m8
ds
Pronéstico de la demanda en
una cadena de suministro
Después de ler este capitulo, debers ser capa de
1. Entender el ol del pronéticn tanta para a empresa como par: cadens de suminis,
2 dentficar los componentes del pron6stico de la demands.
3. Pronostcar la demands en una cadena de suminisro dada la infermacién de la demands histrica empleando
rmetodologis de series de tempo.
4 Analza os prondsticns de Ia demands para estima el eror de ronéstco,
“Tod las decsiones relacionadas con lacadena de suminsr tomas antes de que a demands sehayamaerializado
‘© cansideran como wn pronéstico, En este captloexplicamos cémo se puede emplear la informacion de I demand,
histrea para pronastcr Ie demand ftura y c6mo estos pronéstices afetan Ia eadena de suministo, Deseribinos
‘varios métodos para pronosticar la demanda y esimar la preisn de un pronstico. Lego amlizaos como se imple:
ment es mods utlizando Microsoft Excel
7.1 ROL DEL PRONOSTICO EN UNA CADENA DE SUMINISTRO
Los pronéstios de a demand forman la base deta planeacin dela eadena de suministro, Consideremos fa vite
ivan de empujetinén de Ia cadena de sunnisto,analizadaen elcaptlo 1. Todos los procesos de empje en lt
cadena se reaizan con anicipacign «la demand del clint, ments que todos ls prcesos de itn se elian ex
‘puesta la demanda del cliente, Para los process de ernpae el gente debe planear el nivel de actividad, ya set
‘en produceién el ransporeoen cualquier ora actividad planeada. Para los process det, gereate debe pleat
live de eapaciddeinvenaro disponibles, peo no la canted real que se eecutar, En ambos asos el primer ps
‘que el gerente debe tomar es pronosticar cu er a demanda de lente.
ina tienda de Home Depot que vende pinta slicita la pntura base y los colorantes con anticipacin & Ios
pldos del eliente nents relia a mezcis final para atendet los pedidos del cliente, Home Depot pronostia I
tlemanda futuca pare determinar la catidd de pinturay colorente que debe tener disponible (an proceso de empuieh
‘Mas adelante en Ia cadens de sumiisto, a fibrica de pinturas que produce Ia base también necesita pronéstcos
para detenminar sts propiosnivcles de produccién ¢ inventario. A su vez, y por la misma razéa, los provec-
{lores del brea nevestanprondsticos. Cuando cada etapa dela cae de siminstroraliza sus propio pronés-
‘os par septrado, por fo regular son muy diferentes, El resultado es un desajust entre Ta oferta y Ia demands. Cuando
{ovas as etapas tabajan juntas pata producir un pronéstco colshoratvo,éstetende a ser mis preciso. La preciiéa
pemite ales eadenas de suminisro tener mayor capacidad de respuesta y ser mis etieientes para tender as cli
tes, Los ders en muchas cadena de suministr, desde fabricantes de computaoras personales hasta minors que
‘yenden productos empecados, an mejorado su capaci par igualarl oferta a a demanda cuando se decden x hacet
‘pronéstices colaboratvos.
CConsideremos ol valor del pronéstico coaborstivo para Coct-Cola sus embotelladres. Ceea-Cola decide
‘el momento de lanza varias promociones con base en el pronéstion de la demands durante el siguiente timeste CCaptaio7 + Prostico deta demanda ca ua cadens de saministo 179
‘is dovsions relacionadas con la promocion se incorparan entonces al pronésticoactslizado dele de
el cal es esencal pra que Tos embotlladoresplancen sus decisiones de capacidad y produce,
improbable que un embotlladr que oper sin un prondstcnaetalizado asda en Ia promocioncuente
tem sufciente abaso para Coca-Cola, lo que va en detriment de las ulidades cela cadena.
O° Los proiuctos muduros con demanda esabl, come leche o tolls de pel, slen ser ms icles de
tia. Tanto el pondstico como las decisions gerencales que lo acompasnson en extrema cifiles
{undo ls oferta de materia prima o la demands del producto terminado et atamenteimpredeible, Los
frdcts de mex y muchos precios de alta teenalogta son ejemplos de artiotos dif de pronostca,
[Brambos casos esesencial una estima del eror de prondstic cuando se dissala eadena de suministro
spn su respuesta,
‘Antes de que empecemos @ analiza a fondo los components de los pranssticos y los més de
ronnsiar en a cadena de suministro, enumeramosbrevement as caracerstes de ot pronésticos qu el
fete debe entender ara disefary administrar de manera eficaz su cadena de sums,
7.2 CARACTERISTICAS DE LOS PRONOSTICOS
[as compatiasy los geentes de cadena de suministro deben estar conscienes dels siguientes cracterist-
4 de los pronSsticos.
1, Las pronésticos siempre son imprecisosy por tanto deben inclu tanto st valor esperado como una
‘medida de error del prondstico. Para entender la importancia de wn enor ce pronéston consideexnos
dos distibuidores de automéviles, Uno de ellos espera que las vents ucen ene 100 1,900 und
{es en tao quee ov espera que lo hagan ene 900 1,100. Aa euandasinbos distributes p=
‘én un promedi de vena de 1,000 ls politics de adquisicion de cada uno daben ser muy diferentes
{ada adiferencia en a pecsin del pronto, Por tanto, l err de ronética (once de a
‘demanda) debe ser un informacin clave en la mayora de las decisiones el cadena de suns,
Desortnadamente, la mayor de las compas no leven ning regis del cer de pronSstice
2. En general, los pronGsticos ene lang plaza son ence precisos que los de corto plazo; es dec, los
primers len una mayor desvieiénestindar del enor en elacién con a media que los segundos.
Seven-Eleven Japan ha explotado esta propiedad fundamental para mejorar su desempeni, La compa:
‘ia istiuido un proceso dereabastciiento gue le permite str un pedo en hors, Por ejempo,
se! gerente de un tienda ceca un pedo a his 10:0 am, éte ents a8 700 pam. del mismo
la, Por tanto el geente slo tiene que pronosticar lo que venderdestnocte, menos de 12 horas antes
ela vent real. El corto tiempo de espera permite al gerene tomar en cosieracén a informacin
‘seta, que putea afectr ls vents del producto, como el lima, Es probube ue est prondtico se
mis preciso que sel gente tuvirs que pronoticer a demand con na semana de antcipacion,
3. Los pronésicos agregadas sucen ser més precisos que los desagregas, ya que tenden tenet
una menor desviacisnestindar del errr ea relacn con a media. Par ejmplo, es cl pronosticar
<1 Producto Intemo Bru (em) de Estados Unidos para un cito ao con un eror menor qu 2%, Sin
‘embargo, es macho més difeil pronosticar el ingresoanusl de una compa con menos de 2% de
‘or, yes an mis fel pronotica el ingreso de un prexcto da eon elise grid de pris,
La diferencia clave cate los ues pronésticos eel grado de agregacion. Ea es una agrezacin de
muchas companiasy os ingesos de una compania son agregackn de diversas lines de productos,
‘Cuanto mayor seal agregscin, mds precisa ser el pronéstico.
4, En general, cuanto mis arriba esté una compaia en la cadens de suniniso(o més eos del consi-
midor, mayer sr la dstorsin de la infrmacin que recba. Un ejemplo clisico de esto es el efecto
de ligo (Vea el capo 10), en el cual Ia varia det pedo se arplifea conform Ios pedidos
se alejan del cliente final, Como resulta, cuanto mds aria se eneuentre ana conan en la cadena
‘desumiisto, mis rande sede eror de pronétco, I pronto colabortivobasadoenlas ventas a
sliente final ayuda a las empresas que se encuentran mis lejos del consumidoe a reduce eror de
rons.
