Tema 2

ADMINISTRACION DE LA
DEMANDA
Funciones del planeamiento y control de la producción

PRONOSTICO

PLANEAMIENTO
DE LA PRODUCCION 1 PLANEACION
PLANEAMIENTO DE
LOS INVENTARIOS

PROGRAMACION
DE OPERACIONES 2 ORGANIZACION

LANZAMIENTO

SEGUIMIENTO 3 CONTROL
CORRECCION
 PRONOSTICO DE VENTAS
• Es un componente importante de la planeación estratégica y operacional.
• Su finalidad: Satisfacer demandas futuras estimando ventas
• Se debe entender que los esfuerzos del pronosticador proporcionan una
indicación, pero no la última palabra acerca de las condiciones futuras.

PREDICCION PRONOSTICO
Proceso de estimación de Proceso de estimación de un
un suceso futuro suceso futuro, proyectando
basándose en condiciones datos del pasado,
subjetivas, no combinadas sistemáticamente
necesariamente en forma predeterminada
hacia el futuro
predeterminadas

COMBINACION
 TIPOS DE PRONÓSTICOS
CUALITATIVOS CUANTITATIVOS

• Encuestas de mercado 1. Modelos de series de

• Juicio Bien informado tiempo
• Método Delphi 2. Modelos causales.
• Analogía de los ciclos de
vida
 PRONÓSTICOS CUANTITATIVOS
 Promedio aritmético  Funciones lineales
 Promedio móvil  Exponenciales
 Promedio móvil  Potenciales
ponderado  Logarítmicos
 Promedio móvil con  Parabólicos.
ajuste de temporada  Hiperbólicos
 Promedio móvil  Multinomiales.
suavizado exponencial
 PRONOSTICOS CUANTITATIVOS
Para productos existentes en el mercado, con datos confiables.

Función de transformación
VENTAS VENTAS
REALES
DR
y = f(x) PRONOSTICADAS
DP

(Modelo Matemático)

CONTROL
(DR-DP)

Error pequeño
 1. MODELOS DE SERIES DE TIEMPO.-
Usado cuando las variaciones son de tendencia constante
a) PROMEDIO ARITMETICO SIMPLE.

- Este modelo se utiliza para demandas

irregulares con tendencia constante.
- Se obtiene el promedio de datos del pasado, en
el cual las demandas anteriores tienen el
mismo peso relativo.
- El promedio representa, el valor más probable
- No detecta cambios en el tiempo
- Es muy sensible en cuanto a variaciones de
demandas reales.

Promedio 
 yi
n
n=Nº periodos
 Función de transformación


x  
prom

x x
Función de transformación
i i
Salida de
Entrada de n n Información
datos
x - Pron. calculado
x i

reales
n - Dem. Max. Mens.

s 
 (x i  x)2 - Dem. Min. Mens.
n 1

Límites de control para Distribución normal:

Z=1; N.C.=68% LIC=
Z=2; N.C=95%
Z=3; N:C=99.7%
LSC= LIC=
 Ej 1.- En el siguiente cuadro se presenta las ventas mensuales de un producto.

MES E F M A M J J A S O N D
D. 327 354 324 435 330 378 351 396 375 384 429 330
Real
Realizar el pronóstico adecuado de ventas para Enero del siguiente año, NC=95%
SOLUCION.- primer paso: Graficar Tendencia Constante

