Documentos de Académico
Documentos de Profesional
Documentos de Cultura
Pronsticos de demanda
Introduccin
Pronstico (Forecasting)
Finanzas
RRHH
Logstica
Mantenimiento
Niveles de repuestos
Tipos de Pronsticos
Econmicos: Tasas de inflacin, masa de
dinero, otros indicadores
Tecnolgicos: Referentes al ritmo de progreso
tecnolgico
Demanda: de Productos y servicios en un
horizonte determinado
4
Cualitativo
Anlisis de series de tiempo
Relaciones causales
Simulacin
8
10
11
Mtodo Delphi
Se oculta la identidad e los individuos que
participan en el estudio. Todos tienen el mismo
peso. En cuanto al procedimiento, un
moderador crea un cuestionario y lo distribuye
entre los participantes. Sus respuestas se suman
y se entregan a todo el grupo con un nuevo
grupo de preguntas.
12
Mtodo Delphi
Orculo Delfos, de la antigua Grecia
Varias etapas y considera la participacin de
grupos de expertos
Cada uno proporciona una respuesta escrita
Se calcula media, desviacin, valores mximos
y mnimos
En la medida que la dispersin es grande se
pide acotar las respuestas. y as
sucesivamente.
13
Estudio de Mercado
Opiniones provenientes de los consumidores o
clientes potenciales en lo referente a sus futuros
planes de compra
A menudo las empresas contratan a empresas
externas para realizar este tipo de pronstico
Permite mejorar diseo y planificar nuevos
productos
Llamadas telefnicas en las que se pregunta
sobre sus preferencias por ciertos productos , su
ingreso, sus hbitos, etc.
14
Estudio de Mercado
Conocer las respuestas de las personas que
componen un determinado universo.
Se clasifican en distintos grupos , se determinan
muestras y luego se analizan en dicho contexto
las respuestas proporcionadas por ellos. Permiten
sacar conclusiones.
Muestra representativa de la poblacin:
aleatoriedad de la muestra, el tipo de
estratificacin y el tamao de la misma.
Muy utilizado en lanzamiento de nuevos
productos y en el terreno poltico.
15
16
Grupo de Consenso
La idea es que dos cabezas piensan ms que una
se extrapola con la idea de que un grupo de
personas que ocupan diversas posiciones puedan
desarrollar un pronstico ms confiable que un
grupo reducido. Los pronsticos en grupo se
realizan por medio de reuniones abiertas con un
intercambio libre de ideas de todos los niveles
gerenciales e individuales.
17
Analoga Histrica
Al tratar de pronosticar la demanda de un nuevo
producto, una situacin ideal sera que un producto
existente o genrico se pueda utilizar como modelo.
Existen muchas formas de clasificar estas
analogas; por ejemplo, productos
complementarios, productos sustituibles o
competitivos, y productos como funcin del
ingreso.
18
19
Tcnicas Cuantitativas
En todos los mtodos se utiliza una serie de
tiempo. Datos medidos en distintos puntos en
el tiempo, o asociados intervalos de tiempo
sucesivos. Este patrn se puede separar en
diversos componentes.
20
Componentes
De nivel: Los datos varan alrededor de un valor
promedio
De tendencia: Los datos varan (aumentan o
disminuyen) en forma aproximadamente
constante en funcin del tiempo.
De estacionalidad: Fluctuaciones que se repiten a
intervalos regulares dentro de un ao.
Electricidad, agua potable.
Cclica: Fluctuaciones que tienen un perodo de
varios aos. Ciclos macroeconmicos.
Aleatoria: Variaciones irregulares.
21
22
23
24
Modelos de series
temporales
Modelos
asociativos
25
26
1993
78,7
1994
63,5
1995
89,7
1996
93,2
1997
92,1
27
Ciclos
Estacionalidad
Variaciones
aleatorias
28
Tendencia
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.
Respuesta
Mes, trimestre, ao
29
1984-1994 T/Maker Co.
Estacionalidad
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 perodo anual.
Verano
Respuesta
1984-1994 T/Maker Co.
Mes, trimestre
30
Ciclos
Movimiento 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.
Respuesta
Ciclo
Mes, trimestre, ao
31
Variaciones aleatorias
Son saltos en los datos causados por el
azar y situaciones inusuales.
Son debidas a Variaciones aleatorias o a
situaciones imprevistas:
Huelga.
Tornado.
33
Enfoque simple
Suponer que la demanda
en el prximo perodo ser
igual a la demanda del
perodo ms reciente:
34
36
Medias mviles
Las medias mviles son una serie de operaciones
aritmticas.
