capitulo A euy alle). Y PRONOSTICO Dy ae WAVY. 467 El almacén de datos de Wal-Mart 468 Administracion de la demanda 469 Tipos de pronésticos de series de tiempo ol ple io mel ponderado Adis de regieston line Pronéstico enfocado Metodologia del prondstico enfocade on de pronostico enfocadoEL ALMACEN DE DATOS DE WAL-MART imafio de Wal-Mart y su poder en a industria al menudeo eje able Mart para mente su computadora tiene de 8 a 250 gigabytes. La formula d lograr el éxito (tener el producto apropiado en el anaquel correcto al precio mas bajo) se debe en gran parte a la inversion multimillonaria de la compatia en alma- cenamiento de datos. Wal-Mart ofrece mis detalles que sus competidores en ‘cuanto a lo que sucede con cada producto, en cada tienda y todo 3s dias Los sistemas registran los datos de los puntos de venta en cada tienda, los niveles de inventario por tienda, los productos en transito, las estadisticas de mercado, las caracteristicas demograficas de los clientes, las fnanzas, las de- voluciones de productos y el desemperio de los proveedores. La informacion se utiliza para las tres extensas areas de apoyo alas decisiones:analizar las tendencias, manejarinventarios y entender alos clientes. Lo que surgen son los “rasgos de la personalidad” de cada una de las aproximadamente 3000 tiendas de Wal-Mart, mismos que los g es de la compania utilizan para determinar la mex cla de productos y la presenta: ion de cada almacén, La mineria de datos es lo que sigue. Wal-Mart cre6 una api ‘eacién de prondstico de la demanda que toma en cuenta los Internet articulos para cada tienda can el fin lecidr su perfil de ventas, Por temporada.El sistema conserva la informacion correspondien teal aho sobre las ventas de 100000 productos y proyecta qué articulos se van a necestaren cada tienda ‘Ahora, Wal-Mart reliza un analisis de la canasta basica. Recopila informacion sobre los articulos que constituyen la compra total de un cliente de modo que la compania puede analizar las relaciones y los patrones en las compras de sus clientes. l almacén de datos esta disponible en internet para los gerentes de tienda y proveedores468 Interfuncional ADMINISTRACION DE LA DEMANDA _ Demanda independie _ porque no: ssecciénd — PLANEACION Y CONTROL DE LA CADENA DE SUMINISTRO Los prondsticos son vitales para toda organizacién de negocios, asf como para cualquier decisién im- pportante de la gerencia, El prondstico es la base de la planeacién corporativa a largo plazo. En las dreas funcionales de finanzas y contabilidad, los prondsticos proporcionan el fundamento para la planeacién de presupuesios y el control de costos. El marketing depende del prondstico de ventas para planear pro- ductos nuevos, compensar al personal de ventas y tomar otras decisiones clave. El personal de produc ign y operaciones uiliza los prondsticos para tomar decisiones periddicas que comprenden la seleccién de procesos, la planeacién de las capacidades y la distribuciin de las instalaciones, asf como para tomar decisiones continuas acerca de la planeacidn de la producein, a programacién y et inventaro. ‘Tenga presente que, por lo regula, un prondstico perfecto es imposible. En un ambiente de negocios hhay demasiados factores que no se pueden pronosticar con certeza. Por lo tanto, en lugar de buscar el pronéstico perfecto, es mucho més importante establecer la prctica de una revisin continua de los pro- niésticos y aprender a vivir con prondsticos imprecisos. Esto no quiere decir que no se trate de mejorar el modelo o Ia metodologfa de pronosticar, pero lo que debe hacerse es tratar de encontrar y usar el mejor étodo de pronéstico disponible, deniro de lo razonable Alpronosticar, una buena estrategia consiste en utilizar dos o tres métodos y verlos desde el punto de vista del sentido comin. {Los cambios esperados en la economia en general van a afectar el pronéstico? lay cambios en el comportamiento del consumidor industrial y privado? Habré una escasez. de articu- Jos complementarios esenciales? La revision y la actualizacin continuas tomando en cuenta