En a siguiente sein anlizamos los components hscos del pronstico y expires las cur clas
dento de as euaes cae los minds de pronto eintadcius el concepto deen de front, 180 cu
lo + Prodsio de demands en una cadens de suns
7.3 COMPONENTES DE UN PRONGSTICO Y METODOS DE PRONOSTICAR
‘Yogi Bema, lex receptor de los Yankees de Noeva York, famoso por ss disprses, firms en alguna oa,
sin, “Las prdiccones en general son dificil, especialmente acerca del futuro”. Uno puede verse tentadog
trata el pronstco de la demand como cosa de magia oar y dejar todo al azar. Lo que una compa sabe
cera del comportamieno pad de suselentes,aroja le sobre su comportaient futur. La demand,
to surge de a node; anes bien, la demanda el cliente depende de varios factresy puede pronosticri,
‘menos con cet probailidad si una compa puede dteminarlaelacion entre estos factors yl deman-
(i futura. Para pronosticar la demands, ls compas deen ideifia primero Tos factores que ifluyen en
Ja demand Tatra y luego coriorase de la relacin ene la demands futur y dichos actors,
Tas companias deben equiirar los factresabjtivosy subeivos cuando pronastcan la demands
Aunque en este capitulo nos enfocamos en msiodos de proxésico cuanttatves, las compas debeninlie
‘el aspecto humana al hacer su pronéstico final. Seven-Blewen Japan sta ese punto.
‘Seven-Eleven Japan proporciona a sus gerentes do tienda un sistema muy avanzado de apoyo
de la toma de decisions, que proostca la demanda y recomienda un pedido, Sin embargo, el gereite
ts responsable de tomar Ia decisién final y de colocar el ped, ya que iene acceso a informacion sobre
las condiciones del mercado que no est disponible en la infrmacign de I demand strive. Es proba
ble que este conocimisntn de las condiciones del mercado mejor el pronésic. Por ejemplo, sil gerete
sabe que quiz Ilzevao haga fi l di siguiente, puede rede el ama de un pelo de elados que bara
‘tun proveedor fs leno al cient fn, clus sia errand hubierasdo alta durante fos as anteiones
‘cand elclima er li, En este aso, un cambio en Ins condiciones del mercado (el clima) no hubits
‘odd pronosticarerecurendo «Ia informacign de Ia demands histrca. Un cadena de sms puede
‘bienerbeneficiossistancales al mejorar el pronéstic cela demanda mediante informacign cualiativa
roprciona poe personas
‘Uns compa debe estar al tanto de numerosos factors relacionados cone] ponéstico dela demand,
Incluidos ls siguientes
+ Demanda pasala
+ Tiempo de espera de reabastecimiento del producto
+ Publicidad planeadaoesfuerzos de marketing
+ Descuentos de precios planeados
+ Bada de a economia
+ Acciones gue los competdore han realizado
‘Una compaia debe entender ales factors antes de poe selecionar una metodologa de pronstion
scccuaa, Por jenipo,histreamente una compa pueds haber expeimeatado una baja demanda de spt
‘e pollo con tallarines ene mes de julio yuna demanda alta en diciembre y enero Si lnempresa hace un de>
‘ueato ene preio del producto en julio, la situacgn prbsblemente se medfique, y una prt de Is demand
fora se pasar a mes de julio. La compafia debe hacer su pronéstco romano en cuenta est factor.
"Los métodos do pronéstcg se clasifcan de averdo con Tos cut tips siguientes
1. Ghalitativos; Los métodoscuaitativos son pritipalmente subjetivos ys apoyan en el jico hue
mano, Son apropiados sobre todo cuando se dispane de pocos dats histricos © cuando los experts cuentas
‘con datos de investgacin dl mercado que pueden afectare protien, Tsles métaos también peden st
necesiios pas protostca Is demanda varios ilosenelfururo en una nueva industs
2, Series de tiempo: Los métodos de pronéstico de series de tiempo uilizan fs demand histiricn
para hacer un prondstco. Se Basan en la supesci de cue Ia historia de Ta demunda pasa es un buet
fndicador de a demand futra. Estos mtedos son ms ssopiados cuando el ptr de a demand bisict
no varia significativatnete de uns al siguiente. Son los moos mds senellos de implementa y puede
Servi eomo un buen panto de inicio pr el pronéstice de una demande
‘3 Causale: Los meéodos de pronsico causales suponen que el pronGstico de Ia demands est
slkamente comrelacionao con cies factaresen el ambiewe (l esto dela economia, la tas dite
‘toster). Los métodos de prondstico causal excuentran esta correlacién entre I Gemanda y los fares
mbientaesy liz estimaciones de cules seri étos pura pronstcar a demand futur, Po emp Capitulo + Prondtice de demands enw cadena de soins 181
‘afl de procis de os produces est fueremente elcionaa con Ie demand, Po tanto, las compas
perder uilizarmétdos causles pra determinarel impacto de las promociones ds precios en la demands
4. Simulacién: Los métodos de prontstico de simulacidn imitan las referencias del cliente que
dv ovigen la demanda para lege aun prondtco. Con Is simulacén, una epesa puede combinar los
fados de series de tempo y casas para responder muchas preguntas coma {Cul sere impacto de
tha promocidn en posis? :Cudl ser el impacto de a apertura de una tienda competidoracoreana? Las ao-
fea simula el comportaniento de compra del cliente pars pronestiar I demand de asientos de aia
a, cuando no hay asentos disponibles de tifa baja.
‘Quiaés una compan encuentredifell decidir que miétodo es mis sproiado para pronosicar. De
echo, varios estudios han indicado que emplear makiples metos de pron» para creer un prontstico
‘ombinado cs mas fective que emplear cualquier oto sol.
En este captlo nos ocupamos principalmente de fos métaos de series de emp Tos cuales son mis
syeopiaos cuando a dens futur est celacionada con la demanda istic, ls prone de crecimiento
ies atronesestacionals. Con cualquier metodo de pronéstico siempre existe unelemento leatorio que no
usd sr explicad par los patones dela demunda histérica. Por consiguent, calguer demands observ
piste divides en un componente sstemdtico yen oo aleatro
Demand observada (0) = componente sistemitic ($) + compovente aleatorio (R)
I componente sstemdtico mide el valor esperado dela demanda y conse eno que Mamaremos
‘ve es doct la domanda dsestacioalizada actual; endenci, que es la asa de erecimiento 0 declination ‘
ela demands pars el periodo siguiente, yexacionaidad, que se refer las Dtancones estacionles )
reecbls de la demand, }
El componente aleaoro esl pate del rondstico que se desvia de la parte sistemitien. Una compari
‘no pose (y no debe) pronostcar la dreccin del componente aleatorio. Todo le que una compania puede
{onasticar esl tamafo ya variabilidad del componente aleatori, que permiten edie err de prndstic.
“labjetivo de pronesticar es ita el component aleatorio (ride) yesimar el exmponente sistema. El
“ror de prondstico mie ln diferencia ete el prondstic Ia demand el. En gromedio, wn bacn metodo
‘epronstico tiene un erorcuyo tamaio es comparable l componente slestriode ls demands, El gerene
debe ser escéptico ante un metodo de pronéstico que afrme que no ten eur de prondtico de In demand
Istria. neste caso, el método ha fusionadoel componente slestrio itérice ciel componente sisters
‘co. Como resultado, es probable que el metodo de prontsico produzca un deserpei deficient
7.4 METODO BASICO PARA PRONOSTICAR LA DEMANDA
Los cinco puntos siguientes son importuntes para que una ngunizacién pronostiqi con eficenca:
1, Extender el objetivo del pronstico.
