnicas estadsticas para ayudar a determinar
la utilidad de la previsin. Por otra parte, el uso de estos modelos puede
conducir a mejores resultados de pronstico y puede ayudar a neutralizar
cualquier emocin involucrada en la decisin.
Cheapter 3
Esta informacin se puede aumentar con datos actuales sobre los saldos de
inventario, los niveles de demanda y las preferencias de la mezcla de
productos a travs de programas como CRM y inventario administrado por
el vendedor (VMI). Estos son importantes fuentes de informacin para el
desarrollo de los planes de ventas y operaciones.
Un medio comn para producir una previsin agregada de SOP es sumar las
previsiones para los productos individuales en cada lnea de productos.
Estos totales se pueden ajustar mediante la incorporacin de conocimiento
de los planes de los clientes, las tendencias actuales, y cualquier plan de
marketing que puedan influir en la demanda. Sin embargo se desarrollan las
previsiones, la visin empresarial y el juicio son importantes en el uso de
ellos para desarrollar los planes. El desarrollo de la previsin no es el mismo
que el desarrollo del plan.
Cheapter 3
actividad futura. En primer lugar, en algunos casos, simplemente no
tenemos los datos del pasado. Esto ocurre, por ejemplo, cuando se
introduce un nuevo producto, se planea una futura promocin de ventas,
aparece un nuevo competidor, o una nueva legislacin afecta a nuestro
negocio. Todas estas circunstancias ilustran la necesidad de una revisin y
modificacin de la pronosticos, donde se debe tomar en cuenta un
conocimiento especial de gestin.
Estos diferentes enfoques simplemente resaltan la variedad de fuentes,
agregacin y propsitos de pronsticos. En las siguientes dos secciones,
ilustramos las tcnicas que sean apropiados para dos propsitos diferentes
de pronstico. En el primero, se aborda el tema de la previsin de la
demanda para los prximos 6 a 18 meses en el futuro. Esto podra ser
adecuado para la elaboracin de planes que relacionan a las personas que
estn en el equipo de ventas, planificacin de la capacidad de produccin, la
estimacin de los niveles de inventarios globales, y anlisis de flujo de caja.
Aqu, presentamos un anlisis de regresin lineal y mostraremos cmo
aumentar el enfoque con ajustes por factores cclicos estacionales y otros.
Despus de esto, se discuten las tcnicas apropiadas para los pronsticos
que se extienden de 2 a 8 semanas en el futuro. Estas tcnicas de
prediccin a corto plazo se utilizan comnmente en los sistemas de control
de inventario para activar rdenes de reposicin para los artculos que estn
siendo controladas activamente (hablamos de este tipo de sistemas en el
Captulo 11).
Cheapter 3
futuras se asumen a caer sobre una lnea recta. Aunque esto limita su
aplicacin, a veces, si usamos un corto periodo de tiempo, el anlisis de
regresin lineal se puede seguir utilizando. Por ejemplo, puede haber
segmentos cortos de los perodos ms largos que son aproximadamente
lineal. La regresin lineal se utiliza tanto para la prediccin de series de
tiempo y para la relacin causal de pronstico. Cuando la variable
dependiente (normalmente el eje vertical en un grfico) cambia como
resultado de tiempo (trazada como el eje horizontal), es el anlisis de series
de tiempo. Si una variable cambia debido al cambio en otra variable, esta es
una relacin causal (tales como el nmero de muertes por cncer de pulmn
cada vez mayores con el nmero de personas que fuman).
Utilizamos el siguiente ejemplo para demostrar anlisis lineal de regresin
de mnimos cuadrados:
Example
Mtodos de mnimos cuadrados
Las ventas de una empresa para una lnea de productos durante los 12
trimestres de los ltimos tres aos ha sido de la siguiente manera:
Cheapter 3
a travs del rea general de los puntos, la diferencia entre el punto y la
lnea es y-Y. La figura 3.2 muestra estas diferencias. La suma de los
cuadrados de las diferencias entre los puntos de datos trazados y los puntos
de la lnea es:
Cheapter 3
Figura 3.3 muestra estos clculos realizados por los 12 puntos de datos en
el problema. Tenga en cuenta que la ecuacin final para Y muestra una
interseccin de 441.6 y una pendiente de 359,6. La pendiente muestra que
por cada unidad de cambio en X, Y cambia por 359,6.