DR 500
(unid.)
450

400
x = 368
350

300

250
E F M A M J J A S O N D
Mes
 PROMEDIO ARITMÉTICO SIMPLE
PERIO- (DR -
MES DO D.R. D.P. DP)**2 LSC LIC
E 1 327 368 1660,56 445 291
F 2 354 368 189,06 445 291
M 3 324 368 1914,06 445 291
A 4 435 368 4522,56 445 291
M 5 330 368 1425,06 445 291
J 6 378 368 105,06 445 291
J 7 351 368 280,56 445 291
A 8 396 368 798,06 445 291
S 9 375 368 52,56 445 291
O 10 384 368 264,06 445 291
N 11 429 368 3751,56 445 291
D 12 330 368 1425,06 445 291
SUMA 4413 16388,25
PROME-
DIO 368
DESVIACIÓN 38,60
DESV. NORMAL Z 2
GRÁFICA DE PROMEDIOS
1.- SOLUCION.- Promedio aritmético
MES DR DP │DR - DP│ (DR – DP)2
E 327 368 41 1681
F 354 368 14 196
M 324 368 44 1936
A 435 368 67 4489
M 330 368 38 1444
J 378 368 10 100
J 351 368 17 289
A 396 368 28 784
S 375 368 7 49
O 384 368 16 254
N 429 368 61 3721
D 330 368 38 1444

Σ = 4413 SUMA = 381 SUMA = 16387

4413
X = DP = = 368 unid MAD = 31.75 unid
12
1.- SOLUCION.- Desviación estándar

Límites de control

S
 ( DR  DP) 2
NC = 68%
NC = 95%
z = 1 Productos Nuevos
z = 2 Ligeramente inestable
n 1 NC = 99.7% z = 3 estable
16387
S Eligiendo: NC = 95%
12  1
Z=2
S  38.6unid LSC = y + z*s
LSC = 368+(2)(38.6) = 445 unid
LIC = y – z*s
LIC = 368-(2)(38.6) = 291 unid

Resp: El pronóstico de ventas, para Enero del siguiente año estará

entre: 291 y 445 unidades; pero es más probable que esté cerca
de 368 unidades
 MODELOS DE SERIES DE TIEMPO.

b) PROMEDIO MOVIL

Es una variación del promedio simple, se toma

en cuenta los últimos datos, para sacar los
promedios pudiendo agruparse de 3, 4 o más
meses, llamados clases o periodos.

- Se usa para demandas irregulares, con

tendencia constante.
k
- Los datos se actualizan permanentemente
- El promedio, es el pronóstico para el siguiente  Yi
periodo PM ( K )  1
- Muy sensible K
K = clase
 PROMEDIO MOVIL
Demandas inestables
PM(2), PM(3), PM(4)

xe  x f  xm
PM (3) 
3
(pronóstico para Abril)

x f  xm  xa
PM (3) 
3
(pronóstico para Mayo)
 PROMEDIO MOVIL
Demandas estables
PM(5), PM(6), PM(7)

xn  xd  xe  x f  xm
PM (5) 
5
(pronóstico para Abril)

xd  xe  x f  xm  xa
PM (5) 
5
(pronóstico para Mayo)
 CONTROL EN EL PRONOSTICO.-
Continuamente se debe comparar LA DEMANDA REAL Y EL PRONOSTICO

1.- DESVIACION ABSOLUTA MEDIA. (MAD)

Medida de efectividad cuando se evalúen diferentes métodos
pronóstico.
MAD   (/ DR  DP /) / N

n = Nº de datos

A menor MAD mayor efectividad en el pronóstico

 EJEMPLO: Una tienda de abarrotes vende el siguiente número de
pavos congelados durante la semana anterior a la fecha del Día de
gracias.
Pronostique las ventas del Día domingo usando el promedio móvil.

Día Pavos vendidos

Lunes 50
Martes 30
Miércoles 60
Jueves 20
Viernes 70
Sábado 90
 CALCULO DE MAD PARA PM(3) y PM(4)

DEM. DEM. /DR - DP/ DEM. DEM. /DR - DP/

DIA REAL PRON REAL PRON

Lunes 50 - - 50 - -
Martes 30 - - 30 - -
Miércoles 60 - - 60 - -
Jueves 20 47 27 20 - -
Viernes 70 37 33 70 40 30
Sábado 90 50 40 90 45 45