Se utilizan si no hay tendencia o si sta es escasa.
Se suelen utilizar para el Suavizado:
Proporciona una impresin general de los datos a lo largo del
tiempo.
Ecuacin:
MM
n
37
38
Respuesta
Yi
4
6
5
3
7
Media
Media mvil
mvil total
(n=3)
(n=3)
ND
ND
ND
ND
ND
ND
4+6+5=15
15/3 = 5
ND
40
Respuesta
Yi
4
6
5
3
7
Media
Media mvil
mvil total
(n=3)
(n=3)
ND
ND
ND
ND
ND
ND
4+6+5=15
15/3 = 5
6+5+3=14 14/3=4 2/3
ND
41
Respuesta
Yi
4
6
5
3
7
ND
Media
Media mvil
mvil total
(n=3)
(n=3)
ND
ND
ND
ND
ND
ND
4+6+5=15
15/3=5,0
6+5+3=14
14/3=4,7
5+3+7=15
15/3=5,0
42
Ejemplo
Con promedio movil
Perodo Demanda
1
10
2
18
3
29
4
15
5
30
6
12
7
16
8
8
9
22
10
14
11
15
12
27
13
30
14
23
15
15
Pronstico
(N=3)
Error
19,0
20,7
24,7
19,0
19,3
12,0
15,3
14,7
17,0
18,7
24,0
26,7
DAM
-4,0
9,3
-12,7
-3,0
-11,3
10,0
-1,3
0,3
10,0
11,3
-1,0
-11,7
7,2
Pronstico
(N=6)
19,0
20,0
18,3
17,2
17,0
14,5
17,0
19,3
21,8
Error
-3,0
-12,0
3,7
-3,2
-2,0
12,5
13,0
3,7
-6,8
6,6
43
44
45
46
Ventas
8
6
4
2
95
Real
Previsin
96
97
98
Ao
99
00
Ecuacin:
Media mvil
ponderada =
48
Ponderacin
Aplicada
3
2
1
6
Perodo
ltimo mes
Hace dos meses
Hace tres meses
Suma
ponderaciones
49
Clculo
Mes
Ventas Reales
Enero
Febrero
Marzo
Abril
Mayo
Junio
Julio
Agosto
Septiembre
Octubre
Noviembre
Diciembre
10
12
13
16
19
23
26
30
28
18
16
14
Perodo
ltimo mes
Hace dos meses
Hace tres meses
Suma ponderaciones
50
51
52
53
Demanda de ventas
30
25
20
15
10
5
Media mvil
0
Ene. Feb. Mar. Abr. May. Jun. Jul. Ago. Sep. Oct. Nov. Dic
Mes
55
Suavizacin Exponencial
En los mtodos de pronsticos anteriores
(promedios mviles y ponderado), la principal
desventaja es la necesidad de manejar en forma
continua gran cantidad de datos histricos. En
estos momentos, al agregar cada nueva pieza de
datos, se elimina la observacin anterior y se
calcula el nuevo pronstico. En muchas
aplicaciones las ocurrencias ms recientes son
ms indicativas del futuro que aquellas en el
pasado ms distante.
56
Suavizado Exponencial
Ft=Ft-1+(At-1 -Ft-1) cte por error
Ft = At-1+(1-) Ft-1
Ft=Pronstico nuevo
Ft-1=Pronstico previo
= 0,10
= 0,90
10%
(1 - )
(1 - )2
= 0,10
= 0,90
(1 - )
10%
9%
(1 - )2
= 0,10
= 0,90
(1 - )
10%
9%
(1 - )2
8,1%
(1 - )
= 0,10
10%
9%
= 0,90
90%
(1 - )2
8,1%
(1 - )
(1 - )2
= 0,10
10%
9%
8,1%
= 0,90
90%
9%
(1 - )
(1 - )2
= 0,10
10%
9%
8,1%
= 0,90
90%
9%
0,9%
66
Previsin, F t
( = 0,10)
Real
1995
180
1996
168
1997
159
1998
175
1999
190
2000
ND
175,00 (Dado)
175,00 +
Real
1995
180
1996
168
1997
159
1998
175
1999
190
2000
ND
Previsin, F t
( = 0,10)
175,00 (Dado)
175,00 + 0,10(
Ao
Real
1995
180
1996
168
1997
159
1998
175
1999
190
2000
ND
Previsin, Ft
( = 0,10)
175,00 (Dado)
175,00 + 0,10(180 -
Ao
Real
1995
180
1996
168
1997
159
1998
175
1999
190
2000
ND
Previsin, Ft
( = 0,10)
175,00 (Dado)
Real
1995
180
1996
168
1997
159
1998
175
1999
190
2000
ND
Previsin, Ft
( = 0,10)
175,00 (Dado)
175,00 + 0,10(180 - 175,00) = 175,50
Real
Previsin, F t
( = 0,10)
1995
180
175,00 (Dado)
1994
168
1995
159
1996
175
1997
190
1998
ND
Real
Previsin, F t
( = 0,10)
1995
180
175,00 (Dado)
1996
168
1997
159
1998
175
1999
190
2000
ND
Real
Previsin, F t
( = 0,10)
1995
180
175,00 (Dado)
1996
168
1997
1998
159
175
1999
190
2000
ND
Real
Previsin, F t
( = 0,10)
1995
180
175,00 (Dado)
1996
168
1997
159
1998
175
1999
190
2000
ND
Real
Previsin
95 96
Ao
97
98
Errores de Pronstico
Error = Diferencia entre Pronstico - Demanda
error= dd - prediccion
real.