Cheapter 3
Cheapter 3
Cheapter 3
Cheapter 3
La variacin estacional multiplicativa es la experiencia habitual.
Esencialmente, esto dice que cuanto mayor sea la cantidad de base
proyectada, mayor ser la variacin en torno a esto que podemos esperar.
Cheapter 3
Cheapter 3
Cheapter 3
Cheapter 3
c. Encuentra componente tendencial.
2. Previsin valores futuros de cada componente.
a. Componente de tendencia proyecto en el futuro.
b. Componente de tendencia Multiplicar por componente estacional.
Tenga en cuenta que el componente aleatorio no est incluido en esta lista.
Quitamos implcitamente el componente aleatorio de la serie de tiempo
cuando promediamos, como en el paso 1. No tiene sentido intentar una
proyeccin del componente aleatorio en el paso 2 si no tenemos
informacin sobre algn evento inusual, como un importante conflicto
laboral, que podran afectar negativamente a la demanda del producto (y
esto no sera realmente aleatorio).
La figura 3.7 muestra la descomposicin de una serie de tiempo utilizando
regresin de mnimos cuadrados y los mismos datos bsicos que utilizamos
en nuestros ejemplos anteriores. Cada punto de datos corresponde a la
utilizacin de un solo trimestre de tres meses del perodo de tres aos (12
trimestres). Nuestro objetivo es pronosticar la demanda para los cuatro
trimestres del cuarto ao.
Cheapter 3
donde
yd = demanda desestacionalizada (ver Figura 3.8)
x = trimestre
Y? = Demanda calcula utilizando la ecuacin de regresin Y = a? + Bx
un? = interseccin
b? = pendiente de la lnea
Los clculos de mnimos cuadrados utilizando columnas 1, 7 y 8 de la figura
3.7 se muestran en la parte inferior de la exhibicin. La ecuacin
desestacionalizada final para nuestros datos es
Y = 554,9 + 342.2x. Esta recta se muestra en la Figura 3.8.
Cheapter 3
Paso 5. Crear el pronstico final ajustando la lnea de regresin de la
temporada
factor. Recordemos que la ecuacin Y ha sido desestacionalizadas. Ahora
invertimos el procedimiento multiplicando los datos trimestrales derivamos
por el factor estacional para ese trimestre:
Cheapter 3
Cheapter 3
acerca de los patrones de demanda se debe utilizar para desarrollar las
previsiones. Si ignora el comportamiento de las ventas de temporada de
trajes de bao, lo hace bajo su propio riesgo.
Previsin de media mvil
Cheapter 3
Cheapter 3
Se habr dado cuenta el modelo de media mvil hace suavizar los datos
histricos, pero lo hace con un peso igual en cada pieza de informacin
histrica. Podramos ajustar esto, por supuesto, mediante la incorporacin
de diferentes pesos en perodos anteriores. De hecho el modelo ponderado
de movimiento promedio hace exactamente eso, pero a costa de
complejidad y ms datos de almacenamiento. Adems, algunos datos no
juegan ningn papel en la toma de un pronstico promedio mvil. Por
ejemplo, la demanda de 900 en la semana 27 no tiene peso en los tres
periodos en movimiento pronstico promedio para el perodo 33.
exponencial suavizado direcciones tanto de estas consideraciones en hacer
pronsticos.
Forecasting suavizado exponencial
El modelo de suavizado exponencial para el pronstico no elimina ninguna
informacin pasada, pero tambin lo ajusta los pesos dados a los datos del
pasado que los datos de ms edad reciben cada vez menos peso (de ah el
nombre de suavizacin exponencial). La idea bsica es bastante simple y
tiene una gran cantidad de atractivo intuitivo. Cada nuevo pronstico se
basa en un promedio que se ajusta cada vez que hay un nuevo error de
pronstico. Por ejemplo, si nos pronostican 90 unidades de demanda de un
elemento en un determinado perodo y la demanda real de que el tema
resulta ser 100 unidades, una idea atractiva sera aumentar nuestra
previsin de una parte del error de 10 unidades en la fabricacin del
Previsin del prximo perodo. De esta manera, si el error de la demanda
indicada estaba cambiando, queremos empezar a cambiar el pronstico. Es
posible que no desee incorporar todo el error (es decir, aadir 10 unidades),
ya que el error puede haber sido debido a las variaciones aleatorias
alrededor de la media.