2 Integra la planeacisn y o pronéstico do la demanda a avés doa cadena de suminsto,
4 Identicar ls principales fctores que influyenen el pronistico de la demand,
44 Pronostiar al nivel apropiado de agregacin
5. Esablecer medidas de desempefoy err para el pronstco.
Entender el objetivo del pronéstico
‘odo pronstcorespals ls decisions basa en él de manera que un primer paso importants es identifi
con claridad esta decisions. Fjemplos de semejants decisonesineluyen que eantidad se debe producir
en preductopanicula, qué tao inventrio se debe tener y cunt psi. Toa las pares gue intervienen
las decisiones de una cadena do suministrodeben eta eonscientes dl vincule ent la decisiGn ye pro-
isco, Por jrplo, or planes de Wala de descontar el precio del delergente durante el mes de julio de-
tien comparizse cone fabricate anspor y oto implicados en satsace la damanda, ya que todos
lor deben tomar decsiones que seven ufectdas por el pronéstico dela demana. Todas las partes deben
Tes con un pron6stico comin del promoci6n yun plan de aceién compartidobasadoenelpronéstco. Si
89 toman ests decisones de manera conjunta el resultado puede ser demasiado o muy poco producto eo
"ris etapas de cadena de sumtin, 4182. Captlo7 + Prontico dea demand en na cadens de mii
Integrar la planeacién y el pronéstico de lademanda a través de la cadena de
suministro
. ‘Un compat debe vinculr sa prométco a tod as ava de planeacdn a v6 de cade de
suis, Estas incuyen la planeacin ela capocia la peed, de promecio scone,
tne ors FE un escenario desafertunadamene conn, un mira desarllapontscos asad ch
tvidadespromocionals, mientras que un facante, quem est enterado de estas promocioes, sara
tn pronto dees desu planeain de produccin bead en pds hstricon Esto conde & wp
dessus ene afer y la mand y el esto es un deficient servicio al lene. Paafogratea ix
tegravin, x una buona dea que una compala cues con un equipo inkrfunconal, con miembros de cay
fancin fad responses de pronostar la demu inline una mejor We es tenet membres de
‘vais compaias cde a cadena de munis abandon pra cea un prontic.
|dentificar los principales factores que influyen en el pronéstico de la demanda
A continuaci6n Ia empress debe identiicar la demands, oferta y Fenémenos relacionados cone prodctp
{oe infuyen ene pronstico de la demanda. Fn lo que aes conciere, a compara debe asepuarse de
est creciendoo dectnando, i ine un ptrén estacona. sas estmacioes deben bass e a demand,
1 en datos de ventas. Por ejemplo, un supermercado promocioné una cierta mara de crcl en jlo de
2011. Como resultado Ia demands de este cereal fue ats mientras que la de oes fe baja supermeread
to debe emplear los datos de veotas de 2011 para estima sila demanda de est marca se alta en julio de
2012, ya que esto ocr slo sla misma mara se ewe a promocionaren julio de 2012 y otras marcas
‘espenden como lo hiieran el af anterior. Al pronosticr Ia demandaelsupermercado debe entender cull
Inaba sido la demanda sin a actividad de promocin, yedano se ve afectad la demand por ls promociones
1 acciones de la competencia. Una combinacin de estos tipos de informacién permit al spenmercad
‘ronostcr la demands para julio de 2012, dada la actividad de promocinplaneada para es af.
‘En cuanto a la ofera, una compa debe consider ls fuentes de abastcimiento disponibles pax
vel
‘Componente sistemstico
Se consider la estimacin init del nivel, L, como el promedio de tndos los detoshistrias ya que seh
puesto que a demands no tene una tendencao estaionalidad observable, Dados ls datos da demanda
Fara osperodos a, tenemos lo siguiente:
oy 190. Cépilo7 + Ponce dea demas en una caden de suite
Lens cal paratodos os pena tos ala esimacinactil dl nivel eo og
Brat by ¥ Fron = br na)
Des de bsewarlaanda Dp perio + I eines Insta nivel om ie
Lys4 = aD oes 4 (1 ~ aly
‘ i (7.13)
done cna constant de sevizamict pr ne O << 1. valores dl iel eu
‘meio ponder dl valor observa dl ivel (D,)< el prod + 1 it exinacin agua dl ie
{ene perio Con a eoucin 713 podemos Skea € nivel dun peiod Jao como una fea
{ela demand acl nv en aides Ponto pornos ese lec 7.13 coma
boar = Zadl — a Disin + (1 ~ aYD
[Ls estimacin actual del nivel es un promedio ponerado de todas las obsarvaciones pasadas del de
manda, com as observaciones recientes ponderadas mis dts que las antiguas, Un yale lt de a comespo-
doa un pronéstico mas sensibe a las observaciones recientes, mientras que un valor bajo dea epresenta in
pronéstico més estab y menos sensible alas observaciones recientes, usramose uso de la suavizanient)
texponencial ene ejemplo 7-2,
EJEMPLO 7-2 Suavizamiento exponencial simple
CConsidoremos el sypermereado del efomplo 7-1, one que ta demands semanal de leche ha sido D, = 12,
D, = 121, D, = {14 D, = 122 galones durante ls {ltmas cuatro semanas, Pronostiquernos la demand
‘pita el perodo 5 utlizando el suavizamiento expoencia simple con @ = 01
Anis:
neste caso tenemos los tose a demand para
ini de nivel se express como
etiodes Uiilzando la ecuacién 71, laestimacia
SoM = 12025
by
El pronésico pia elpeiodo I (atilizand I ecu 712) ests da por
B= Lq~ 12075
La demands observed para cl period I es D, = 120, El eror de prnéstico para el peredo 1 ext
ado por
By = Fy ~ Dy = 150.75 ~ 120 = 015
Con a
estima revised el nivel paral perodo 1 empleando I ecucin 7.13 s expres
Ly = aD; + (1 ~a)ly = 0.1 ¥ 120 +09 x 12075 = 120.68,
(Observemos que la estimacin do nivel paral perodo 1 es menor que para el period O porque la d=
manda en el perio 1 es menor qe el pronéstico para elperiodo 1. Por tanto obtenemos F = Ly = 120.68,
Dado que D, = 127, tenemos Z, = 0.1127 +09 X [2068 = 121.31, Estoda F, = L,= 121,31. Dado
‘que D,= 114, obtenemos L, = 0.1 X 114 + 09 x 121.31 = 120.58, Estoda F, = L, = 12058, Dado gue
22, obtenemos Z, = 0.1 x 122 + 09%120.58 = 120.72. Eto da io
'SUAVIZAMIENTO EXPONENCIAL CORREGIDO POR TENDENCIA (MODELO DEWOLT) [lméodo desavi
2amiento exponen coreido por tenencia (modelo de Holt) es propia caando se suponeguc Ia demand
‘iene un nivel ya tendeneien el eompanent sisemvtionpero no esvionaidad En eee enemas
‘Componente sstematen de Ia demand = nivel + tendeneia Capulo7 + Pronto dela dems en una cade de suministro 191
-obteaemos un esac init nivel y I endencaretizando una regresin tinal ene La
D,¥ el pido ¢ da forma
Dat
En este caso es apropiado realizar una represin inal enre I demanda ys periods porque hemos
sume que Ie demands tiene una tendencia peo no estcionlidad. Por tanto relacia subyacente etre
‘demande y el tempo es lineal. La constant b mide la esimacidn de la demand ene periodo = Oy «5
puesta estimacn del ive incialL, La pendiente a mide la asa de cambio d= a demanda por period y
ts mesa estimacién inca de a tendeniaT,
Enel periolo, dadas las etimaciones dl nvel Zyl tendenca Te! pronisico para peiodos futures
sexprea como
Fi = et y Figg bet hh aa
Despus de observa I demanda para el periods revsamos las estimaciones para el nivel y la tex-