Domingo 60 MAD =33.3 MAD =37.5

 w1 * x1  w2 * x2  .....  wm * xm
x
w1  w2  ......  wm
C.- PROMEDIO MOVIL PONDERADO.-
 Media móvil que incorpora algún peso a las
demandas en consideración
0 ≤ Pi ≤ 1

PMPi 
 Pi * Yi
n
p1 * y1  p2 * y2  .....  pm * ym
PMP 
p1  p2  ......  pm

Pi = peso
 EJEMPLO: Un fabricante de veneno para hormigas ha experimentado la
siguiente demanda mensual para un veneno de plagas mejorando según
el ambiente.
¿Cual es el pronóstico para el próximo mes si se da una ponderación de
50% al último mes, 30% al anterior y de 20% al que antecede?.

Demanda
Mes
(veneno en unidades)

Febrero 620
Marzo 840
Abril 770
Mayo 950
Junio 1000
D: Suavizado exponencial
Se usa para demandas muy irregulares.
D. SUAVIZADO EXPONENCIAL.-

Reciben mayor peso, los periodos recientes

Los pesos de los periodos anteriores decaen
de manera exponencial.
Un valor elevado de α dá un gran peso a la
demanda más reciente.
Un valor bajo de α dá un peso mayor al
pronostico más reciente.
fo = α d-1 + (1 – α) f-1
α ELEVADO Prod. nuevos ó demandas en
α = FACTOR PONDERADOR
proceso de cambio
fo = PRONOSTICO
α MEDIANO Demanda ligeramente inestable d-1 = DEMANDA MAS RECIENTE
f-1 = PRONOSTICO MAS RECIENTE
α BAJO Demanda estable

0≤α≤1
 Ejemplo.- Una pequeña empresa de electrónica produce calculadoras de bolsillo y mensualmente
controla la demanda de los artículos. Los siguientes datos de demandas se dan para las
calculadoras: noviembre 45; diciembre 57; enero 60. Usando a 50 como el pronóstico de
noviembre según el suavizado exponencial, obtener el pronóstico de ventas para febrero.

Mes DEM DEM /DR - DP/ DEM DEM /DR - DP/

REAL PRON 0.1 REAL PRON. 0.9
.
45 50 5
Nov 45 50 5
57 46 11
Dic 57 50 7
60 56 4
Enero 60 51 9
 E.- PROMEDIO MOVIL CON AJUSTE DE INDICE DE TEMPORADA.-
• Se usa cuando las variaciones son cíclicas (ciclos de 4) como los cambios
estaciónales: Primavera, verano, otoño, invierno

PROCEDIMIENTO
a) Calcular el PM (4)
b) Calcular el PMC(2) centrado PM (4) PM(2)
c) Calcular el índice de temporada X1
d) Calcular el índice de temporada promedio
X2 A
X3 C
B
DR X4
IT  X5
PM (2)
Un producto tiene demanda estacional. A partir
de las demandas trimestrales de dos años,
pronostique las demandas del tercer año.

AÑO T1 T2 T3 T4

2015 81 64 73 83

2016 80 70 84 74
 X Y

AÑO PERIODO TRIM DR PM(4) PMC(2) IT

1 1 T1 81

2 T2 64
75
3 T3 73 75 0,97
75
4 T4 83 76 1,10
77
2 5 T1 80 78 1,03
79
6 T2 70 78 0,90
77
7 T3 84
 PRONOSTICO AÑO 2017
Regresión
X Y
3 75
4 76
5 78
6 78

PERIODO TRIM PROY IT PRON.

X IT*PROY
9 T1 81,70 1,03 84
10 T2 82,80 0,90 75
11 T3 83,90 0,97 81
12 T4 85,00 1,1 94
 2. MODELOS CAUSALES
Usado cuando el comportamiento de las ventas son ascendentes ó descendentes.