Estadsticamente se conoce como Residuales.
Siempre y cuando el valor del pronstico se
encuentre dentro de los lmites de confianza.
Alta complejidad para pronosticar =>Fuentes de
error y Medicin de errores
78
Fuentes de Error
Pronsticos del pasado en el futuro.
Experiencia ha demostrado que los errores
reales pueden ser mayores que los proyectados
a partir de modelos de pronstico.
Errores sesgados
Errores aleatorios
79
80
Ejemplo
Una mquina de extrusin de aluminio estima
que la demanda de piezas es de 500 unidades
mensuales, para cada uno de los tres prximos
meses. Posteriormente la demanda real result
ser de 400, 560 y 700.
DAM= 120 unidades
Sesgo= 53,3 unidades
(120/500) * 100= 24%
Se subestim la demanda en 53,3 unidades =>
553,3 => (53,3/553,3)*100= 9,6%
81
82
Ejemplo
Trimestre
1
2
3
4
5
6
7
8
9
Toneladas realmente
descargadas
180
168
159
175
190
205
180
182
?
83
Medicin de la DAM
Trimestre
Toneladas
realmente
descargadas
1
2
3
4
5
6
7
8
9
180
168
159
175
190
205
180
182
?
0,1
175
176
175
173
173
175
178
178
179
0,5
175
178
173
166
170
180
193
186
184
Error 0,1
Error 0,1
absoluto
Error
0,5
Error 0,5
absoluto
5
-8
-16
2
17
30
2
4
DAM
5
8
16
2
17
30
2
4
10,5
5
-10
-14
9
20
25
-13
-4
DAM
5
10
14
9
20
25
13
4
12,5
84
85
Trimestre
1
2
3
4
5
6
7
8
9
Toneladas
realmente
descargadas
180
168
159
175
190
205
180
182
?
Pronstico
redondeada
utilizando
0,1
175
176
175
173
173
175
178
178
179
Error 0,1
0,5
5
8
16
2
17
30
2
4
10,5
ECM
Error al
cuadrad
o
25
64
256
4
289
900
4
16
1558
194,75
86
87
88
90
91
Ejemplo
Mes
1
2
3
4
5
Demanda Real
100
200
300
400
500
92
.Continuacin
Tt = Tt-1 + ( Ft FITt-1 )
10+ 0,3(111-110) = 10,3
FITt = Ft + Tt = 111,0 + 10,3 = 121,3
Si , en lugar de 121,3, la realidad resulta ser 120, la
secuencia , el pronstico para el prximo perodo
sera:
TF_t+1
t+1 = 121,3 + 0,2(120-121,3) = 121,04
Tt+1 = 10,3 + 0,3(121,04 -121,3) = 10,22
FTIt+1 = 121,04 + 10,22 = 131,26
94
Otro ejemplo
Un gran fabricante utiliza el suavizado
exponencial para realizar un pronstico de
demanda de una pieza de un equipo de
control de contaminacin. Parece que est
presente una tendencia al alza.
Mes Demanda real
(t)
(At)
1
12
2
17
3
20
4
19
5
24
Mes
(t)
6
7
8
9
10
Demanda real
(At)
21
31
28
36
?
95
Datos
Ft = At-1 + (1-)(Ft-1+Tt-1)
Tt= (Ft- Ft-1) + (1-)(Tt-1)
FITt=Ft+Tt
= 0,2 y = 0,4; F1=11 unidades y T1= 2
F2=(0,2)*(12)+(0,8)(11+2)= 12,8
T2=(0,4)*(12,8-11)+(0,6)*(2)= 1,92
FIT2= 12,8+1,92= 14,72
96
Desarrollo
Mes (t)
1
2
3
4
5
6
7
8
9
10
Demanda real
(At)
12
17
20
19
24
21
31
28
36
?