encia come sigue:
Lont = aDjes + (1 - a), +7) oa)
Tis = Bllosn ~ bs) + (BY 19
onde « es una constant de suavizsniento paral nivel, << I,y les unaconstante de suavizamiento
para latendencia 0 < 8 < 1, Odservemes queen cada una de las dos actulizacioes la estimacin revisada
[ie nvel otendencia) es un promedio ponderado del valor observadoy laestimcién antigua. Encl ejemplo
7Ailstramos ous del modelo de Holt
BIEMPLO 7-3, Modelo de Hott
Un fbvicanto de apartoselecénicos ha notado que In demande de su reciexterepmauctor de MP3 se
increments en los ihimos seis mess. La demanda observa (en miles) ha sido D, = 8415; D, = 8732;
D,= 9014; D, = 9808; D, ),= 11,961. Pronostiquemes la demand para el period Tut
tango cl sutvizamieno exponencialcoregido por tendeneia con a = 0.1 y B= 02,
Anis
Elprimer pasos obtener estimacionesiniciles dt nivel ytendencia mediante regresi inal Primero rea
lzamos una regresie linea (uilizando la heramienta de Bxcel (Datos| Andis de dios Regresion) ent
Jn demanda y los peiodos.Laestimacién del nivel nici L, se obtiene como elcoefcinte de intercepcion
yi tendenciaT, se obtiene come el coeficient variable Xo la pendent), Con Tos datos del reproductor
MP3, cbtenemos
Lg = 7367 y Ty= 673
Fl pron6stico para el periodo 1 (utlizndo in ecuacién 7.14) es por tanto
Fy = Ly + Ty = 7367 + 673 = 8,040
‘La demandaobservada par el perodo 1 es D,
ey
41 Fl esor para el ptiodo I es, portato
.040 — 8
-a1s
Cona = 0.1, = 02, lestimacién evsuda del nivel y la tendenia par el periodo I utlizando ls
eusciones 7.15 y 7.16 esti dads por
Ly = aD, + (1 ~a){ly + %) = OX SAIS +09 X 8040 = 8.078
T= Bll, ~ a) + (1 ~ A) = 02 * (8078 — 7,367) +08 x 673 = 681
‘Observemos qu la estimaci6n incl dela demands en el peiodo I es demasiado baja, Como resul-
lado, meets actualizaciones han incremental Ia estimacién del nivel L,parael periado de 8040 28,078, 192 Capilo7 + Prondsico de a demands en una cadena de suninista
yylnestimaci dela tendenca de 6732681. Uilizando lecuacidn 7.14, obtnennos el siguiente pronésticn
para el period 2
A= Ly +h = 8078 + 681 = 8799
CContinvando de esta manera, obtenomos L,
T, = 666,L, = 10676, 7, = 661, 1,= 11,99, 7,
8:55, 7, = 680, 2, = 9,393,7, ~ 67, L, = 10039,
673, Fst nos ds un proméstico para! petiodo 7 de
y= let T= 1199+ 673 = 1.072
‘SUAVIZAMIENTO EXPONENCIAL CORREGIDO POR TENDENCIA Y ESTACIONALIDAD (MODELO DE
WINTER) "Este medio es apropiado cuando el componente sistemstico de a demandatene un nivel, ane
fendencia y un factor estacional. En este caso tenemos
(Componente sistemitico dela demanda = (nivel + tendencia) factor estaconal
‘Supongamos quel perodicidad dela demand es . Para mpezar necesita ls etimaciones ini
es dl nivel (2), latendenci (7, y los factors estacionales(..S).Obtnemos estas estimacionesemplean-
‘del procediento par el pronticnesttico ya ants desert en el capitul,
Enel perodo dadas ls estimaciones del nivel, del nivel, It tendency 1s factors estcions:
es S.5,, ronésticn para periodos futuro eté dato por
Fi = (le # WSien Yin le + Sie)
(LMS ¥ (+m) ail
Al obscryar la demand parse periodo +1 revisunos as estimacones par el nivel, I tendecia
‘os fatores estacionales como sigue:
Loa = a(DeslSsss) + ( ~ aly +7) 8)
Teun = Blnss ~ be) + (1 AMT a9)
Srepsi = 1Drstlaes) ~ (1 ~ Sea 29
‘donde es una constante de suavizamiemto par el nivel 0< a < I; es una constante de stavimiento para
latendencia 0 < f'< Izy yes una constante de suavizamiento para el factor etacional 0 = 1, Ode
‘vemos queen cada una de las actualizacione (vel, tenenca factor estacional), fa estimacin revise
«sun promedi ponderado del valor observadoy la estimasién anterior, Fa el ejemplo 7-4 iustramos el uso
‘el modelo de Winter.
EJEMPLO 7-4 Modelo de Winter
(Consideremos los datos de Is demand de Tahoe Salt que aparecen en Ia abl 71. Pronostqueris a de-
‘manda part et period | utilizando el suavizamiento expenenialcomegido por tnenciay estacionalidd
con a= 01, 6 = 02,y = OL.
Analisis
(Obtenemos las estimacione inicnes del nivel, la tendencia y los Factores estacinsle exactaente
como en eso este, Se exprsin como sigue:
[p= 18439 Ty= 524 5, ~ O47 $= 068 Sy= 117 5 = 167
El pronGstic para el peiodo 1 (utlizando la euacien 7.7 ests da por
F, = (Lo + Ta)Ss = (18,439 + 5249047 = 8913
‘La demands observada para el perodo 1 es D, = 8,000. Fl ene de prodstico para el periodo 1
s, portanto By = F— D,= 8913 ~ 8000 = 913,
MB CCaptaio7 + PronSico del demands en ua ade de suministo 193
Con a = 0.1, = 02y = 011, la estimacién evisada de nivel y temlencia para el prio 1 y
ef factor estacional par el periodo 5, ulliando lat ecutciones 7.18, 7.19 720estin das pr
Ly = a{DYS}) + (1 ~ a)(Ly + Te)
1 x (8000047) +09 x (18,439 + 524) = 18,769
T= BlL1 ~ Ly) + (1 ~ B)Ty = 02 * (18,769 ~ 18439) + 08 S24 = 485,
$5 = (Dilla) + (1 ~ 9951 ~ 0.4(800018,769) + 09 x 0.47 = 0.47
1 pronGstio de la demanda para el periodo 2 (ilizandolaecuaci6n 7.17) est dado por
Fy= (Ly + Ti)Ss = (18,769 + 485)0.68 = 13,098
‘A continuacién se dan los métosos de pronéstico que hemos aalizado yl ituaciones en que son
sglcables generlment
Mitodo de prondstico iad
Fraredo now ‘Sin tendenda 0 eadoraidad
Sunviamiento exponerca simple Sn tendencis oestacoraldad
Modelo de Hot Tendenca pro no estadonalidad
Modelo de Winter “endencay estaconalidad
‘Si Tatoe Sat wiliza un metodo de pronéstic aapativo on los dats de ventas obenidos de sus mi-
vistas, modelo de Winter es la mejor opcin ya que su demands experiment tanto una tendenia como
soaestocionslidad.
“Sino tabemoe qu Tahoe Salt experiments tanto na tendencia como un extacionalidad, ome po
demos indgarlo? El ear de prondstico ayia sidentfcar los exsos en qe el ntodo de peondsico que se
‘et utizando es inapropiado. En la siguiente seccién descibimms céauo un gerente puede esimary uilizat
slertor de pronéstico.
‘7.6 MEDIDAS DEL ERROR DE PRONOSTICO
‘Como antes se dj, cada aso de demands tene un componente sleatorio. Un buen método de pronéstco
Asie capa el componente sistemstio dela demanda pero noel lestoro;é4e e manifesta el forma
dem error de prondstco, Los erores de prondtico conieneninfrmacin vabosa y debenanalizarse con
‘ui po dos rzones:
1, Los gerenesuilizan el ands de er para determina el método de prondstio stual price con
precisiénel componente sstemitico dels demands. Por ejemplo, si un prndsco produce de maners
‘consstente un error pasitvo, el método de pron6sic ests sobrestimande el component ssiemico
1 deberd comegis.
2 Tex ox plies de contingencs deen tener en evnta el enor depronstcs.Consideremas una comp-
Aa de ventas po eomeo con dos proveedves. Fl primer esti en el Lejano Orient y ine un emp de
nega de dos mess, segundo es loealy puede sur pedidos en una senana, pero es mds caro que
rime, La compa desescontatr una clea conte de capaciad de omtingenci con el proveador
local ques utilizar sl demanda exootelacatidad que ol proveedr kl Lejano Oriente suminisa.
