Está en la página 1de 44

Pronósticos de la Demanda

Eduin D. Contreras Ing. Esp. Mg. Dr(c).


Contenido

• Administración de la demanda
• Tipos de pronósticos
• Componentes de la demanda
• Análisis de series de tiempo
• Técnicas cualitativas de pronóstico
Definición
• La preparación de pronósticos es el arte y la
ciencia de predecir eventos futuros
(Schroeder et al., 2011).

• Un pronóstico es una predicción de


acontecimientos futuros que se utiliza con
propósitos de planificación (Krajewski et al.,
2008).

• “Es una estimación cuantitativa o cualitativa


de uno o varios factores (variables) que
conforman un evento futuro, con base en
información actual o del pasado”.
PERIODO DE LOS PRONOSTICOS
• Estratégicos: son más apropiados al
decidir cuestiones relacionadas con la
estrategia general, capacidad, diseño
de procesos de producción, diseño de
procesos de servicio, adquisiciones,
diseño de ubicación y distribución, y
con planificación de ventas y
operaciones. Se estiman para el largo
plazo.

• Tácticos: el objetivo es estimar la


demanda en un término relativamente
corto, de unas cuantas semanas o
meses. Se estiman para el corto y
mediano plazo.
PRECISION DE LOS PRONOSTICOS

La precisión del pronóstico se refiere a lo aproximado


que los pronósticos resultan en comparación con los
datos reales.
Pronósticos por grupo o familia de productos (más
o menos precisos).

Pronósticos de artículo por separado (menos


precisos)
MARCO CONCEPTUAL DE LOS PRONOSTICOS

Aquí nos enfocaremos en el pronóstico de la


demanda de producción. Demanda y ventas no
siempre son iguales:
 Si la demanda no se limita por la capacidad o por
políticas, el pronóstico de ésta será el mismo que
el pronóstico de ventas.
 En caso contrario, las ventas podrían ser
ligeramente inferiores a la demanda de los
clientes.
MARCO CONCEPTUAL DE LOS PRONOSTICOS

Es necesario aclarar la diferencia entre


pronóstico y planeación:
Los pronósticos se refieren a lo que se cree que
sucederá en el futuro.

La planeación se refiere a lo que se considera que


debería suceder en el futuro.
ADMINISTRACIÓN DE LA DEMANDA
Demanda Independiente

A Demanda Dependiente

B(4) C(2)

D(2) E(1) D(3) F(2)


METODOS DE PRONOSTICOS
• METODOS CUALITATIVOS
–Delphi
–Estudio de Mercados
–Analogía de los Ciclos de Vida
–Juicio Informado

•METODOS CUANTITATIVOS

–Pronósticos por Series de Tiempo


»Promedio Simple Promedio móvil Simple
»Promedio Móvil Promedio Móvil Ponderado
»Suavización Exponencial Promedio Móvil Centrado
»Análisis de Regresión
»Modelos Matemáticos
»Box Jenkins
–Modelos Causales de Pronósticos
»Análisis de Regresión
»Modelos Econométricos
»Modelo de Insumo - Producto
»Indicadores Anticipados
-Modelos de Simulación
Métodos Cualitativos
SERIES DE TIEMPO
• Los modelos de pronósticos de
series de tiempo tratan de Demanda
Serie de tiempo
predecir el futuro con base en original
información.
• Inician con una tendencia. Tiempo
Después, estas líneas de
tendencia se ajustan de Ciclo
Demanda
acuerdo con los efectos Patrón de
estacionales, los elementos estacionalidad
cíclicos y cualquier otro suceso Tendencia
esperado que pueda influir en Nivel
el pronóstico final. Error Aleatorio
Fuente: Chase & Jacobs (2014)
Tiempo 26
Fuente: Chase & Jacobs (2014)
PRONÓSTICOS POR SERIES DE TIEMPO

»Promedio Simple
Promedio móvil Simple
»Promedio Móvil Promedio Móvil Ponderado
Promedio Móvil Centrado

»Suavización Exponencial
»Análisis de Regresión
»Modelos Matemáticos
»Box Jenkins
Fuente: Chase & Jacobs (2014)
Análisis de Regresión

• La regresión se define como una


relación funcional entre dos o
más variables correlacionadas.
Con ella se pronostica una
variable con base en otra. Por lo
general, la relación se establece a
partir de datos observados.
• La regresión lineal se refiere a la
clase de regresión especial en la
que la relación entre las variables
forma una recta. Y = a + bX.
Fuente: Chase & Jacobs (2014)
Análisis de Regresión

Fuente: Chase & Jacobs (2014)


Descomposición de una serie de tiempo
• La descomposición de una serie de tiempo significa identificar y separar los datos
de la serie de tiempo en sus componentes (tendencia, estacional, cíclico y
aleatorio).

