Documentos de Académico
Documentos de Profesional
Documentos de Cultura
Previsión
Previsión
Planificación de la
Producción Industrial:
La Previsión
Contenido
¿Qué es la previsión?
Horizontes temporales de la previsión
La influencia del ciclo de vida del producto
Tipos de previsiones
La importancia estratégica de la previsión
Recursos humanos
Capacidad
Gestión de la cadena de suministros
Identificar o definir:
Previsión
Tipos de previsión
Horizontes temporales
Enfoques de la previsión
Objetivos de aprendizaje
Describir o explicar:
Medias móviles
Alisado exponencial
Proyecciones de tendencia
Análisis de regresión y correlación
Medidas de precisión de la previsión
¿Qué es la previsión?
Arte y ciencia de
predecir
¡Venderá 200
acontecimientos millones de
futuros. dólares!
Previsiones de demanda:
Predicen las ventas ya existentes.
Siete etapas en el sistema de
previsión
Determinar la utilización de la previsión.
Seleccionar los artículos en los que se va a
realizar la previsión.
Determinar el horizonte temporal de la
previsión.
Seleccionar el(los) modelo(s) de previsión.
Recogida de datos.
Realizar la previsión.
Validar e implementar los resultados.
Demanda de un producto representada en
un periodo de 4 años con tendencia de
crecimiento y estacionalidad
Picos estacionales Componente de tendencia
Demanda del producto o servicio
Línea de
demanda
actual
Demanda media
en cuatro años
Variación
aleatoria
Primer Segundo Tercer Cuarto
año año año año
Demanda real frente a los métodos de media
móvil y media móvil ponderada
35 Media móvil ponderada
30
Ventas reales
Demanda de ventas
25
20
15
10
Media móvil
5
0
Ene. Feb. Mar. Abr. May. Jun. Jul. Ago. Sep. Oct. Nov. Dic.
Mes
Realidades sobre la previsión
optimista.
Método Delphi
Proceso de grupo
iterativo. Los que toman
3 tipos de decisiones
(¿Ventas?)
Personal de
participantes: (Habrá 50 ventas)
plantilla
Los que toman (¿Qué ventas
decisiones. habrá?
El personal de plantilla. cuestionarios)
Los que responden.
preguntas del
estudio.
Visión global de los métodos
cuantitativos
Enfoque simple
Modelos de
Medias móviles
series
Alisado exponencial temporales
Proyección de tendencia
Modelos
Regresión lineal asociativos
Métodos de previsión cuantitativos
(no simples)
Previsión
cuantitativa
Tendencia Ciclos
Estacionalidad Variaciones
aleatorias
Tendencia
Es el movimiento gradual de ascenso o
descenso de los datos a lo largo del tiempo.
Los cambios en la población, ingresos, etc.
influyen en la tendencia.
Varios años de duración.
Respuesta
Mes, trimestre
Ciclos
Movimientos de ascenso o descenso que se
repiten.
Se pueden ver afectados por interacciones de
factores que influyen en la economía.
Suelen durar de 2 a 10 años.
Ciclo
Respuesta
Huelga.
Tornado.
Modelo aditivo:
Yi = Ti + Si + Ci + Ri (si los datos son mensuales o
trimestrales).
Enfoque simple
Ventas
8 Real
6
Previsión
4
2
95 96 97 98 99 00
Año
Método de la media móvil ponderada
25
20
15
10
Media móvil
5
0
Ene. Feb. Mar. Abr. May. Jun. Jul. Ago. Sep. Oct. Nov. Dic
Mes
Inconvenientes de los métodos de
media móvil
Ventas
190 Real
180
170 Previsión
160
150
140
93 94 95 96 97 98
Año
Efectos de la previsión de la
constante de alisado
Ponderaciones
= Periodo anterior Hace 2 periodos Hace 3 periodos
(1 - ) (1 - )2
= 0,10 10%
= 0,90
Efectos de la previsión de la
constante de alisado
Ponderaciones
= Periodo anterior Hace 2 periodos Hace 3 periodos
(1 - ) (1 - )2
= 0,10 10% 9%
= 0,90
Efectos de la previsión de la
constante de alisado
Ponderaciones
= Periodo anterior Hace 2 periodos Hace 3 periodos
(1 - ) (1 - )2
Ponderaciones
= Periodo anterior Hace 2 periodos Hace 3 periodos
(1 - ) (1 - )2
Ponderaciones
= Periodo anterior Hace 2 periodos Hace 3 periodos
(1 - ) (1 - )2
Ponderaciones
= Periodo anterior Hace 2 periodos Hace 3 periodos
(1 - ) (1 - )2
errores de previsión
Entonces: DAM =
n
Alisado exponencial con ajuste de
tendencia
Alisado exponencial +
40 Tendencia
35 Demanda real
Demanda del producto
30
25
20
15
Alisado exponencial
10
5
0
Ene. Feb. Mar. Abr. May. Jun. Jul. Ago. Sep.
Mes
Método de mínimos cuadrados
Observación
Valores de la variable dependiente
Desviación
real
Desviación Desviación
Desviación
Desviación
Punto en la
línea de
Desviación
tendencia
Desviación
Yˆ = a + bx
Periodo de tiempo
Demanda real y línea de tendencia
180
160
Y = 56,70+ 10,54X
140
120
Demanda
100
80
60 Demanda real
40
20
0
0 2 4 6 8 10
Periodo de tiempo
Análisis de regresión lineal
Se usa para prever la línea de tendencia
lineal.