La proporcin del error que se incorpora en el pronstico se denomina la
constante de alisamiento exponencial y se identifica como?. El modelo para
el clculo de la nueva media aparece en la ecuacin (3.6), como acabamos
de describimos. La ecuacin (3.7) da la forma ms comn de clculo de la
media exponencial suavizada. El nuevo promedio exponencial suavizado es
de nuevo el pronstico para los prximos perodos y posteriores.
Desestacionalizar es analizar mejor la tendencia de una variable sin dejarse influenciar de
eventos repetitivos dentro del perodo y que pudiesen confundir el anlisis de coyuntura.
Por ejemplo para un mejor entendimiento de la tendencia del PBI de un pas es necesario
desestacionalizarlo, es decir quitarle al PBI la influencia de aquellas pocas especiales como la
navidad, el clima, das feriados, etc. Es decir, eventos que son predecibles ya que siempre se
repite en el mismo mes o trimestre del ao.
Cheapter 3
La misma convencin de temporizacin se utiliza; es decir, la previsin se
realiza al final del perodo t para el perodo t + X en el futuro. La figura 3.13
muestra ejemplos de clculo para el nmero de casos enviados.
Pronstico suavizado exponencial (FSE) al final del perodo t:
Cheapter 3
para el perodo 26, y 15 por ciento para el perodo 25.El suma de
theseweights, 66 por ciento , se coloca theweight en los ltimos tres
perodos de demanda. La suma de todos los pesos dados para el modelo del
FSE en la figura 3.14 es del 94 por ciento. Si seguimos encontrando los
pesos por perodos de 19, 18, y as sucesivamente, la suma de todos los
pesos es 1,0, como intuitionwould nos dicen. Si el suavizado constantwere
0.1 en lugar de 0.3, una tabla como la figura 3.14
tendra valores de 0,1, 0,09, y 0,081 para los pesos de los perodos de 27,
26, y 25, respectivamente.
La suma de estos tres (27 por ciento) se coloca theweight en los ltimos tres
periodos. Por otra parte, (1-27% = 73%) es el peso que se da a todos los
datos reales de ms de tres perodos de edad. Este resultado muestra
mayores valores de? dar ms peso a las demandas recientes y utilizar los
datos de demanda de ms edad menos que en el caso de los valores ms
pequeos de?; es decir, valores mayores de? proporcionar previsiones ms
sensibles, y los valores ms pequeos producen pronsticos ms estables.
El mismo argumento se puede hacer para el nmero de periodos en un
modelo de MAF. Esta es la disyuntiva bsica en la determinacin de lo
constante de suavizado (o longitud de media mvil) para su uso en un
procedimiento de pronstico. Cuanto mayor es el de la media mvil
constante o la ms corta suavizado, las previsiones son ms receptivas a los
cambios en la demanda subyacente, pero el ms "nervioso" que estn en la
presencia de aleatoriedad. De manera similar, las constantes de suavizado
ms pequeas o medias ya en movimiento proporcionan estabilidad en la
cara de la aleatoriedad pero las reacciones ms lentas a los cambios en la
demanda subyacente. En ltima instancia, sin embargo, el equilibrio entre la
estabilidad y la capacidad de respuesta se refleja en la calidad de las
previsiones, un tema al que nos dirigimos ahora.
