Documentos de Académico
Documentos de Profesional
Documentos de Cultura
PATRONES DE DEMANDA
En la mayoría de las decisiones de negocios se encuentra el reto de pronosticar la demanda del cliente.
Se trata de una tarea difícil porque la demanda de bienes y servicios suele variar considerablemente.
Los cinco patrones básicos de la mayoría de las series de tiempo aplicables a la demanda son:
Horizontal. La fluctuación de los datos en torno de una media constante.
Tendencia. El incremento o decremento sistemático de la media de la serie a través del
tiempo.
Estacional. Un patrón repetible de incrementos o decrementos de la demanda, dependiendo de
la hora del día, la semana, el mes o la temporada.
Cíclico. Una pauta de incrementos o decrementos graduales y menos previsibles de la
demanda, los cuales se presentan en el transcurso de periodos más largos (años o decenios).
Aleatorio. La variación imprevisible de la demanda.
Los patrones cíclicos provienen de dos influencias. La primera de ellas es el ciclo económico, que
incluye diversos factores por los que la economía pasa de una recesión a una expansión en el
transcurso de varios años. La otra influencia es el ciclo de vida del producto o servicio en cuestión, en
el cual se reflejan las etapas de la demanda, desde el desarrollo hasta la declinación.
Cuatro de los patrones de demanda (horizontal, de tendencia, estacional y cíclico) se
combinan en diversos grados para definir el patrón fundamental de tiempo de demanda que
corresponde a un producto o servicio.
El quinto patrón, la variación aleatoria, es resultado de causas fortuitas y, por lo tanto, no
puede pronosticarse.
DISEÑO DEL SISTEMA DE PRONÓSTICO
Antes de usar técnicas de pronóstico para el análisis de problemas de administración de operaciones,
el gerente tiene que tomar tres decisiones:
Qué va a pronosticar.
Qué tipo de técnica de pronóstico va a usar.
Qué tipo de software de computación utilizará.
Aunque se necesita algún tipo de estimación de la demanda para los bienes y servicios individuales
que una compañía produce, puede ser más sencillo pronosticar la demanda total para grupos o
conjuntos y derivar después los pronósticos correspondientes a productos o servicios individuales.
Nivel de agregación
Muchas empresas utilizan un sistema de pronóstico de dos niveles, en el cual se realizan primero los
pronósticos para familias de bienes o servicios cuyos requisitos de demanda son parecidos y tienen
requerimientos comunes de procesamiento, mano de obra y materiales, y de esas cifras generales
derivan después pronósticos para elementos individuales.
Unidades de medida
En lugar de usar unidades monetarias como unidad inicial de medida, los pronósticos más útiles para
la planificación y el análisis de los problemas de operación se basan en unidades de productos o
servicios.
Los métodos cualitativos: figuran los métodos de juicio, en los que las opiniones de gerentes
y expertos.
Los métodos cuantitativos: están los métodos causales y el análisis de series de tiempo.
En muchas aplicaciones de pronóstico a corto plazo, las computadoras son indispensables. Con
frecuencia, las empresas tienen que preparar pronósticos para cientos o incluso miles de productos o
servicios en forma reiterada.
MÉTODOS DE JUICIO
La necesidad de usar pronósticos de juicios es muy clara cuando no existen datos
cuantitativos que aplicar el enfoque de manera cuantitativa, sin embargo, los métodos de
juicio pueden utilizar en combinación con enfoques cuantitativos a fin de mejorar la calidad
de pronóstico. Es también un método de muestreo no probabilístico. Los sujetos se
seleccionan a base del conocimiento y juicio del investigador. El investigador selecciona a los
individuos a través de su criterio profesional. Puede basarse en la experiencia de otros
estudios anteriores o en su conocimiento sobre la población y el comportamiento de esta
frente a las características que se estudian. Se basa en:
Opiniones de gerentes y expertos.
Encuestas de consumidores
Estimaciones del personal ventas.
Definir la naturaleza del problema de pronóstico.
Explicar la naturaleza de los datos bajo investigación.
Describir las capacidades y limitaciones de las técnicas de pronóstico útiles
potencialmente.
Desarrollar algunos criterios predeterminados sobre los cuales se pueda tomar la
decisión de la selección.
En los últimos años, el papel del pronóstico con base en el juicio ha cambiado. Antes de la
llegada de las técnicas modernas de pronóstico y del poder de las computadoras, el juicio del
administrador era la única herramienta de pronóstico disponible. No existe evidencia de que
los pronósticos basados solo en juicios no sean tan precisos como aquellos que emplean la
aplicación de técnicas cuantitativas. El ser humano posee un conocimiento único e
información interior que no están disponibles en los métodos cuantitativos. #in embargo de
manera sorprendente estudios empíricos y experimentos de laboratorio han demostrado que
sus pronósticos no son más precisos que los de los métodos cuantitativos. El ser humano
tiende a ser optimista y subestimar la incertidumbre del futuro. Además, el costo del
pronóstico con métodos de juicio es a menudo considerablemente más alto que cuando se
utilizan métodos cuantitativos.
MÉTODOS CAUSALES: REGRESIÓN LINEAL
Los métodos causales se emplean cuando se dispone de datos históricos y se puede identificar la
relación entre el factor que se intenta pronosticar y otros factores externos o internos. Los métodos
causales proporcionan las herramientas de pronóstico más avanzadas y son excelentes para prever los
puntos de cambio en la demanda y preparar pronósticos a largo plazo.