la informa- cin nueva son bisicas para un pronéstico exitoso. En este capftulo se revisa el prondstico cualitativo y ‘cuantitativo y se centra sobre todo en varias téenicas cuantitativas. Se abarcan con cierta profundidad los promedios en movimiento, la regresién lineal, las tendencias, las razones estacionales (incluido el descuento de las variaciones de temporada) y el prondstico enfocado. Asimismo, se estudian las fuentes y la medicién de errores, El propGsito del manejo de la demanda es coordinar y controlar todas las fuentes dle la demandda, con el fin de poder usar con eficiencia el sistema productivo y entregar el producto a tiempo. {ee donde proviene la demanda del producto o servicio de una empresa? y {qué puede haver una compaiifa para administrarla? Existen dos fuentes basicas de la demanda: dependiente e independiente. Lad 2 depeudieate es la demanda de un producto 0 servicio provocada por la demanda de otros productos 0 servicios. Por ejemplo, si una empresa vende 1 000 triciclos, enfonces se van a necesitar 1.000 ruedas delanteras y 2000 traseras. Este tipo de demanda interna no necesita un pronéstico, sino sélo una tabulacién, La cantidad de triciclos que la empresa podria vender es la cess independiente deriva directamente de la demanda de otros productos." En los capitulos 17 y 18 se analiza ‘mis a fondo la dependencia e independencia de la demanda, ‘Una empresa no puede hacer mucho respecto de la demanda dependiente. Es preciso cubrirla (aunque cl producto o servicio se pueda comprar en lugar de producirlo en forma interna). Pero si hay mucho que tuna empresa puede hacer en cuanto a la demanda independiente, si asi lo desea. La compaiiia puede |. Adoptar un papel activo para influir en lademanda. La empresa puede presionar a su fuerza de ventas, ofrecer incentivos tanto a los clientes como a su personal, crear campaiias para vender sus productos y bajar precios. Estas acciones pueden incrementar la demanda, Por el contrario, es posible disminuir la demanda mediante aumentos de precios o la reduccién de los esfuerzos de ventas Adoptar un papel ivo y simplemente responder a la demanda, Existen varias razones Por las que una empresa no trata de cambiar Ia demanda sino que la acepta tal como legs. Si una compafifa funciona a toda su capacidad, tal vez no quiera hacer nada en cuanto a la demanda, tras razones pueden ser que la compaitia no tenga el poder de cambiar la demanda debido al gastoen publicidad; es probable que el mercado sea fi ‘que la demanda esté fuera de su control (com en el caso de un proveedor t s rizones compelitivas, legales, ambientales,éticas y morales por las que la demanda del mercado se acepta de manera pasiva Es necesaria mucha coordinaci6n para manejar estas demandas dependientes, independicntes, acti- vas y pasivas. Las demandas se originan tanto interna como externamente en forma de ventas de pro- dductos nuevos por parte de marketing, piczas de reparacisn para productos vendidos con anterioridad, iento de los almacenes de la fabrica y suministro de articulos para manufactura. En este ‘capitulo, el principal interés se centra en el prondstico relacionado con los productos independiente:ADMINISTRACION Y PRONOSTICO DE LA DEMANDA—capliulo 15 469 Un ingeniero E impresion generada por GGRANET, una heramienta software basada en graf desarroliada por GTE pa ayudar a losing u desempeno, TIPOS DE PRONOSTICOS El prondstico se puede clasificar en cuatro tipos bisicos: cualitative, andlisis de series de tiempo, rela ciones causales y simulacién, Las téenicas cualitativas son subjetivas y se basan en estimados y opiniones. El unulisis de series de tiempo, el enfoque primario de este capitulo, se basa en Ia idea de que es posible utilizar informacion relacionada con la demanda pasada para predecir la demanda futura, La informacién anterior puede incluir varios componentes, como influencias de tendencias, est iclicas, y se describe en la siguiente. EI pronéstico causal, que se analiza utilizando la técnica de la regresi6n lineal, supone que la demanda se relaciona