Proyeccin
suavizada
11,00
12,80
15,18
17,82
19,91
22,51
24,11
27,14
29,28
32,48
Tendencia
suavizada
2
1,92
2,10
2,32
2,23
2,38
2,07
2,45
2,32
2,68
Pronstico FIT
13
14,72
17,28
20,14
22,14
24,89
26,18
29,59
31,60
35,16
0,2
0,4
97
Otro ejemplo
Demanda real
Mes (t) (At)
1
85
2
105
3
112
4
132
5
145
6
?
Proyeccin
suavizada
70
85,00
101,00
115,52
130,85
145,81
Tendencia
suavizada
15
15,00
15,40
15,05
15,16
15,08
Pronstico FIT
85
100,00
116,40
130,57
146,02
160,89
0,1
0,1
98
Comparacin de proyecciones
40
35
30
25
20
15
10
5
0
Ene.
Suavizado exponencial +
Tendencia
Demanda real
Suavizado exponencial
Feb.
Mar.
Abr.
May.
Mes
Jun.
Jul.
Ago.
Sep.
Proyeccin de la Tendencia
Ajusta una lnea de tendencia a una serie de
datos histricos, y entonces proyecta la lnea
hacia el futuro para realizar proyecciones a
mediano o largo plazo.
Se podran desarrollar diferentes ecuaciones
matemticas de tendencia (p.e. Exponenciales y
cuadrticas) , pero analizaremos las tendencias
lineales, lnea recta)
Aplicaremos el mtodo de los mnimos cuadrados
100
Desviacin
Desviacin
Desviacin
Desviacin
Desviacin
Desviacin
Desviacin
Y a bx
Periodo de tiempo
Punto en la
lnea de
tendencia
102
Y$i a bX i
Se calcula mediante el mtodo de los mnimos
cuadrados:
Minimiza la suma de errores cuadrados.
103
Diagrama de dispersin
Ventas
4
3
2
1
0
92
93
94
95
96
Periodo de tiempo
105
i a bx i
Y
n
Pendiente:
x i y i nx y
b i n
x i nx
i
a y bx
106
Tabla de clculo
Xi
X1
Yi
2
Xi
2
Yi
X iY i
Y1
X1
Y1
X 1Y 1
Y2
X 2Y 2
X2
Y2
X2
Xn
Xi
:
2
Yn
Xn
Yi
2
Xi
:
2
X nY n
2
Yi
X iY i
Yn
Demanda 2001
Demanda 2002
56,70 + 10,54*8
56,70 + 10,54*9
X2
XY
1
4
9
16
25
36
49
140
74
158
240
360
525
852
854
3063
141,02
151,56
^
Yi = a
Variable dependiente
Pendiente
b Xi
Variable independiente
109
i a bx i
Y
n
Pendiente:
x i y i nx y
b i n
x i nx
i
111
Tabla de clculo
Xi
X1
Yi
2
Xi
2
Yi
X iY i
Y1
X1
Y1
X 1Y 1
Y2
X 2Y 2
X2
Y2
X2
Xn
Xi
:
2
Yn
Xn
Yi
2
Xi
:
2
X nY n
2
Yi
X iY i
Yn
113
Modelo de proyeccin
del anlisis de regresin lineal
Usted est realizando el anlisis de marketing de Hasbro
Toys. Al utilizar aos codificados, halla que Yi = -0,1 + 0,7Xi.
Ao
Ventas (Unidades)
1995
1
1996
1
1997
2
1998
2
1999
4
La previsin es de 4100 unidades.
116
Mes
Enero
Febrero
Marzo
Abril
Mayo
Junio
Julio
Agosto
Septiembre
Octubre
Noviembre
Diciembre
1997
80
70
80
90
113
110
100
88
85
77
75
82
Demanda de ventas
1998
1999
85
105
85
85
93
82
95
115
125
131
115
120
102
113
102
110
90
95
78
85
82
83
78
80
Demanda media total
Demanda media mensual
Demanda ao 2000
Demanda media
1997-1999
90
80
85
100
123
115
105
100
90
80
80
80
1128
94
1200
Demanda media
Indice
mensual
estacional
94
0,957
94
0,851
94
0,904
94
1,064
94
1,309
94
1,223
94
1,117
94
1,064
94
0,957
94
0,851
94
0,851
94
0,851
117
Mes
Enero
Febrero
Marzo
Abril
Mayo
Junio
Julio
Agosto
Septiembre
Octubre
Noviembre
Diciembre
Proyeccin mensual
96
85
90
106
131
122
112
106
96
85
85
85
118
yi y i
S y,x i
El libro utiliza el
n
yi
i
smbolo Yc
n
yi b x i yi
120
Correlacin
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.