La evaluacin de pronsticos
En ltima instancia, por supuesto, la calidad de cualquier previsin se refleja
en la calidad de las decisiones sobre la base de la previsin. Esto conduce a
lo que sugiere la comparacin ideal de procedimientos de prediccin se
basara en los costes de produccin de la previsin y el valor de la previsin
de la decisin. A partir de estos datos, el equilibrio adecuado entre el coste
de desarrollo y el costo de la toma de decisiones con las previsiones de
diversa calidad se podra hacer. Lamentablemente, ni el costo se mide
fcilmente. Adems, tal esquema sugiere que un procedimiento de
prediccin diferente podra ser necesario para cada decisin, una posibilidad
indeseablemente complejo. Como resultado de estas complicaciones,
confiamos en algunas medidas directas de la calidad prevista.
Para cualquier procedimiento de prediccin que desarrollamos, un criterio
importante es la honestidad, o la falta de sesgo; es decir, el procedimiento
debe generar predicciones que no son ni consistentemente alto ni
Desestacionalizar es analizar mejor la tendencia de una variable sin dejarse influenciar de
eventos repetitivos dentro del perodo y que pudiesen confundir el anlisis de coyuntura.
Por ejemplo para un mejor entendimiento de la tendencia del PBI de un pas es necesario
desestacionalizarlo, es decir quitarle al PBI la influencia de aquellas pocas especiales como la
navidad, el clima, das feriados, etc. Es decir, eventos que son predecibles ya que siempre se
repite en el mismo mes o trimestre del ao.
Cheapter 3
consistentemente baja. Las previsiones no deben ser demasiado optimista o
pesimista, sino que deben "decir las cosas como son." Debido a que
estamos tratando con la proyeccin de los datos del pasado, la falta de
sesgo significa suavizar la aleatoriedad de los datos del pasado de manera
que las previsiones que son demasiado altos se ven compensados por
previsiones que son demasiado low.To medir el sesgo, usaremos el error
medio como se define por la ecuacin (3.8). En esta ecuacin, el error de
pronstico en cada perodo es la demanda real en cada perodo, menos
demanda prevista para ese perodo. La figura 3.15 muestra un ejemplo de
clculo de sesgo.
Cheapter 3
Cheapter 3
La desviacin media absoluta expresa el tamao del error promedio
independientemente de si es positivo o negativo. Es la combinacin de
sesgo y MAD que nos permite evaluar los resultados de prediccin. El sesgo
es tal vez el ms importante, ya que podemos compensar los errores de
prediccin a travs de inventarios, agilizar, medios de entrega ms rpidos,
y otros tipos de respuestas. MAD indica el tamao de la indemnizacin
esperada (por ejemplo, la velocidad requerida). Sin embargo, si la previsin
es consistentemente inferior a la demanda, toda la tubera de material-flow
funcione en seco; ser necesario volver a empezar de nuevo con las
materias primas. Acumulaciones de inventario pueden surgir con un alto
pronstico.
Antes de pasar a algunas cuestiones de gestin relativas a la previsin, nos
gustara proporcionar otra relacin que es muy til. La medida ms utilizada
de la desviacin o dispersin en las estadsticas es la desviacin estndar.
MAD tambin mide la desviacin (error) de un resultado esperado (la
previsin). Cuando los errores de pronstico se distribuyen normalmente,
existe una relacin directa entre las dos medidas que pueden utilizarse para
desarrollar conocimientos estadsticos y conclusiones. La desviacin
estndar de los errores se aritmticamente relacionado con MAD por la
ecuacin (3.10):
La desviacin estndar de los errores de prediccin = 1,25 MAD (3,10).
En el mdulo de gestin de la demanda que estamos interesados en
proporcionar el nivel apropiado de detalle y la frecuencia de la previsin de
los otros mdulos de la parte delantera del sistema MPC. Esto puede
requerir la modificacin de las previsiones o la reconciliacin con otras
fuentes de pronstico antes de que puedan ser utilizados para la toma de
decisiones.
El uso de los pronsticos
Utilizando las previsiones requiere una gran dosis de sentido comn, as
como la aplicacin de tcnicas. En esta seccin, vamos a ver algunas de las
razones tcnicas para la agregacin de los pronsticos y algunos de los
mtodos para prepara las previsiones para su uso en la planificacin de
ventas y operaciones. Tendremos tambin reviewsome significa para la
incorporacin de la informacin de gestin en los pronsticos.