con algin factor subyacente en el ambiente, Los modelos de simulacién permiten al encargado del pronéstico manejar varias suposiciones acerca de la condicin del prondstico. La ilustracién 15.1 describe una variedad de los cuatro tipos basicos de modelos de pronéstico. En este capitulo se estudian los primeros cuatro métodos de andlisis de Series de tiempo en Ia ilustracién y la primera de las téenicas causales. males 0 COMPONENTES DE LA DEMANDA En la mayor parte de los casos, la demanda de productos 0 servicios se puede dividir en seis compo- nentes: demanda promedio para el periodo, una tendene variacidn aleatoria y autocorrelacién, La ilustracién 15.2 muestra aos, asf como el promedio, la tendencia y los componentes es la curva de la demanda uniformada, Los factores criticos son mas dificiles de determinar porque quizé el tiempo se desco toma en cuenta la causa del ciclo, La influenciaciclica sobre la demanda puede provenir de eventos tales ‘como eleceiones politicas, guerras, condiciones econémicas o presiones socioligicas. Las variaciones aleatorias son provocadas por los eventos fortuitos, Estadisticamente al restar todas las causas conocidas de la demanda (promedio, tendencias, estacionales, cilicas y de autocorrelacién) de la demanda total, lo que queda es la parte sin explicar de la demanda, Si no se puede identificar la causa le este resto, se supone que es aleatoria La autocorrelacidn indica la persistencia de la ocurrencia, De manera més espeeifica, el valor espe- rado en un momento dado tiene una correlacién muy alta con sus propios valores anteriores. En la teoria de la linea de espera, la longitud de una linea de espera tiene una autocorrelacién muy elevada. Es deci si una linea es relativamente larga en un momento determinado, poco después de ese tiempo, podria esperatse que la Iinea siguiera siendo larga. Cuando la demanda es aleatoria, es probable que varie en gran medida de una semana a otra, Donde existe una correlaci6n alta, no se espera que la demanda cambie mucho de una sem Las lineas de tendencia casi siempre son el punto de inicio al desarrollar un pronéstico. Entonces, estas ineas de tendencia se ajustan de acuerdo con los efectos estacionales, los elementos cfclicos y cual 4uier otro evento esperado que puede influir en el prondstico final. 15.3 muestra cuatro de los tipos de tendencias mis comunes, ementos estacionales, elementos ciclicos, 1a demanda durante un periodo de 4 jonales 0 la aleatoriedad alrededor de470 1. Cuanrrarivo seccidn 4 PLANEACION Y CONTROL DE LA CADENA DE SUMINISTRO ‘Técnicas de prondstico y modelos comunes Subjetivas de uci. Basadas en estimados y opiniones | Técnicas cumulatvas Deva un pronstico a través de la compllacicn de las entradas de aquellos que se encuentran al final dela erarquia Y que ratan con lo que se pronostica. Por ejemplo, un pronéstico general de las ventas se puede derivar combina {do las entradas de cada uno de los vendederes que estan mas cerca de su tetitorio. Investigacion de mercados Se establece para recoplar datos de varias formas (encuestas,entrevsts, etc) con el finde comprobar hipotess fae acerca del mercado, Por lo general, se usa para pronosticar ventas a largo plazo y de nuevos productos. © Grupos de consenso Intereambio libre en las juntas. idea es que la dscusion en grupo produzca mejores prondsticos que cualquier ind Amaogia historia Método de Delfos IL. ANALASIS DE SERIES DP TLEMPO Promedio mil single : Promeda movil porderado viduo. Los partcipantes pueden ser ejecutivos, vendedores o clientes. Relaciona lo pronosticado con un articulo similar. Es importante al planear nuevos productos en los que at proyec: cones se pueden derivar mediante e uso del historal de un producto similar Ln grupo de expertos responde un cuestionaie. Un maderador recopila los resultados y formola un cuestionario ruevo que se presenta al grupo. Por lo tanto, este un proceso de aprendiaje para el grupo mientras recbe informa cn nueva y no existe ninguna irflvencia por la pesién del grupo oindividuos dominantes. ‘Con base en Ia idea