En la regresión lineal, una variable, conocida como variable dependiente, está relacionada con una o
más variables independientes por medio de una ecuación lineal. La variable dependiente (como la
demanda de picaportes) es la que el gerente desea pronosticar. Se supone que las variables
independientes (como los gastos de publicidad o el inicio de la construcción de nuevas viviendas)
influyen en la variable dependiente y, por ende, son la “causa” de los resultados observados en el
pasado. En los modelos de regresión lineal más sencillos, la variable dependiente es función de una
sola variable independiente y, por lo tanto, la relación teórica es una línea recta: Y = a + bX , donde Y
= variable dependiente X = variable independiente a = intersección de la recta con el eje Y b =
pendiente de la recta.
Tres medidas de uso común son el coeficiente de correlación de la muestra, el coeficiente de
determinación de la muestra y el error estándar del estimado.
El coeficiente de correlación de la muestra, r, mide la dirección y fuerza de la relación entre la
variable independiente y la variable dependiente. Un coeficiente de correlación de +1.00 implica que
los cambios registrados de uno a otro periodo en la dirección (incrementos o decrementos) de la
variable independiente, siempre van acompañados por cambios de la variable dependiente en la misma
dirección. Un r de –1.00 significa que los decrementos de la variable independiente siempre van
acompañados de incrementos en la variable dependiente, y viceversa. Cuanto más se aproxime el valor
de r a ±1.00, tanto más adecuado será el ajuste de la línea de regresión con respecto a los puntos del
gráfico.
El coeficiente de determinación de la muestra mide la cantidad de variación que presenta la variable
dependiente con respecto a su valor medio, que se explica por la línea de regresión. Las ecuaciones de
regresión, cuyo valor de r2 se aproxima a 1.00, son deseables porque eso significa que las variaciones
de la variable dependiente y del pronóstico generado por la ecuación de regresión están estrechamente
relacionada
El error estándar del estimado, mide la proximidad con que los datos de la variable dependiente se
agrupan alrededor de la línea de regresión. Aunque es semejante a la desviación estándar de la
muestra, mide el error de la variable dependiente, Y, con respecto a la línea de regresión, en lugar de
medirlo con respecto a la media. Al determinar qué variable independiente se incluirá en la ecuación
de regresión, se debe elegir la que tenga el error estándar más pequeño del estimado.
Por ejemplo, un error de pronóstico absoluto de 100 provoca un error porcentual mayor cuando la
demanda es de 200 unidades que cuando la demanda es de 10,000 unidades. MAPE es la mejor
medida de error que puede usarse para hacer comparaciones entre series de tiempo para diferentes
SKU.
Señales de rastreo La señal de rastreo es una medida que indica si un método de pronóstico está
previendo con precisión los cambios reales de la demanda. La señal de rastreo mide el número de las
MAD representadas por la suma acumulada de errores de pronóstico, es decir, la CFE. La CFE tiende
a ser 0 cuando se utiliza un sistema de pronóstico correcto. Sin embargo, los errores aleatorios pueden
hacer que en cualquier momento la CFE se convierta en un número diferente de cero. La fórmula de la
señal de rastreo es:
Señal de rastre= CFE MAD
Soporte computarizado El soporte computarizado, como el que brinda OM Explorer,facilita los
cálculos del error cuando se evalúa si los modelos de pronóstico coinciden con los datos pasados (es
decir, con el archivo de historial). La figura 13.10 muestra los resultados del Solver de pronósticos de
series de tiempo, cuando se aplica a las llegadas de los pacientes a la clínica médica (véase el gráfico
original en la figura 13.4). Se evalúan cuatro modelos diferentes: pronósticos empíricos (que se
obtienen con promedios móviles cuando n = 1), promedios móviles ponderados (n = 3), suavizamiento
exponencial ( = 0.10), y suavizamiento exponencial ajustado a la tendencia ( = 0.10; b = 0.10). La
figura 13.10(a) es una hoja de cálculo que permite seleccionar los métodos que se evaluarán y después
calcula los errores resultantes de cada método periodo por periodo. Deben seleccionarse pronósticos
iniciales para los métodos de suavizamiento exponencial y suavizamiento exponencial ajustado a la
tendencia. Aquí, simplemente se igualarán a la demanda real de la semana del 2 de enero de 2006.
Otros puntos de partida razonables no afectarían los resultados de manera significativa.
CRITERIOS PARA LA SELECCIÓN DE MÉTODOS DE SERIES DE TIEMPO
Las medidas de los errores de pronóstico proporcionan información importante para seleccionar el
mejor método de pronóstico para un producto o servicio. Además, guían a los gerentes en la selección
de los valores más adecuados de los parámetros que el método requiere: n para el método de promedio
móvil, las ponderaciones para el método de promedio móvil ponderado y para el método de
suavizamiento exponencial. Entre los criterios que se aplican para seleccionar el método de pronóstico
y los parámetros respectivos figuran: (1) minimizar los sesgos; (2) minimizar los valores de MAPE,
MAD y MSE; (3) satisfacer las expectativas de la gerencia acerca de los cambios en los componentes
de la demanda, y (4) minimizar el error de pronóstico del último periodo. Los primeros dos criterios se
relacionan con medidas estadísticas que se basan en el desempeño histórico; el tercero refleja las
expectativas del futuro que pueden no estar arraigadas en el pasado; y el cuarto se refiere a la forma de
usar cualquier método que parezca dar mejor resultado en el momento en que sea necesario hacer el
pronóstico.