Supone una relación entre la variable de
respuesta, Y, y el periodo de tiempo, X, que
es una función lineal:
Y$i = a + bX i
Se calcula mediante el método de los
mínimos cuadrados:
Minimiza la suma de errores cuadrados.
Diagrama de dispersión
Ventas
Ventas frente a tiempo
4
3
2
1
0
92 93 94 95 96
Período
Ecuaciones de mínimos
cuadrados
Ecuación: Ŷi = a + bx i
n
x i y i − nx y
Pendiente: b = i =n
x i − nx
i =
2 2
Xi Yi Xi Yi X iY i
2 2
X1 Y1 X1 Y1 X 1Y 1
2 2
X2 Y2 X2 Y2 X 2Y 2
: : : : :
2 2
Xn Yn Xn Yn X nY n
2 2
ΣX i ΣYi ΣX i ΣY i ΣX iY i
Ejemplo de análisis de regresión
lineal
Usted es el analista de marketing de Hasbro
Toys. Recoge los siguientes datos:
Año Ventas (unidades)
1995 1
1996 1
1997 2
1998 2
1999 4
¿Cuál es la ecuación de la tendencia?
Modelo de previsión del análisis
de regresión lineal
Usted está realizando el análisis de marketing de
^
Hasbro Toys. Al utilizar años codificados, halla que Y
i
= -0,1 + 0,7Xi.
Año Ventas (Unidades)
1995 1
1996 1
1997 2
1998 2
1999 4
La previsión es de 2000 ventas.
Modelo estacional multiplicativo
Encontrar la demanda histórica media para cada “estación”
sumando la demanda de esa estación cada año y dividiéndola
entre el número de años de datos disponibles.
Calcular la demanda media a lo largo de todas las estaciones
dividiendo la demanda media total anual entre el número de
estaciones.
Calcular un índice estacional dividiendo la demanda histórica
real de esa estación (calculado en la etapa 1) entre la
demanda media a lo largo de todas las estaciones.
Estimar la demanda anual de todo el año próximo.
Dividir esta estimación de la demanda anual total entre el
número de estaciones y entonces multiplicarla por el índice
estacional de esa estación. Esto proporciona la previsión
estacional .
Modelo de regresión lineal
^
Yi = a b Xi
n
x i y i − nx y
Pendiente: b = i =n
x i − nx
i =
2 2
Xi Yi Xi Yi X iY i
2 2
X1 Y1 X1 Y1 X 1Y 1
2 2
X2 Y2 X2 Y2 X 2Y 2
: : : : :
2 2
Xn Yn Xn Yn X nY n
2 2
ΣXi ΣYi ΣXi ΣYi Σ X iY i
Interpretación de los coeficientes
Pendiente (b):
El cálculo de Y varía en b cada unidad extra en X.
Si b = 2, entonces las ventas (Y) aumentarán en 2 por cada
unidad extra en publicidad (X).
Corte con el eje Y (a):
Valor medio de Y cuando X = 0.
Si a = 4, entonces las ventas medias (Y) serán de 4 cuando
la publicidad (X) sea 0.
Variación de los errores aleatorios
n
(yi − ŷ i ) El libro utiliza el
S y, x = i =
n− símbolo Yc
n n n
yi − a yi − b x i yi
= i = i = i =
n−
Correlación
n n n
n x i yi − x i yi
r= i = i = i =
n n n n
n x i − x i n yi − yi
i = i = i = i =
Coeficiente de correlación y
modelo de regresión
Y r=1 Y r = -1
Y^i = a + b X i
Y^i = a + b X i
X X
Y r = 0,89 Y r=0
Y^i = a + b X i Y^i = a + b X i
X X
Guía para elegir el modelo de
previsión
Usted quiere conseguir:
Ninguna conducta o dirección del error de previsión.
Error = (Y - Y^) = (Real - Previsión).
i i
Se observa en las representaciones de los errores a lo largo
del tiempo.
Un error de previsión más pequeño:
Error cuadrado medio (ECM).
Desviación absoluta media (DAM).
Conducta del error de previsión
Tendencia no totalmente
justificada Conducta deseada
Error Error
0 0
Modelo lineal:
SAEP
Señal de rastreo =
DAM
(y i − ŷ i )
n
= i =
DAM
errores de previsión
=
DAM
Cálculo de la señal de rastreo
Trim. Demanda Demanda Error SAEP Error |Error| DAM SR
prevista real absoluto acumulado
1 100 90
2 100 95
3 100 115
4 100 100
5 100 125
6 100 140
Cálculo de la señal de rastreo
Trim. Demanda Demanda Error SAEP Error |Error| DAM SR
prevista real absoluto acumulado
1 100 90 -10
2 100 95
3 100 115 Error = Real - Previsión
= 90 - 100 = -10
4 100 100
5 100 125
6 100 140
Cálculo de la señal de rastreo
Trim. Demanda Demanda Error SAEP Error |Error| DAM SR
prevista real absoluto acumulado
Señal de rastreo
Límite de control superior
+
0 Intervalo aceptable
-
Límite de control inferior
Tiempo
Señales de rastreo
160 3
140 Previsión
2
Señal de rastreo
120
Demanda real
100 1
80 0
60 Demanda real
-1
40 Señal de rastreo
20 -2
0 -3
0 1 2 3 4 5 6 7
Tiempo
Previsión en el sector servicios
15
10
0
+11-12 +1-2 +3-4 +5-6 +7-8 +9-10
11-12 12-1 1-2 2-3 3-4 4-5 5-6 6-7 7-8 8-9 9-10 10-11