de que el histori de los eventos a través del tiempo se puede utlizar para proyectar el futuro, Se calcula el promedio de un periodo que contiene varies puntos de datos dvidlendo la suma de los valores de los puntos entre el numero de estos. Por lo tanto, cada uno tene a misma influenca, Puede ser que algunos puntos especicos se ponderen més o menos que ls otros, segun la experiencia, Suavieacin exponencial Los punts de datos recientes se ponderan mis y la ponderacion sufre una reduccién exponencial conforme los datos se wuelen mas antiguos Proyecciones de tendencias IIL. Causat, Anise de regrescn Modelos de entrads/saida Princigaes indcadores, IV. MopELos, DE SIMULACION ‘Ajusta una recta alos datos pasados casi siempre en relacion con el valor de fs datos. La técnica de ajuste mis comin es lade los ‘Muy complicada, pero al parecer la técnica estadistca mas exacta que este Relaciona una clase de modelos esta dlsticos con los datos y ajusta el modelo con as series de tiempo utilzando distrbuciones bayesanas posterioces. (Se conoce tambien como X:1).Desarollada por Julius Shskin dela Oficina del Censo, Un metodo efectivo para vidi una serie ternporal en tomporadas, tendencias eiregul Necesita un historial por lo menos de 3 afos. Muy ficient para identificar fos cambios, por ejemplo, en las ventas de una compari Ajusta une recta matemsética de tendenciasa los puntos de datos y la proyecta en el futuro. Tata de entender el sistema subyacente y que rodes al elemento que se vaa pronosticar Por ejemplo, las ventas se pueden ver afectadas por la publicidad, la calidad y os competidores Similar al método de los minimos cuadrados en ls series de tiempo, pero puede contener diversas variables La base es que el prondstico se desarollapor la ocurrencia de otios eventos Intentos por describ algin sector dela economia mediante una serie de ecuaciones interdependientes Se enfoca en las ventas de cada industria a otros gobiernos y empresas Indica los cambios en las ventas que una Industria productora puede esperar debido a los cambios en las Compras por pate de otra industi Estadisticas que se mueven en la misma dreccién que la serie a proncstica, pero antes que és, como un incrernen to en el precio dela gasolina que indica una baa futura en la venta de autos grandes, ‘Modelos dinimicos, cas sierpre por computadora, que permiten al encargado de las proyecciones hacer suposicio res acerca de las valablesinternas y el ambiente externo en el madelo, Dependienda de lat variables en el modelo, {encargado de los pronésticos puede hacer preguntas come: .Que sycedera con mi pronéstic sel precio aumen’ 112 107 Qué efecto tendia una reesion nacional leve sobre mi prondstica?ADMINISTRACION Y PHONOSTICO DE pemaxns capitulo 15 an Demanda histérica de productos que consiste en una tendencia al crecimiento y una demanda teriporal E ustraciin 15.2 | Nimero de unis nia demanda ; Promo 7 Excel: Componentes dela demanda 1 2 4 to Tipo de tendensns omnes Eitusracén 15.3 | = ‘Tendenca lineal, 15 Teen de curs 21 2 8 i Lo is os 1% ug Ventas 15 Ventas $2 comm) 14 ‘ony oS a4 uh 03 to 02 08 ol Os 3 07 <0 r2s4s67s WNL o 20 Trimestes Periods ‘Tendencia endencka exponencial 30 a 28 . | E 26 @ ; 2 0 20 Venias aus woo 8 ‘oon lo (000) 39 la 2 7 fF opto ole fan 1234se78 90D 1234567891012 | Trimestes Periods Ventas — Tendenca ‘Real — Recta justadaan TECNICAS CUALITATIVAS DE PRONOSTICO seccién 4 PLANEACION Y CONTROL DE LA CADENA DE SUMINISTHO Como es obvio, una tendencia Tineal es una relacién continua directa, Una curva S es tipica del crecimiento y el ciclo de madurez de un producto, El punto mas importante en la curva $ es donde la tendencia cambia de crecimiento lento a répido, o de répido a lento. Una tendencia asintética empieza con e! crecimiento mis alto de la demanda en un principio pero posteriormente se reduce. Una curva ‘como ésta se presenta cuando una empresa entra en un mercado existente con el objetivo de saturarlo y ‘captar una mayor participacién en él. Una curva exponencial es comiin en productos con un crecimiento