[La decsin com respeco a a cantidad dela capucdad local que debe cntratarse est esteamente
‘incl tase det ero de pends,
Fntanto los eores observa estén dentro de las estimaciones de ero trea, las empresas pueden
‘seguir uiiizando su método de pronéstco actual, Encontrar‘un enor que est mis alli do las estimaciones
istics puede indicat que el métoo de prodstico en uso ya noes apropado ¢ la demanda se ha moiica-
o de manera consistent Si todos ls prnéatcs de una compas tenden cosistentemente a sobestimar
‘substi a demand, esto puede ser ora soil de que Ia empresa debe cabiar los mods de prom6stico, Jo + Prontstico de demand en wa cadens de suit
‘Como ya antes se defini el err de pronstico pa el period test dao por E, donde se mantens
Jo siguiente:
B= ROD,
Es deci, el err en el period es a diferencia entree] pronto paral period ¢y Ia demand ea
«en el mismo pericdo. Fs importante que un gerenteestine el eror de un pronto realizado por lo mean
on una aniipaci6n igual al iempo de espera requerdo, para que el gerente pueda emprenter culguige
accin para la que s utilizar el pronético. Por ejemple, sun prondstico se wlizari para determina
‘tamuo de un pettidoy el iempo de entrega del proveedores de eis meses un geente debe estimar el enor
ara un pronéstico realizado ses meses antes de que sur la demanda. Ei una sitacin con un tempo de
enega de ses meses no tiene sentido estima los erores dun prondstica hecho con un mes de antcpacn,
‘Una med de errr de prondstico es el erorcuadrétco medio (MSE, Mean Square vor). doe
lo siguiente se mantiene (el denominador dela eeuacén 721 también puede teen en lua de
use, = 138
iQ can
ELMSE pode relaionarse onl varanza del enor de protic, Deo, estimamos gue el com
net lestorio de Ia demands ene wie media dO, ura vranra de MSE. MSE: penali To xr
‘andes mucho ms signfeatvamene qu os ogueos nue tdos ses seen a cused, Pe
onsigient, si selecionames met de roastico mininizando el MSE, se peri un me cane
Secuencia decor de pronto de 10, 12,99 aun metoocon una secvenca de eo de 13.2) 20. Pt
tao, una bens idea es utilizar el MSE paca comprar moos de pronto se coso dun err sane
5 mucho mayor que a gana derivada de pronsicos my pecs, Utizael MSE como una meta
‘eestores apropiado cuando eer de prod ene ua tibia simeiiaen tome ace,
Definames le desvacén abou en pif, come el valor desoluto del er ene peda
nexoes ah
Definamos la desviacin media absolua (MAD, Mean Absolte Deviation) como el promedio de
1a desviacion sbsoltaen todos los periods, expresada coro
sao,= 134,
ne od
nt pit ine evil ae wc is
isc akc thn Ene soos dace cuts lca ase
on 35 aD -
Lon ge mel cont sae ara da tl on
saints isidanniege LatAbecncemiae neseser moat a ey
ttm sb tn At codon cre Semana ssoNDar es
‘Posnkcunios aitan iets a paioddcest eames ee
Tina
ho rem mean (MAPS, Mew sa Pe ren! rr
Beek peen nce
2
EL MAPE es una buena medida del error de pronstco cuando el pronéstico subyacentetene una
‘stacineliad significaivay a demanda vata consderblmente de un perodo al siguiente. Consieremas
1m escenario donde se usilizan dos metodos pra hacer pronsisticosimestrales de un producto con demand
«stacional que slanza su valor méximo en el terertrimest, El mtd | produce erores de pronéstico de
190,200, 25 y 180; et metodo 2 produce errares de pronésico de 100,120,500 y 100 en cuatro times Capitulo 7 + Pronto dk demands en nacadena de suinisro 195
1 ene un MSE y MAD menores con respecto al metodo 2y se prefers se uilizara cualquc-
os ds eriteros. Sin embargo, st demanda es akamente estacional y prumedia 1,00, 1,200, 4,800
ten [os cst pviodos, el mélodo 2 produce un MAPE ~ 9.9%, mientras que el metodo 1 produce un
pe ~ 14.3% En este caso se pede argomentar que debe preferirse el métoo 2 al metodo 1
“Caundo tn meodo de pronésica deja de rer el pan de demands subyacente (por ejemplo,
eran se rue consderablerente (Como Io hizo en la industria antometiz en 2008/2008), e8 im
elo crores de prondstico estén alestorimente dstribuidosentorno 20. En general necesitamos
sadtods pre rastea y controlar el método de propéstico. Un méfodoes utilizar la sus de los erores de
isco par raurelsesg dnd reals lo siguiente:
serg0, - DF,
a CP)
Fl sesgo fluctua alrededor de cero si el eror es verdaderamentealeatrio y no sega hacia un
plo elo. Helen, si graicamos todos os eres, la endiente de una Ia Teta que pase por ellos
bers.
Leena! de rasireo (TS, Tracking Signal) el cocint de sesgo y esvain media sbsota (MAD)
yest daa por
1s, = 8
MAD, 726
‘Sila seal de rasteo en cualquier peiodo est aera del rango 6, estos una stil de que el pro
sco est sxgado y subpronosticado (TS < 6) o solrepronosticado (FS > ©. Esto puede suceder por
fg el méid de prondstco dene puntos dle o el parén subyacente de la demands ha cambiado. Un
“asoenel qerestilardunagran sefial derasreo(TS) negatva ocare cuando la denanda tiene matendenci de
‘esimintoy el gerente est utilzando un méiodo de peonéstico como el de premio m6vil, Debido 8 que
ove inclye fa tendenca, el promedio dela demanda histvica siempre es manor qu la demanda Futura
Thacat de rasteo negative dete ue el nétodo de pronéaticosubosima de rsinersconsistente Ia ema
dy es alereal gerent.
Ta sefil de rast tambiga puede hacerse grande cuando la demand sereuce repentnamente (como
Jobizo en muchas industras en 2009) o inerementase en una cantdad significative, lo que hace que tos
hos histéicos sean menos elevantes, Sila denianda se redujo repentinament tiene sent incrementar el,
pes d los datos actunles en relacin con los dts antiguos cuando se hacen jrondsticos. McClain (1981)
eeomiends cl meiodo “alfa declinante” cuando se ulizasuavizamiento exponencal donde ta constant de
Suavizamiento comienza a crese (para dar mayor peso a los datos recientes) 2er0 Inego se reduce com el
Fempo, i buscamos una constane de suavizamiento de Ingo plazo dea = | ~ pun método alfa delinante
sete niciarcona,~ 1) restabecer la constant de siaizamice como sie
OO pea me
clo plaza a const esusvizamiento conver at = 1 ~ pylon prods se ween mis
stubles con el temp.
17.7 SELECCION DE LA MEJOR CONSTANTE DE SUAVIZAMIENTO
‘Gtindo se utiliza el suavizaminto exponen el vlor de la constant de suavizamientoseeccionda tiene
‘in mpacta directo en la sensibildad del prondstico ante los datos recientes. Si un gerente tiene una buena
idea dl putn dela demand sabyacente, es mejor tlizar una constante de suavizamiento de no mis de 0.2
En general. es mejor sleceionarconstantes de suvizamiento que minimicen el témino de enor con el que
tl gerente se sienta ms e6modo de entre el MSE, la MAD y el MAPE. Sin preferenci entre los térinos de
‘ror, es mejor selccionr constantes de suavizamiento que minimiven el MSE
Iustramon el impacto de selecionarconstantes de suavizaminto que ninimicen ls diferentes me-
Aids de ero atlizando los datos de demand de 10 periodos que se mest en las celdas B3B12 de la
figura 751 nivel nial se estima con la eeuacién 7-11 so muestra en la cella C2. La constant de suavi-
‘amiento we se oblizne con Solver inimizando el ror cundrtio medio MSE (celda F13) al ial dels 10, 196. Capto7 + Pronistico dea demands en una cadens de suis
Densnda{ ron tor | te
2 1| mena |e serine al te
a
ee
a
4 [ans [aoers [aoa [ako [ aus [so [ a
S| eons [oan [a [a —[ ana
re a
fae [aa [oer eee ae
aa ace tomas onal oes le est ee
farce eae [fae oles oar
2017.9 a7} 2a} 25 | 21%
|| [esaeT =) (Goa 1
[2 [3/8] 13/212 |S(S[E [ETB] eels |ele|S/o|u
ie
ss
FIGURA 7-5. Seleccion de la constante de suovizamiento mnimizando ol NSE
‘periods, como se muestra en la figura 75. El prondstico qb se muestra en a fgura 75 tz a
resullaney da MSE = 2,460, MAD = 42.8 y MAPE = 21.