Cheapter 3
productos individuales. Otras entradas pueden provenir de la
comercializacin y el conocimiento de los clientes. El resultado de la
conciliacin de todas estas fuentes es un pronstico de la demanda
agregada que se utiliza para el desarrollo de los planes de ventas y
operaciones.
Cheapter 3
componentes que las combinaciones de componentes detallados. Muchas
de las mismas ventajas de reduccin de error que se acumulan a la
agregacin son posibles aqu tambin.
Surge un problema cuando se utilizan agregaciones de productos, regiones
o perodos de tiempo para desarrollar planes de ventas y operaciones
estratgicas o. La previsin total debe ser coherente con las previsiones de
productos individuales. El conjunto debe ser igual a la suma de las partes.
Muy a menudo la accin de un producto individual de los agregados totales
de la lnea de productos se mantiene bastante constante. Es decir, hay ms
incertidumbre en la demanda del da a da para el elemento que por su
participacin en la demanda de la lnea total. Podemos usar este
conocimiento para desagregar las previsiones globales y por lo tanto
mantener la coherencia entre el detalle y los totales. Podemos incluso ser
capaz de mostrar las mejoras en la precisin de los pronsticos de detalle
por hacerlo de esta manera. Un mtodo formal para lograr la coherencia se
describe a continuacin.
Forecasting Pirmide
Cuando la base de la previsin agregada de ventas y operaciones de
planificacin es la suma de las previsiones a nivel de productos producidos
por, digamos, suavizacin exponencial, es poco probable que esta suma se
correspondera con las previsiones globales desarrolladas por otra
sources.Yet, por ejemplo, el conocimiento de hay que tener en cuenta a
nivel elemento individual de los clientes y planes de marketing. Adems,
puede haber restricciones presupuestarias, las metas de ingresos, u otras
consideraciones empresa que dan forma a las previsiones globales que
deben ser tenidos en cuenta en el desarrollo de las previsiones definitivas
en el plano material. Uno de los procedimientos para hacer esto es la
previsin pirmide. Ella
proporciona un medio de coordinar, integrar y asegurar la coherencia entre
las distintas fuentes de los pronsticos y todas las restricciones de la
empresa o metas.
Cheapter 3
Cheapter 3
productos, X y Z, representan la toda la gama de la firma de productos. La
figura 3.19 muestra los precios unitarios y los pronsticos iniciales para
cada nivel. El proceso de roll-up inician sumando las previsiones de artculos
individuales (nivel 3) para proporcionar un total para cada lnea (nivel 2).
Para la lnea X, la previsin del roll-up es 13.045 unidades (8200 + 4845).
Cheapter 3
es inferior a la previsin de negocio independiente de $ 950.000. Para fines
ilustrativos,
vamos a asumir la administracin ha evaluado la previsin del negocio y la
previsin del roll-up y ha decidido utilizar $ 900.000 como la previsin en el
nivel 1. La siguiente tarea es hacer que las previsiones de lnea y de
elementos individuales consistentes con esta cantidad. Para llevar a cabo
las consistencias, utilizamos el proceso de forzar hacia abajo. La relacin
entre el pronstico del roll-up en el nivel 1 ($ 778.460) y el total de la
gestin de ($ 900.000) se utiliza para hacer el ajuste.
Las previsiones de todos los niveles aparecen en la figura 3.20. Los
resultados son consistentes previsiones
en toda la organizacin, y la suma de las partes se ve obligado a ser igual a
la totalidad. Tenga en cuenta, sin embargo, el proceso de forzar la
consistencia debe ser abordado con precaucin. En el ejemplo, las
previsiones en el nivel inferior son ahora ms altos de lo que eran
originalmente e incorporan los planes en los niveles superiores. A pesar de
que la suma de las partes es igual al conjunto, es posible que los
responsables de la previsin no "poseer" el nmero. No se deben hacer para
sentir que estn siendo simplemente les da una asignacin de lista de
deseos de otra persona.