explosivo. La tendencia exponencial sugiere que las ventas seguirén aumentando, una suposicién que quiz no sea seguro hacer, ‘Un método de pronéstico de uso muy comin grafica los datos y nego busca la distribucién estindar (como lineal, curva S, asintética 0 exponencial) que se adapta mejor a éstos. El atractivo de este método radica en que, como las matemiticas de Ia curva son conocidas, resulta facil despejar los valores de los periodos futuros En ocasiones, la informacién no parece adaptarse a ninguna curva estindar. Esto quiza se debe a va- rias causas que, en esencia, envian fos datos desde varias direcciones al mismio tiempo. Para estos casos, ¢s posible obtener un prondstico simple pero efectivo con solo graficar la informacién, TECNICAS ACUMULATIVAS Como se establece en la ilustracién 15.1, el pronstico de téenicas acumulativas crea el prondstico su- ‘mando en sucesi6n desde la parte de abajo, La suposici6n aquf es que la persona que esté més cerca del cliente © del usuario final del producto conoce mejor sus necesidades futuras. Aunque esto no siempre es ‘cierto, en muchos casos, se trata de una suposicion vilida y constituye Ia base de este método. Los prondsticos en este thtimo nivel se suman y se evan al siguiente nivel més alto, Por lo regular se trata de un almacén de distrito que después agrega el inventario de seguridad y cualquier efecto de pediren cantidad. Luego, esta cantidad se lleva al siguiente nivel, que puede ser un almacén regional. El procedimiento se repite hasta que se convierte en un insumo en el nivel mis alto; que, en el caso de una empresa de manufactura, sera el insumo para el sistema de produceign INVESTIGACION DE MERCADOS ‘A menudo, las empresas contratan a empresas externas que se especializan en la investigacién de mercados para realizar este tipo de pronéstico. Es probable que usted haya participado en estudios de mercado por ‘medio de una clase de marketing: y seguramente no se ha escapado a las Ilamadas telefénicas en las que le preguntan sobre sus preferencis por ciertos productos, su ingreso, sus habitos, etestera 5 La investigacion de mercados se utiliza sobre todo para la investigacign de productos con el objetivo de buscar nuevas ideas, conocer los gustos y disgustos relacionados con los productos existentes, los productos competitivos preferidos en una clase en particular, ete. Una vez mis, los métodos de recopilacin de datos son sobre todo encuests y entrevista GRUPOS DE CONSENSO En un grupo de consenso, la idea de que dos cabezas piensan mis que una se ex trapola con Ta idea de que un grupo de personas que ocupan diversas posiciones a pueden desarrollar un prondstico mis confiable que un grupo mis reducido. Los masolary prondsticos en grupo se realizan por medio de reuniones abiertas con un intercarn- bio libre de ideas de todos los niveles gerenciales e individuales. BI problema con ‘este estilo abierto es que los empleados de niveles inferiores se sienten intimidados Por los niveles mas altos de la gerencia, Por ejemplo, un vendedor en una linea de productos en particular puede tener un buen estimado ce Ta demands futura de un Sant Producto, pero quizii no se exprese para refutar un estimado muy diferente dado = por el vicepresidente de marketing. La técnica de Delfos (que se estudia en forma En laactualidad, muchas empresas, como The Gilmore Research Group, ofrecen alos mercadlogos software o bases de datos que les ayudan a Pronosticar con mayor precision as ventas para eas de mercado, productos segmentos especifcos, breve) se desarrollé para tratar de corregir este impedimento del intercambio libre. Cuando tas decisiones en el pronéstico se toman en un nivel mas amplio y alto (como al introducir una nueva linea de productos o al tomar decisiones estratégicas sobre un producto, como en nuevas dreas de mercado), se uiliza el término juicio éejecutivo, que se explica por si mismo: participa un nivel gerencial mas alto.ADMINISTRACION ¥ PRONOSTICN DE LA DENANDA capitulo IS ANALOGIA HISTORICA Al tratar de pronosticar Ia demanda de un nuevo producto, una