La Constante de suavizamiento también puede selewionsee con Solver miniizando la MAD el
|MAPE al Final de os 10 periods, Ea la figura 7-5, que muestra los reultdos de inimizat la MAD (elds
(G13). Los pronésticos y eres com la a = 0.32 resultant © muesran ena Figura 7-6, En extecaso, cl MSE.
‘ incrementa a 2,570 (en comparacién con 2.460 ea Ia fgura 7-5), mientras que la MAD 38 reduce 392.
(en comparacin Gon 42.5 en a figura 75) y el MAPE se reac en 2.0% (en comparacién con 2.1% ena i>
gra 7-5). La diferencia més importante entre ls ds pronsticos ecure en el period 9 (el que iene el enor
snd grande y que se muestra en Ia celda D1), donde la maimizacién de la MSE selecciona una constant
de suavizamiento que reduce los errores grandes, mientras que i minimizaci dela MAD seleccions una
constante de suavizamiento que da un peso igual la reducion do todos los erores aun cuando los eros
grandes se hagan un poco mis grandes, A
amanda rents tow hae
perndot| Dy | whelts| Fy | enor, | etna a % Ene
7 2007
1 | aman [ 2038 [ooze | ea [a7 [a | 0
2 [aon [ansre | 2098 | sea | asa | soa | 2m
3 [ee amen [20ers [ass [2007 [ass | aan
a [aos [amis [ames [sts [2007 [sus | 25
[20] aoe. [ame [303 -[—si6 [30 | a9
[ae 2083 [aoa [aa [| 34] oa
7 [ar | aoans | a0ans-[ ana | asa [aa [aK
[isn asa [ans [os [wer | os | 350
[asi Paseo Panis [aoa [sas | 07a | 5.6%
10 [ses [asso [ aso oo [0 [a0 [om
7173 10a) aso} 20n
S 0:32. J
So eee
SetTargetcet: — (ERERRT_(B]
OM Orn O vabeok -
8 Chang Cbs
>
FIGURA 7.6. Seleccion del constante de suavizamlent minimizando a MAD.
En general, no es una tens ides uiizar constants de suavizamiento mucho més grandes que 0.2
urante Largs periods. Se puede justiticar una constante do suavizaminto grande durante n tempo
arto cuando la demanda esté en tansicién; sin embargo, en gener, debe evitarse durante tiempos
sxtensos,
7.8 PRONOSTICO DE LA DEMANDA EN TAHOE SALT
Recordemos el ejemplo de Tahoe Salt con la demandahistrica de los cents de sus minorstas ue se
‘oestraen I tala 7-1. Los dios de a demand también e mustran en Ts columnna Bde ura 7-7.Ea
tulad Tahoe Salt est negoiando contraos con proveedores para los cunt rimesres ene el segundo
timestre del ao 4 el primer uimeste del ao, Un importants dato de entrada en esta negociacin esl pro-
Dstico dela demand que Tahoe Salty sus minoristasestin constuyendoen fora conjnta, Han asigedo
Capito 7» Pronstico del demunds ca sa cadena de smiisra 1977 i 198. Captulo? + Ponisico da demands en una cadens de suis
SSE
apoE
PAPE
Sar so) [ea
ste
S10
a5 580
Le
Tze |
cats | Firmaladecsiin | Wevacn
S 79
@ 7a
ane
G___ | Semaseseaniace | aan
ie SN FIEFOAED 7a
% ore)
% =A 724 ra
™ Som 726 KIS
FIGURA7-7_Pronéstios de Tahoe Sat utlizande el promedio mov de custo periods,
‘un equipo compuesto de dos gerentes de ventas dels minora ye vicepresiente de operaciones dea:
hoe Salt para que se legue a este pronéstico, Fl equipo decide aplicar os datos histricos ea uno de os
étodos adapatvosestadados en este capitulo. El objetivo es slecconar el métoo mus propia lego
. ‘itizarto para pronosticar I demanda para los siguientes cuatro rimestes. El equipo decide selecciona
todo de pronGstico basado en Jos eres que resultan ciando se utiliza cad uno de los métocon en Ios
12 trimestes de datos de demands histricos,
En exe caso la demanda ine clarameate tanto una tedencis como una estcionalidad en el compar
"nentesistemitico. Por tanto, el equipo espera que el modelo de Winter produzca el mejor prondsico
Promedio mévil
En principio el equipo de prondtcos decide someter a pricba un promo mévil de cuatro peioos part
11 pronéstico, Todos los edleulos se muestran en la figura 7-7 y se analiza en a sein sobre el meio de
romedio mévil en este capitulo El equipo utiliza la ecunién 7.9 para estimate nivel y la eeuacin 7.10
ure pronostca a demands.
Como se ine en a columns K def figura 77, seal derasteo se encuentra dentro del rango #6,
oul indica que el pronstico que wiz el promedio meuil de castro pérodos ao conticneningin sesgo
signitiativo, Sin embargo, tene una MAD,, bastante grande de 9,719 con un MAPE,, de 9% Ea la ig
77, observamos que
Ly = 24500 CCaptio7 » Pronstico dea demands ea un cadens de sumiisra 199)
Por tanto, on un promo msvil de custo periods, pronto paras poiodos 13 16 (atlizan-
dolaccuscidn 7.10) seexprest como
Fig = Fia = Fig = Fig = Loa = 24500
Dado que la MAD,, es de 9,719 la estimacgn dela desviacinestndar de errr de pronto, wi-
tzando un promedio mévil de cuato period, es de 1.25 % 9,719 = 12,148. En este caso In desviaci6n
tstndar del pronéstco de error es bastante grande en relcién con el tamato del pronéstico.
Suavizamiento exponencial simple
‘Acontinusién el equipo utiliza un mtd de suavizamientoexponencia simpe con a = 0. para ponos-
fia Ia demanda, Ese méteo tumbia se somete a prucha en los 12 trimestres de dats histéricos. Con a
cveisn 711 el equipo estima el nivel nical pra e period O como la demands promedio para los pviodos
112, El nivel iniial es el promedio de los datos de demanda introdvidos ea las cedas B3 a B14 en la
figua 7-8 ye resultado es
fy = 22083,
x Oe
4( ee ee
7
i Te eet
z OB Le
= Bat pes
t 3 Tost
5 7 Tea [tae
7 [er am
oto 38 [oo
nf 3207 ete [os
Bo | isa | wes [ata [es | es | vm toaes 3 Bie | ae
tae | a Pas ting ae 3 Stee
wea aa [ate es | To | aes ae eps Tis
oe Copia
=a 78 cecle
‘ures
2 on BEDI
7 EAEL
cry cry
@ ~Sumgsersy | 721 cece
6 Semone] 1a HAH
cy 1007 ws
ry eS Fz] Tae
@ csesraras | 726 aKa
Fauna 7.8 Pronsticos de Tahoe Salt ullzando el método de suavzamientoexronencal simple. AE
200. Captlo7 + Pootsico dea demands en uncaden de suis
El equipo utiliza luego I ecuacn 7.12 para pronosicar la demanda para el priodo siguiente Ly
ctmacin del nivel se actaliza cada peiodo ulizando I euacién 7.13, Los resuliados se muestan
Tafiguea7-8
‘Como Io indies la TS, seul vara de ~1.38u 2.15, ¢ pronto tlizando suavizamiento expones-
ial simple cona = 0.1 ao indica ninetin sesgo signifcativ. Sin embargo, ene una MAD,, bastante grande
‘de 10,208 con un MAPE,, DE 59%. En la figura 7-8, observamos que
In = 23490
or tanto el pronto paras siguientes cuatro timestres (ailizndo a ecuacén7.12)¢5
Fam Fa = Fis = Fu = Lia = 23490
Enmeste cat, la MAD, e8 de 10,208 y el MAPE,, es de 59%, Por tno, a estimacion del desviacion
stindar de err de prontica ulzando suavizariento exponen simple es L25 % 10,208 = 12, 761,
En ext cso, i desviaion estinda del exor de proméstice es bastante grande con respecto al tama de
pronéstic,
‘Suavizamionto exponencial corregide por tendencia (modelo de Holt)
Et equipo a cominuacign investiga el uso del modelo de Hol, En ete caso el componente sistemiico de
Ja demanda es
‘Components sstemitico dela demanda = nivel + endencia
1 equipo aplica la motodolgfa antes analizada. Como un primer paso, estima el nivel ene priodo
‘0 lu tendenci nici, Coma se describ en el ejemplo 73, esta estimacia se obtiene realizando una r-
sin lineal ent la demanda D, y tempo. priodo tC la egresin de lo datos disponibles el equpo
‘hone lo eigen:
Ig= 12015 y T= 1549
equipo spica ahora el modelo de Holt con « = 0.1y_ = 0.2 para obtener los pronéstics pra cat
tan de fs 12 trimestes pars oe cules estn disponibles les datos dela demsnda, Hacen el pronético eon
Inecuacign 7.4, aetualizan el nivel con Ta ecuacién 7.15 y lt teadeacia coa la ecuaci6n 7.16, Los resultados
se mpesean en la igura 7-9.