La incorporacin de informacin externa
Muchos tipos de informacin pueden y deben ser utilizados para hacer
buenos pronsticos. Por ejemplo, en una ciudad universitaria en el da de un
partido de ftbol, el trfico alrededor del estadio es un desastre. Un
pronosticador inteligente ajusta planes de viaje los das de partido para
evitar el trfico estadio, si es posible. l o ella modifica el pronstico,
sabiendo el impacto del juego en el trfico. Un procedimiento mecnico
basado en observaciones durante la semana probablemente pronosticar
muy poco trfico alrededor del estadio. Desde luego, no usaramos tal
previsin sin ajustar para el da del partido. Ese sencillo principio es
aplicable a la prediccin de negocios, as, pero es sorprendente la frecuencia
con la gente no puede hacer estos ajustes.
Ejemplos de actividades que influirn en la demanda y quizs invalidar el
uso de un
modelo de pronstico exponencial rutina son promociones especiales,
cambios de productos, acciones de los competidores y los cambios
econmicos. Una de las principales formas de incorporar la informacin
sobre este tipo de actividades futuras en el pronstico es cambiar el
pronstico directamente. Podramos hacer esto si supiramos, por ejemplo,
iba a haber una promocin de un producto en el futuro, o nos va a abrir
puntos de venta al por menor ms, o nos va a introducir un nuevo producto
que canibalizar las ventas de un producto existente. En estos casos,
Desestacionalizar es analizar mejor la tendencia de una variable sin dejarse influenciar de
eventos repetitivos dentro del perodo y que pudiesen confundir el anlisis de coyuntura.
Por ejemplo para un mejor entendimiento de la tendencia del PBI de un pas es necesario
desestacionalizarlo, es decir quitarle al PBI la influencia de aquellas pocas especiales como la
navidad, el clima, das feriados, etc. Es decir, eventos que son predecibles ya que siempre se
repite en el mismo mes o trimestre del ao.
Cheapter 3
podramos ajustar el pronstico directamente para dar cuenta de las
actividades, tal como lo hacemos para el da del partido. Al reconocer
explcitamente que las condiciones futuras no reflejarn las condiciones del
pasado, podemos modificar la previsin directamente a reflejar nuestra
evaluacin del futuro.
Es posible que tengamos que cambiar el mtodo de pronstico tambin. Si
la tecnologa se ha prolongado la vida de nuestros productos, es posible que
tenga que cambiar los parmetros en el modelo que relaciona las ventas de
reemplazo a la vida media de los productos en el campo. Si, por ejemplo,
sabemos que uno de nuestros competidores se va a introducir un nuevo
producto, sospechamos que el mercado va a cambiar, pero no podemos
estar seguros de la direccin o la magnitud del cambio. En este caso, es
posible que desee hacer la previsin frecuentes, y pruebas modelo para
evaluar el efecto del nuevo producto. Tambin podramos hacer la constante
de alisamiento ms grande en un modelo de suavizado exponencial y ser
ms sensible a cualquier cambio. Puede haber circunstancias en las que
nuestro conocimiento nos llevara a cambiar tanto el pronstico y los
parmetros de pronstico. Clave en todos estos ajustes es que la
inteligencia debe ser incluido en las previsiones, y las previsiones debe ser
preparado para su uso en la preparacin y el control de los planes de la
firma.
La determinacin del nivel adecuado de agregacin y la conciliacin de los
diversos enfoques de previsin (tal vez con la previsin pirmide) son pasos
importantes en la toma de las modificaciones.
concluyendo Principios
En este captulo, hemos revisado algunas de las tcnicas ms bsicas de
previsin. Tambin hemos cubierto el razonamiento detrs de la agregacin
de las previsiones y cmo estamos reconciliados previsiones
para fines de planificacin.
Los modelos de pronstico no deben ser ms complicado de lo necesario.
Los modelos simples a menudo funcionan mejor que las ms complicadas.
Los datos de entrada y las previsiones de salida deben ser controlados
rutinariamente por la calidad y pertinencia.
Informacin sobre las fuentes de variacin en las ventas, tales como la
estacionalidad, las tendencias del mercado y polticas de la empresa, debe
ser incorporado en el sistema de previsin.
Previsiones de diferentes fuentes deben reconciliarse e hicieron
consistentes con los planes y las limitaciones de la empresa.