situaciGn ideal seria que un producto existente o genérico se pueda uilizar como modelo, Existen muchas formas de clasifiear estas analogs por ejemplo, productos complementarios, productos susttuibles 0 compettivos, y productos como una funcién del ingreso. Una vez més, seguramente ha recibido gran cantidad de productos que se anuncian por correo en una categoria similar a un producto comprado por catdlogo, Internet o correo. Si alguna ‘vez ha comprado un DVD por correo, recibir ms eorrespondencia acerca de DVD y reproductores de DVD nuevos. Una relacién causal (mostrada en la ilustracién 15.1, parte ITT) seria que la demanda de dis- ‘205 compactos es provocada por la demanda de reproductores de DVD. Una analogia seria pronosticar la demanda de reproductores de videodiseos digitales analizando la demanda histérica de VCR. Los productos se encuentran en la misma categorfa general de aparatos electrénicos y los compran consu- ‘midores en categorias similares. Un ejemplo mids sencillo son los tostadores y cafeteras. Una empresa aque produce tosadoresy quiere fabricar eafeteras podtfa utilizar el historial de Tos tostadores como un modelo de erecimiento probable Méropo be Detros (Como se dijo en la seccidn sobre los grupos de consenso, una afirmaci6n u opinién de una persona de un nivel superior es probable que pese mas que Ia de una persona de nivel inferior. El peor de los casos se Bresenta cuando la gente de nivel inferior se siente amenaada ¥ no contribuye con lo que realmente ere. Para evitar este problema, el método de Delfos oculta Ia identidad de los individuos que participan en el estudio. Todos tienen ef mismo peso. En cuanto al procedimiento, un moderador crea wn cuestionario y lo distribuye entre los participantes. Sus respuestas se suman y se entregan a todo el grupo con un nuevo ‘rupo de preguntas. Rand Corporation desarrollo el método de Delfos en la década de 1950, El procedimiento paso a paso es 1. Elegir los expertos a patticipar. Debe haber gran variedad de personas con conocimientos en distintas dreas. 2. Pormedio de un cuestionario (o correo electrénico) obtener las proyecciones (y cualquier premisa 0 calificacién para el prondstico) de todos los participantes. Resumir los resultados y redistribuirlos entre los participantes con las preguntas nuevas apropiadas ‘Volver a resumit, refinar las proyecciones y condiciones, y una vez mas plantear preguntas nue ae Repetir el paso 4, si es necesario. Distribuir los resultados finales entre todos fos participantes, Por lo regular, la técnica de Delfos puede lograr resultados satisfactorios en tres rondas, El tiempo requerido es una funcién del nimero de participantes, la cantidad de trabajo para que desarrollen sus Pronésticos y su velocidad para responder, ANALISIS DE SERIES DE TIEMPO Los modelos de pronésticos de series de tiempo tratan de predecir el futuro con base en la informacién pasada, Por ejemplo, las cifras de ventas recopiladas durante las iiltimas scis semanas se pueden usar para pronosticar las ventas durante Ia séptima semana. Las cifras de ventas trimestrales recopiladas durante los Gtimos afios se pueden utilizar para pronosticar los trimestres futuros, Aun cuando ambos ejemplos Contienen ventas, ¢s probable que se utilicen distintos modelos de series de tiempo para pronosticar, La ilustracion 154 muestra los modelos de series de tiempo que se estudian en el capitulo y algunas de sus caracteristicas. Los términos como corto, mediano y largo son relativos al contexto en el que se emplean. Sin embargo, en el pronéstico de negocios, corto plazo casi siempre se refiere a menos de tres, ‘meses; mediano plazo a un periodo de tres meses a 2 afios; y largo plazo aun término mayor de 2 aos. En general, los modelos a corto plazo compensan la variacidn aleatoria y se ajustan alos cambios a corto plazo (como las respuestas del consumidor a un producto nuevo). Los pronésticos a mediano plizo son tiles para efectos estacionales, y los modelos a largo plazo detectan las tendencias generals y son muy tiles para identificar los cambios mas importantes, Administracién interactiva de operaciones 4Bseccién 4 PLANEACION ¥ CONTROL DE LA CADENA DE SUMINISTRO ‘MéEx000 Monro ne paros Patni Horizonte De pxondsrico rintcos De 10s DATOS De PRONEstIco Promedio maui simple 6. 