‘Como india una TS que vara de ~2.15 22.0, suavizamieno exponencalerregido por tender
cincona=0.1y =02noparece que sobre o subpronostique de manera signiieativa. Sinembargo, el po-
stico tiene una MAD,, state prandede 8,836 con un MAPE,, de 52%. Ea la igura 7-9 observamos ae
I= 303 y Tha = 1.541
Por tanto, tlizando el modelo de Holt (euaci6n 7.14), prondstico par los siguientes cuatro pers
os se expres como sigue
Fiy = Lig + Tra = 30443 + 1,541 = 31,984
Fug = Lig + Wig = AGB + 2 X 1,54 = 33,55
Fis Lio 372 = 30443 + 3 X 1541 = 35,066,
Fig = Lig + ATi2 = 30,43 + 4 x 1541 = 36607
Aguf, la MAD,, = 8836, Por tanto, la estimacin dela desviacinestindar del ertor de pronstico
utlizando ef modelo de Holt con a = 0.1y = 02 es 1.258.836 = 11.405. En este caso la desviscin
‘etndar del eror de pronstico con respect al tamato de pron6stico es un poco més pequsio de Toque foe
on Tos dos métodos anteriores; sn embargo, sigue siendokastante grande
"Ca eas da end, leo nos om gos nies made
ren Bacal
oops un ese ‘Capito 7 + Prondticn deh demand en un aden de suminiseo 201 |
=~] _ See
al a cordon | onsite | eo MAP| TS
z a0
[por ex | — eset —| sane
Frame Pa0r “us| — tases —| paca
mea | rate Ta rk
sano [90 ‘go0r| ‘hoor | e508 ut
nde Tass | —Witen [Stee 07
ram [ ais Soer_|— ater —[—atenr
TEM E=E “a7 197 | esr
Tp son [o Sig] ase [eae
f | on_[seze ts [ar | sao |i 0
ism asa ate ars Deere] ars |
tf senses [sr [arte [ae [egos [er
iano aes rer | 9970 aan] rao |r
(Ceita [Formate ect emia Cie
| -rsxomean | Tus cacla
Bs | oacsenqranme 76 DeDHE
= eon) ae oo
® 25 7h Po
@ =A orcs
a 7a we
| sSenisoRSaAS Ta Tt
e 1000385) 8
| nee) 7a Tenia
| Serr 726 vate
FGURA 7-9, Suavzamiento exponencal coreldo por tendenda,
Suavizamiento exponencial corregido por tendencia
‘yestacionalidad (modelo de Winter)
-coniniaidn el equipo investiga ol uso del modelo de Winter para hacer el ronésico. Camo un primer '
‘so, estima el nivel y endencia pars el period O, y los factors estaionales pia os periods 1 ap =
Pars comenzar la demnda se desestacionaliza. Lucgo el equipo estima el nivel nial y endencia realizen-
«una regresin entre ls demanda desestacionaizads y el iempo, Esta informacion so utliza para estimar
Ins actors estacionales, Con los datos de Is demanda que sparecen en la figura -2, como se vio en el eem-
7-4, el equipo obtene lo siguiente:
Ly = 18439 Ty S24 $047 $= 068 Sy= 117 5y= 167
[Lego aplica ef modelo de Winter con 4 = 005, 0.1, = 0.1 para obtener ls pronéstics. Todos
los ileulos se muestranon la figura 7.10. 1 equipo hace ronéticos con la ecutciGn 7.17, actaliza el nivel
‘om a ecuacién 7.18, actuaiza la endencia com la ecuacin 7.19, ataliza Ts factoresestacionales con |
‘eruacidn 7.20
neste cato la MAD de 1,469 el MAPE do 86 sn sgnifiativamente nenores que con cualquiera
‘los demas todos, En a figura 7-10, observamos que
Ln =24791 Tz =532 Sy =04T Su = 068 Sis
17 Sig = 1.67 202 Captlo7 + Prooitico dea demands en una cadena de umn
Se
S aemnceree [oleae
a eat | ae Lemon
ee
& 5 al rare
[seem [ea
22 oem fee a
os |r aeea [rats a
Se
‘Suavizamlentoexponencial coreg por eden y estcinaldad
(Con el uso del modelo de Winer (cuscién 7.17), el prondsticn para los siguientes custo periods es
Fig = (Lin + Tia)Sis = (24791 + $32) x 047 = 11,940
Fac = (Lin + 2ia)Su = (24791 +2 X 532) x 068 ~ 17,579
Fig = (Lin + a)Sis = (24791 +3 % 832) x 1.17 = 30930
Fig = (Lin + ATi2)Sis = (24791 + 4 X 532) x 1.67 = 44928,
neste caso ls MAD,, = 1469, Por tanto, ln estimacin dela desvici estar dl ero de probs
ticoulizando el modelo de Winter con a = 005, B= O.l,y 7= 0.1 es 125% 1469 = 1,836, de modo qe
J desvacin extndar del eror de pronésti con respect al pronéstico de la demand es mucho meer
«que con fos demas métedos.
"El equipo compila as eximaciones de err de los cnatro métdos de pronéstico com se mest et
abla,
Basado en Ia nformacién dl erar que aparece en tala 7-2, el equipo decide wtlizar el madeo de
‘Winter. No ee de srpreder que el modelo de Winter procures el pronéstco més preciso, ya que los dos Capitulo + Promtico deta demand en calena de smi 203
‘Método de pronéstico MAD MAPE (76) Rango de TS,
Fomiedo men Ge aw oe co =TszazaT
pers
Syavzamleto exponen 10.208 59 ~1389215
sme
‘dels de Hl 836 2 -215a200
deo de Winter 169 8 -2742400
dela demand tienen tanto una tendencia de crecimiento como una estacinalial, Con el uso del metodo de
Winter el equipo pronostica Is siguiente demand paa los eur rimesres venders
‘Segundo wimestre, ao 4 11,940
Tereer uimeste, aio 4 17,579
Curt rimeste, ao 4: 30:930
Primer times, alo 5: 44,928,
La desviacn estindar del pronto de eto es 1.896.
7.9 EL ROL DE LA TIEN EL PRONOSTIC
‘un rol aural prs a Ten el pronto, dada a ran cama dato inpiado, even con
Jucilse evan cabo! pronto, ylnimporacia de obtener los esd da mds aa calidad posible
rimsso do rondico en on sca de TL de In cadea de smn, con ecunca Tata mia
deplncacn dea demanda es un prouct de software cena delacaden de siministo La silicide
Inscapacidades de a Tene pronto ten varias venta importants.
