Gestión de Aprovisionamiento

Análisis de Series de Tiempo

Prof. Marcial Sáez, MBA

msaezl@gmail.com
Demanda – Ventas por mes
¿Qué notan de especial?

2
Demanda – Ventas por semana

3
Demanda – Ventas por día

4
Demanda – Estacionalidad
Ventas también difieren
dramáticamente entre los
días de una semana

Ventas difieren
dramáticamente entre
trimestres y en meses
dentro del trimestre

5
Pronóstico de Demanda

Identificar parámetros en
el pasado nos ayuda a
pronosticar el futuro

6
 Agenda
Gestión de

• Componentes de series de
Aprovisionamiento
(IN1260C)
tiempo

• Pronóstico Acumulado

• Pronóstico Naíf

• Pronóstico con Media Móvil

Prof. Marcial Sáez, MBA 7

Gestión de
Aprovisionamiento
(IN1260C)

Componentes de
series de tiempo

Prof. Marcial Sáez, MBA 8

 Pronóstico de Demanda
Nivel (a)
• Valor donde la demanda se sitúa alrededor (mean)
• Captura la escala de la serie de tiempo
• Cuando no hay otros patrones presente es un valor constante

Tendencia (b)
• Ratio de crecimiento o declinación
• Movimiento persistente en una dirección
• Típicamente es lineal, pero puede ser exponencial, cuadrático,
etc.
Variación Estacional (F)
• Ciclo repetitivo alrededor de un periodo conocido y fijo
• Hora, diario, semanal, mensual, trimestral, etc.
• Puede ser causado por fuerzas naturales o hechas por el hombre

Fluctuación Aleatoria (e o )
• Variabilidad debida a otras causas
• Variaciones irregulares e impredecibles, “Ruido”
9
 Componentes de Series de Tiempo
Movimientos Cíclicos (C)
• Movimientos periódicos sin un periodo fijo
• Duración puede tener distintas longitudes
• Relacionada con ciclos de negocios de largo plazo o condiciones económicas

10
Modelos de Series de Tiempo
Los componentes pueden ser combinados de distintas formas

Nota: Podemos transformar el multiplicativo

• Multiplicativo:
• Aditivo:
• Mixto:

Nos enfocaremos en cuatro modelos

• Modelo de Nivel:
• Modelo de Tendencia:
• Modelo mixto Nivel-Estacionalidad:
• Modelo mixto Nivel-Tendencia-Estacionalidad:

11
Gestión de
Aprovisionamiento
(IN1260C)

Pronóstico
Acumulado vs Naíf

Prof. Marcial Sáez, MBA 12

 Modelos de Series de Tiempo
Uso predominante de series de tiempo es para pronóstico de productos con
demanda de…
• Productos MADUROS a un nivel de SKU…
• HORIZONTES DE TIEMPO CORTOS (semanas, meses, trimestres, años)…
• Donde la demanda de los ítems es INDEPENDIENTE…

Por lo tanto, los componentes usados son el Nivel, Tendencia, Estacionalidad,

y Error

Procedimiento simple
1. Seleccionar un modelo “underlying” apropiado a los patrones que posee la
demanda en el tiempo
2. Estimar y calibrar los valores de los parámetros del modelo
3. Pronosticar demanda futura con los modelos y parámetros seleccionados
4. Revisar el performance del modelo y ajustar los parámetros y el modelo según
corresponda

13
 Análisis de Series de Tiempo
Supuesto crítico: ¿Qué tan importante es la historia?
• Dos supuestos extremos: Muy importante y ninguna relevancia

Pronóstico Acumulado Pronóstico Naíf

• Toda la historia importa de igual forma • Lo más reciente dicta lo que sigue
• Demanda estacionaria pura • Random Walk, lo último es lo siguiente

Modelo Underlying: Modelo Underlying:

Donde: Donde:

Modelo para Pronóstico: Modelo para Pronóstico:

14
 Pronóstico Acumulado vs Naíf
Suponer que estamos en time = 10 y queremos determinar el pronóstico para el time = 11

Pronóstico Acumulado:

Pronóstico Naíf:

Ahora miremos el pronóstico del “siguiente período” para los modelos acumulados y naíf
Nota:
• Modelo acumulado
es “calmado”
mientras el Naíf es
“nervioso”
• Modelo Naíf es más
sensible que el
modelo acumulado
15
Gestión de
Aprovisionamiento
(IN1260C)

Pronóstico con
Media Móvil

Prof. Marcial Sáez, MBA 16

 Modelo Underlying:
Modelos Series Tiempo
Donde:
Media Móvil
• Sólo incluye las últimas M observaciones
• Compromiso entre acumulado y naíf
Modelo para Pronóstico:

17
 Modelos con Media Móvil
El modelo de Media Móvil es un modelo general
• Modelo acumulado (M = t)
• Modelo Naíf (M = 1)

¿Qué tan grande debe ser M?

• ¿Muy pequeño? Más sensible al ruido, más “nervioso”
• ¿Muy grande? Promedia el ruido, no puede considerar cambios escalón en
demanda
• A menudo usa valores “prácticos” de M (4, 6, 12, etc.)

Noten que los modelos de media móvil siempre están

atrasados!!
• Asume demanda estacionaria
• Mientras más grande M, más largo es el retraso

18
Gestión de
Aprovisionamiento
(IN1260C)

Puntos Clave

Prof. Marcial Sáez, MBA 19

 Puntos Clave
Análisis de Series de Tiempo
• Patrones que se asemejan a los datos que se distribuyen
en el tiempo

Cinco componentes (foco en los primeros cuatro)

• Nivel (a)
• Tendencia (b)
• Estacionalidad (F)
• Error (e)
• Cíclico (C)

Descomponer la demanda usando modelos

• Modelo de Nivel:
• Modelo de Tendencia:
• Modelo de Estacionalidad:

20
 Puntos Clave
Tres Modelos
• Acumulado – “Todo importa”
• Naíf – “Sólo importa ayer”
• Media Móvil – “Seleccionar cuánto importa”

Diferencias
• Nivel de volatilidad
• Naíf (nervioso), Acumulado (calmado) con MM en medio

Similitudes
• Asumen nivel de demanda – sin tendencia o escalón o estacionalidad
• Todos estos modelos se retrasan en cierto punto
• Poseen una misma ponderación a las observaciones sin importar el
momento

21