Fuente: Chase & Jacobs (2014)


Fuente: Chase & Jacobs (2014)
Fuente: Chase & Jacobs (2014)
Fuente: Chase & Jacobs (2014)
Promedios Móviles

Fuente: Schroeder et al. (2011)


Promedios Móviles

Fuente: Schroeder et al. (2011)


Promedios Móviles

Fuente: Chase & Jacobs (2014)


Promedio Móvil Ponderado

Fuente: Chase & Jacobs (2014)


Promedio Móvil Ponderado
Determine the 3-period
Week Demand weighted moving average
1 650 forecast for period t = 4.
2 678
Weights:
3 720
t-1 0.5
4 t-2 0.3
t-3 0.2
Promedio Móvil Ponderado
Solution Week Demand Forecast
1 650
2 678
3 720
4 693.4

F4 = 0.5(720) + 0.3(678) + 0.2(650)


Promedio Móvil Ponderado
Determine the 3-period
weighted moving average
Week Demand forecast for period 5.
1 820
2 775
Weights:
3 680
4 655 t-1 0.7
t-2 0.2
t-3 0.1
Solution
Week Demand Forecast
1 820
2 775
3 680
4 655 713
5 672
Suavización Exponencial

Ft+1 = At
Ft+1 = Dt + (1- )Ft

Ft+1 = Ft + (Dt - Ft)


Fuente: Schroeder et al. (2011)
Suavización Exponencial (Exponential Smoothing)
 Determine
Week Demand exponential
1 820
smoothing forecasts
2 775
for periods 2-10
using  =0.10 and
3 680

 =0.60.
4 655
5 750
6 802
7 798
8 689
9 775  Let F1=D1
10
52
Suavización Exponencial (Exponential Smoothing)
Week Demand 0,1 0,6
1 820 820,00 820,00
2 775 820,00 820,00
3 680 815,50 793,00
4 655 801,95 725,20
5 750 787,26 683,08
6 802 783,53 723,23
7 798 785,38 770,49
8 689 786,64 787,00
9 775 776,88 728,20
10 776,69 756,28
Effect of on Forecast

Fuente: Chase & Jacobs (2014)


Suavización Exponencial (Exponential Smoothing)

Week Demand
Determine exponential
1 820 smoothing forecasts for
2 775 periods 2-5 using  =.50
3 680
4 655
5 Let F1=D1
Suavización Exponencial (Exponential Smoothing)

Week Demand 0.5


1 820 820.00
2 775 820.00
3 680 797.50
4 655 738.75
5 696.88
ERRORES DE PRONÓSTICOS

MAD (Desviación
Absoluta Promedio o
Mean Absolute
Deviation )

Señal de Rastreo
(Tracking Signal)

37
MAD (Desviación Absoluta Promedio o Mean Absolute Deviation)

La Desviación Absoluta Promedio se representa así:


n

A
t=1
t - Ft
MAD =
n

1 MAD  0.8 standard deviation


1 standard deviation  1.25 MAD

38
Example MAD
Month Sales Forecast
1 220 n/a
2 250 255
3 210 205
4 300 320
5 325 315

Determine the MAD for the four forecast periods


59
Solution
Month Sales Forecast Abs Error
1 220 n/a
2 250 255 5
3 210 205 5
4 300 320 20
5 325 315 10

40
n

A
t=1
t - Ft
40
MAD = = = 10
n 4
60
Señal de Rastreo (Tracking Signal)
suma _ acumulada _ de _ la _ desviacion _ del _ pronóstico
Señal _ de _ rastreo  TS 
MAD

RSFE Running sum of forecast errors


TS = =
MAD Mean absolute deviation

Señal _ de _ rastreo  TS 
 D F t t
MAD
 Is the forecast average keeping pace with any
genuine upward or downward changes?
61
43
Muchas gracias...

También podría gustarte