121
n x i yi x i yi
n n n n
n x i x i n yi yi
i i
i
i
122
r=1
Y^i = a + b X i
r = -1
Y^i = a + b X i
r = 0,89
X
Y
Y^i = a + b X i
r=0
Y^i = a + b X i
Tendencia no totalmente
justificada
Conducta deseada
Error
Error
0
Tiempo (aos)
Tiempo (aos)
(y i y i ) 2
ECM i 1
errores de proyeccin
| y i y i |
DAM i
|errores de proyeccin |
n
127
Regresin
Suavizado
Ao
reales
modelo lineal
exponencial (0,9)
1995
1996
1997
1998
1999
1
1
2
2
4
0,6
1,3
2,0
2,7
3,4
1,0
1,0
1,9
2,0
3,8
Yi
1
1
2
2
4
Yi
0,6
1,3
2,0
2,7
3,4
Error
0,4
-0,3
0,0
-0,7
0,6
0,0
Error2
0,16
0,09
0,00
0,49
0,36
1,10
|Error|
0,4
0,3
0,0
0,7
0,6
2,0
Yi
1
1
2
2
4
Yi
1,0
1,0
1,9
2,0
3,8
Error
0,0
0,0
0,1
0,0
0,2
0,3
Error2
0,00
0,00
0,01
0,00
0,04
0,05
|Error|
0,0
0,0
0,1
0,0
0,2
0,3
Seal de rastreo
Mide el grado de precision de la proyeccin
para predecir valores reales.
Suma actual de los errores de proyeccin
(SAEP) dividida entre la desviacin absoluta
media (DAM):
Una buena seal de rastreo tiene valores bajos.
SAEP
DAM
y i y i
n
i
DAM
errores de proyeccin
DAM
133
Demanda
prevista
Demanda
real
100
90
100
95
100 115
100 100
100 125
100 140
SR
prevista
real
100
90
100
95
100 115
100 100
100 125
100 140
absoluto acumulado
-10
SR
real
100
90
100
95
100 115
100 100
100 125
100 140
absoluto acumulado
-10
-10
SAEP = Errores
= ND + (-10) = -10
SR
100
90
100
95
100 115
100 100
100 125
100 140
-10
-10
10
SR
real
100
90
100
95
100 115
100 100
100 125
100 140
SR
absoluto acumulado
-10
-10
10
10
real
100
90
100
95
100 115
100 100
100 125
100 140
absoluto
-10
-10
10
acumulado
10 10,0
DAM = |Errores|/n
= 10/1 = 10
SR
real
100
90
100
95
100 115
100 100
100 125
100 140
absoluto
-10
-10
10
SR
acumulado
10 10,0
SR = SAEP/DAM
= -10/10 = -1
-1
real
SR
absoluto acumulado
100
90
-10
100
95
-5
100 115
100 100
100 125
100 140
-10
10
10 10,0
-1
real
100
90
-10
-10
100
95
-5
-15
100 115
100 100
100 125
100 140
10
SR
acumulado
10 10,0
SAEP = Errores
= (-10) + (-5) = -15
-1
real
SR
absoluto acumulado
100
90
-10
-10
10
100
95
-5
-15
100 115
100 100
100 125
100 140
10 10,0
-1
real
SR
absoluto acumulado
100
90
-10
-10
10
100
95
-5
-15
100 115
100 100
100 125
100 140
10 10,0
-1
15
real
SR
absoluto acumulado
100
90
-10
-10
10
100
95
-5
-15
100 115
100 100
100 125
100 140
10 10,0
15
7,5
DAM = |Errores|/n
= 15/2 = 7,5
-1
real
SR
absoluto acumulado
100
90
-10
-10
10
100
95
-5
-15
100 115
100 100
100 125
100 140
10 10,0
-1
15
-2
SR = SAEP/DAM
= -15/7,5 = -2
7,5
Seal de rastreo
0
-
Intervalo aceptable
Lmite de control inferior
Tiempo
147
160
140
120
100
80
60
40
20
0
3
Proyeccin
2
1
0
Demanda real
-1
Seal de rastreo
-2
-3
0
Tiempo
Seal de rastreo
Demanda real
Seales de rastreo
149
15
10
0
+11-12 +1-2
+3-4
+5-6
+7-8
+9-10
151
152