Los mdlos comerciales de planeacin de la denanda Venen on wa vated de algrimoe
"depron, los cules puede er asta avanzasy en ocasiones sn pattads. sts metoslogias
sore entezar un pronéstico mis preciso que el prodacio con el us de un pate general como Excel
_Lamayorte de ls apticaciones de panei de a demands hacen gue se ast fl prota la diveros
Alprimos de prndstico corr dats bistrcos pra determine qu mejor js los parones dela
Aermendaobscrvados. 2 dispanbiida de arias opciones de rontic es imperant sbi aque os die
‘ets algctios de proscoproparcionan diferentes els J calla dpentiendo de spats dea
eran eal. or ant se puede empear el sistera de T para etcrminarmejr os modes Se rons)
esl par toda competi, sino tain po ener de producto y mera.
‘Un buen pate de pronto proporciona proninicos a wan de uma anpia aida de productos
Actual en eno reall icorpocarcualgit nueva infact sobre Ia deand. Exo ayuda as
ress a esonder con mas pie a los cambios en el mercado ya evita ls costs de una resin a
i Los buenos méduls de planeacgn dea demandas incu 0 slo los psi los lets sino
Junbién directamente a nformacon de ventas l client, y por ano incorpo os datos mas actus a
dso a demand. Macho dl progreso en asco a lanai cltatvase debe 3a no
‘cies de aT qu priten el intreambioeincorporcicn de os pronintco ene compas.
or dino, como el nome planacn del denandao sui, xe aos fain deteri-
‘cin del demands Los buenos médlos de panei de la demand conn errant par ans
lzreimpacode cambios pencils dels preci ca i demand, Ess baie yan 8 naliar
¢limpacio de pomorions can demands se pueden usps Steinar laetensiny cordate
‘empo de las promocones. Este vinci sé analiza con ms detaleenel epithe a de plane
in de ventas y operaciones.
“engamos en ceta qv ningun de ests henna s infil. Los rons ea sim son
Ipreisos. Un hue sistema del debe ayudar ada sequimiento a enores de prontcn his para
Peters incoporata decisions futur Un pronéstico bien estuctirado, nt con une medida de ero, 204 Capfsio7 + Pronisico dea demands en ua cadoa do sumo
‘ede mejorar significativamente I toma de decisions. Icluso con tots estas hermicntas comple,
4 eoes ex mjrconfiar en antici humana realizar in pronéstic. Uno de los inconvenient de ey
hemamienak de TT es dopendor domasiado de ells, Jo cua elimina el elemento humsno en el pron6scn
Uslicemos los pronéticos y el valor que proporcionan, pr recardemos que no son eapoces de Valoge
slgunos dels aspects mis culitatves de Ia demanda ftira que podeamos valorar por nuestra cuen,
Esin disponibles médulos de pronéstico en la mayera de las principales compas de software de
cadena de suniist,incluyendo ls empress de ERP como SAP y Oracle. Varias empresas de software
te andlissesadtico, ere ells SAS Y SPSS, offecenpregramas que se pueden usr para pronosicar Ey
‘OR/MS se reporta uns lista detallada de vendedoes de sotware de pronéstco. Una encusta de soft
de pronostcce actly una exposic6n de cada vendedor estn disponibles en hp: wwwliontrtpu cong
conmssurveyFSSAss-fhml
7.10 ADMINISTRACION DE RIESGOS EN El PRONOSTICO
‘Cuando se planifen para el futuro deben considers los Fiesgosasociados eon el errr de pronésin,
Ls crores ene prondstico pueden dar hgar a una mala asgnacin de los recurso en el invenao, sin
talaciones, ol trensport, el aprovsionamient, ls precios, incluso en fa administracin de a informa,
[Ea errres de pronético duane el dseo de una ed puede hacer que se constuyan muchas instalaciones,
pocas 0 inadecuadss, Los planes se determina a pari de pondstices, as que los planes reales de inven
Fo, produceidn, transporte, aprovisionamiento y de facia de precios que una compat produce y gue
Apenden de pronésicce preciso. Inluso a nivel de opersiones, los pronésticosdesempefan un papel eh
Jas actividades davis reales queso realizan en una compat, Como uno de Jos proceso incaes en aia
tna de estas fases que afecta muchas ort process, el prondstico contin una calidad considerable de
riesgo inherent
‘Una ampliavareda de factors puede hacer que un pronéstico sea impress, peo algunos ocuren
con tnt frecuencia que merecen una Mencia espcilic, Los args uempos de espera requeren que os
‘prondstics se eslicen con muche anticipacgn, lo que disninaye su confiahiidad. La estcionalidad tame
bin tend a incrementare err de pronéstic. Las errs de pronGsticoaumentan cuando Tos cicls de
vida del producto son corts, ys que existen pocos dats histicos que sivan de base cuando se produce
{mn pronéstic, Las compas con pocoscictes scien experimentr una demanda muy imepular qu es
‘nds dif de pronorticar que la demands de muchos clientes poquts, la cual Gende a ser mis uniforme,
La calidad del prondstico sufre cuando se basa en ped colocados por intermediaris en una cadena de
‘minsto en lagar deen la demand del cliente fia Est fue paicularmente evident en el sector de as
teleeomniescions en 2001 cuando Tos pronésticos de los abrcanessuperaron Ia demands dels lees
Por una gran cantidad. Sin una visualizacion dela demanda del cliente final, una compa siempre enfent
iiultades para produce pronsticos confiables.
Dos erates ulzadns para mitigate riesgo do pronéstco son increment la capaci de ree
puesta dela cadena de suminisio y aprovechar ls opertunidades para agregar In demands. La capaci
‘de respuesta increment permite a a empresa rede los erores de pronéstico y reducir de est manerael
riesgo asciado Zaray Seven Eleven Japanhan edo éxitc dsefandoy operando cadens de suminisirocon
feapacidad de respuesta, Zara reabastece Ss iendas varias veces ala semana mientras que Seven-Eleven Io
hace varias veces al dia, Como resultado, los greats de tenda en cada cas tienen que hacer pronéstico
corto plazo que scan bastante precios. La agregacin (pooling) que se analiza en el capitulo 12, ta de
‘Suaviar la denands iregulr al teuni mtiples fuentes d demands, De este modo, Amazon tiene menos
‘exores de pronétio que Barnes & Noble, ya. que agreg i demands geogrfica en sus almavenes,
‘Una mejor capacdad de respuesta y la agregaién stelen implica un cost, La velocidad increment
También podría gustarte
- Análisis de Datos-16-28Documento13 páginasAnálisis de Datos-16-28Santiago AriasAún no hay calificaciones
- Programa de Prevención Riesgos Psicosociales V3Documento16 páginasPrograma de Prevención Riesgos Psicosociales V3Santiago AriasAún no hay calificaciones
- Qué Hace La HerramientaDocumento8 páginasQué Hace La HerramientaSantiago AriasAún no hay calificaciones
- Cuestionario Factores ExtralaboralesDocumento9 páginasCuestionario Factores ExtralaboralesSantiago AriasAún no hay calificaciones
- Cuestionario IntralaboralDocumento33 páginasCuestionario IntralaboralSantiago AriasAún no hay calificaciones
- Herramienta para La Evaluación de Riesgos Psicosociales en El TrabajoDocumento5 páginasHerramienta para La Evaluación de Riesgos Psicosociales en El TrabajoSantiago AriasAún no hay calificaciones
- Presentación 1Documento5 páginasPresentación 1Santiago AriasAún no hay calificaciones
- Resolución Del CasoDocumento2 páginasResolución Del CasoSantiago AriasAún no hay calificaciones
- Herramienta para La Evaluación de Riesgos Psicosociales en El TrabajoDocumento5 páginasHerramienta para La Evaluación de Riesgos Psicosociales en El TrabajoSantiago AriasAún no hay calificaciones
- MS-1 CaseDocumento9 páginasMS-1 CaseSantiago AriasAún no hay calificaciones
- Posibles Preguntas para Una EntrevistaDocumento5 páginasPosibles Preguntas para Una EntrevistaSantiago AriasAún no hay calificaciones