12meses,amenudoseuti- Los datos deben ser estaciona~ Corto amediano lizan datos somarales tos (es decir sn tendencia ni temporalidad) Promedioméuil ponderado Para empezar se necesitan de 5 Los datos deben ser estacio- Corto ysvavizacin exponencial a YO observaciones natios simple Es Suavizacion exponencial con Fara emperarse necesitan de Estacionariosy tendencias Corto. tendencia 10 observaciones - Regrsion lineal Dela 20 observaciones: __Estacionaios,tendencias y _Cortoamediano paralatemporalidad, por lo temporalidad menos 5 observaciones por temporada EI modelo de pronéstico que una empresa debe utilizar depende de: El horizonte de tiempo que se va a pronosticar. La disponibilidad de los datos, La precisién requerida, El tamaiio del presupuesto de pronéstico. La disponibilidad de personal calificado, vere Al seleccionar un modelo de pronéstico, existen otros aspectos como el grado de flexibilidad de la ‘empresa (mientras mayor sea su habilidad para reaccionar con rapidez a los cambios, menos preciso necesita ser el pronéstico). Otro aspecto es la consecuencia de un mal prondstico. Si una decisién impor- tante sobre la inversién de capital se basa en un prondstico, éste debe ser bueno. PROMEDIO MOVIL SIMPLE Cuando la demanda de un producto no crece ni baja con rapide, y sino tiene caracteristicas estacionales, tun promedio mévil puede ser til para eliminar las fluctuaciones aleatorias del pronéstico. Aunque los promedios de movimientos casi siempre son centrados, es mas conveniente utilizar datos pasados para predecirel periodo siguiente de manera directa. Parailustrar, un promedio centrado de cinco meses de enero, febrero, marzo, abril y mayo da un promedio centrado en marzo. Sin embargo, los cinco meses de datos eben existr. Si el objetivo es pronosticar para junio, se debe proyectar el promedio de movimientos de ‘marzo a junio. Si el promedio no esté centrado sino que se encuentra en un extremo, se puede pronosticar con mayor facilidad, aunque quizé se pierda cierta precisin. Por lo tanto, si se quiere pronosticar para junio con un promedio movil de cinco meses, puede tomarse el promedio de enero, febrero, marzo, abril y mayo. Cuando pase junio, el pronéstico para julio sers el promedio de febrero, marzo, abril, mayo y junio. Asi es como se calcul la ilustracién 15.5. ‘Aunque ¢s importante seleccionar el mejor periodo para el promedio mévil, existen varios efectos conflictivos de distintos periodos. Cuanto mas largo sea el periodo del promedio mévil, més se unifor mara los elementos aleatorios (lo que ser conveniente en muichos casos). Pero si existe una tendencia «en los datos (ya sea @ la alta 0 ala baja), el promedio mévil tiene Ia caracteristica adversa de retrasar la tendencia, Por lo tanto, aunque un periodo mas corto produce més oscilacién, existe un seguimiento cer ‘cano de la tendencia. Por el contrario, un periodo mas largo da una respuesta ms uniforme pero retrasa Ja tendeneia La formula de un promedio mévil simple esPromedio mévil simple; periodos de tres y nueve semanas A. Prondstico de la demanda ADMINISTRACION ¥ PRONGSTICO DE LA DEMANDS capitulo 15 475 SeNANA DEMANDA3SEMANAS 9SEMANAS SEMANA _DEMANDS_3SEMANAS_9SEMANAS 1 800 6 1700 2200 1801 2 1400 v 1g00 2000-1800 3 1000 8 2200183 st 4 15001067 wv 1900 1900 10 5 1001300 2» 240019671988 6 1300 133 2 24002167 2001 7 "e001 2 2600 2B 2m 8 oo 153 B 200027 MS ° 13001600 a 29002383 2m 0 170 6001367 B 2600236727 " 7018671487 2% 2000) 2 150015671500 z 22000-2483 23m B 23001631556 2B 200-2383 2m “ 23000168 » 240023002378 donde F, ~ Pronéstico para el siguiente periodo ‘n= Nimero de periodos para promediar A,.,~ Ocurrencia real en el periodo pasado Aca A.o¥ A... Ocurrencias reales hace dos periodos, hace tres periodos, y asi sucesivamente, hhasta hace n periodos ‘Una grfica de los datos en la ilustracién 15.5 muestra los efectos de las distintas duraciones de un periodo de un promedio mévil, Se ve que la tendencia de crecimiento se nivela alrededor de la semana 23. El promedio de movimientos de tres semanas responde mejor al seguir este cambio que el promedio. 