Función de transformación
VENTAS LINEAL ŷ = A + BX VENTAS
REALES PRONOSTICADAS
DR POTENCIAL ŷ = A * xB DP

EXPONENCIAL ŷ = A * eBx
LOGARITMICA ŷ = A + B lnx

CONTROL

La validez de la proyección por regresión depende del grado en que estén

asociados entre sí las variables
Se debe comprobar la relación de causalidad directa ó indirecta entre 2 variables
(Coeficiente de correlación r) -1 ≤ r ≤ 1
MES PERIODO DR DP
ENERO 1 177
FEBRERO 2 170
MARZO 3 175
ABRIL 4 190
MAYO 5 197
JUNIO 6 200
JULIO 7 205
AGOSTO 8 210
SEPTIEMBRE 9 220
OCTUBRE 10 230
NOVIEMBRE 11 297
DICIEMBRE 12 390
 FUNCIÓN LINEAL 450

450 400 FUNCIÓN POTENCIAL

400 350 y = 146,4x0,2317
R² = 0,5351
350
y = 14,213x + 129,36 300
300 R² = 0,6653
250
250
DR
200 200
Lineal (DR) DR
150 150
Potencial (DR)
100 100
50
50
0
1 3 5 7 9 11 0
1 2 3 4 5 6 7 8 9 10 11 12
FUNCIÓN EXPONENCIAL
450

400
FUNCIÓN LOGARITMICA
350
500
300
y = 147,76e0,058x 400 y = 55,155ln(x) + 129,88
250 R² = 0,7618
R² = 0,4403
DR 300
200 DR
150 Exponencial (DR) 200 Logarítmica (DR)
100 100
50
0
0 1 2 3 4 5 6 7 8 9 10 11 12
1 2 3 4 5 6 7 8 9 10 11 12
 Las ventas reales de la tienda de celulares se da en el siguiente gráfico:

Periodos E F M A M J J A S O N D
Vtas. 177 170 175 190 197 200 205 210 220 230 297 390

a) Calcule las diferentes funciones de ventas y seleccione la más adecuada:

b) Si NC = 99,7%, ¿Cuáles son los LSC Y LIC para E, F, M, A del año 2?.

SOLUCION.- Gráfica “creciente”; usar regresión

FUNCION A B r
LINEAL
POTENCIAL
EXPONENCIAL
LOGARITMO
MES PERIODO DR DP
ENERO 1 177
FEBRERO 2 170
MARZO 3 175
ABRIL 4 190
MAYO 5 197
JUNIO 6 200
JULIO 7 205
AGOSTO 8 210
SEPTIEMBRE 9 220
OCTUBRE 10 230
NOVIEMBRE 11 297
DICIEMBRE 12 390
 CÁLCULO DE PARÁMETROS DE FUNCIONES.

Periodos E F M A M J J A S O N D
Vtas. 177 170 175 190 197 200 205 210 220 230 297 390

FUNCION A B r
LINEAL 129,36 14,21 0,82
POTENCIAL 146,4 0,23 0,73
EXPONENCIAL 147,8 0,058 0,87
LOGARITMICA 129,9 55 0,7

La más adecuada es la Exponencial

ŷ = 147.8 e0.058 x
 MODELO CAUSAL (FUNCIÓN EXPONENCIAL)

MES PERIODO DR DP (dr - dp)**2 LSC LIC

ENERO 1 177 157 417,47 227 86
FEBRERO 2 170 166 16,80 237 95
MARZO 3 175 176 0,62 247 105
ABRIL 4 190 186 13,92 257 115
MAYO 5 197 197 0,14 268 127
JUNIO 6 200 209 83,48 280 138
JULIO 7 205 222 275,67 292 151
AGOSTO 8 210 235 615,68 306 164
SEPTIEMBRE 9 220 249 830,01 320 178
OCTUBRE 10 230 264 1131,73 334 193
NOVIEMBRE 11 297 279 311,29 350 209
DICIEMBRE 12 390 296 8834,34 367 225
ENERO 13 314 384 243
FEBRERO 14 332 403 262
MARZO 15 352 423 281
ABRIL 16 373 444 302
PRONÓSTICO DE DEMANDA