4de nueve semanas, aunque en general, el promedio de nueve semanas es mis uniforme. La principal desventaja al calcular un promedio mévil es que todos los elementos individuales se de- ‘ben manejar como informacién porque un nuevo periodo de prondstico comprende agregar datos nuevos416 seccién 4 PLANEACION Y CONTROL DI LA CADENA DE SUMINISTRO y eliminar los primeros. Para un promedio mévil de tres o seis periodos. lo anterior no es muy complica {o, Pero graficar un promedio mévil de 60 dias sobre el uso de cada uno de 10s 20 000 elementos en un inventario comprenderia el manejo de una gran cantidad de informacién. PROMEDIO MOVIL PONDERADO Mientras que el promedio mévil simple da igual importancia a cada uno de los componentes de la base de datos del promedio mévil, un promedio mévil ponderado permite asignar cualquier importancia a cada ‘elemento, siempre y cuando la suma de todas las ponderaciones sea igual a uno, Por ejemplo, tal vez una tienda departamental se dé eventa de que en un periodo de cuatro meses, el mejor prondstico se deriva utilizando 40% de las ventas reales durante el mes mas reciente, 30% de dos meses antes, 20% de tres meses antes y 10% de hace cuatro meses, Si las ventas reales fueron Mes 1 Mes 2 Mes3 Mes 4 Mess 100 90 105, 95 2 1 pronéstico para el mes 5 seria F. = 0.40(95) + 0.30(105) + 0.20(90) + 1.10(100) B+ 31.5 +18 +10 os La formula para un promedio mévil ponderado es 15.2] Faw Ay + WApg to MA donde 4 = Ponderacién dada a Ia ocurrencia real para el periodo #~ 1 v= Ponderacién dada a la ocurrencia real para el periodo ¢~2 w,, = Ponderacién dada a la ocurrencia real para el periodo 1—n ‘n= Néimero total de periodos en el pronéstico ‘Aunque quiz4 se ignoren muchos periodos (es decir, sus ponderaciones son de cero) y cl esquema de ponderaciGn puede estar en cualquier onden (por ejemplo, los datos mas distantes pueden tener pondera- ciones mas altas que los més recientes), la suma de todas las ponderaciones debe ser igual a uno, Suponga que las ventas para el mes 5 resultaron ser de 110. Entonces, el pronéstico para el mes 6 F, = 040(110) + 0.30(95) + 0.20105) + 0.10(90) 244428542149 = 1025 Eleccién de ponderaciones La experiencia y las pruebas son las formas ms sencillas de elegir las ponderaciones. Por regla general, el pasado més reciente es el indicador més importante de lo que se espera en el futuro y, por lo tanto, debe tener una ponderacién mas alta, Los ingresos ola capacidad de la planta del mes pasado, por ejemplo, serfan un mejor estimado para el mes préximo que los ingresos ola capacidad de la planta de hace varios meses. No obstante, silos datos son estacionales, por ejemplo, las ponderaciones se deben establecer en forma correspondiente. Las ventas cle trajes de baio en julio del aio pasado deben tener una ponderacién ins alta que las ventas de trajes de batio en diciembre (en el hemisferio norte,ADMINISTRACION Y PRONOSTICO DELA DEMANDA capitulo 15 El promedio mévil ponderado tiene una ventaja definitiva sobre el promedio mévil simple en cuanto ‘aque puede variarlos efectos de los datos pasados. Sin embargo, es més inconveniente y costoso de usar que el método de suavizaciin exponencial, que se analiza a continuacién. SUAVIZACION EXPONENCIAL En los métodos de pronésticos anteriores (promedios méviles simple y ponderadc), la principal desven- tajaes la necesidad de manejar en forma continua gran cantidad de datos historicos (esto tambign sucede con las tenicas de andlisis de regresin, que se estudiarén en breve). En estos métodos, al agregar cada nueva pieza de datos, se elimina la observacién amerior y se calcula el nuevo pronéstico. En muchas aplicaciones (quizas en la mayor parte, ls ocurtencias més recientes son mis indicativas del futuro que aguellas en el pasado ms distante. Siesta premisa es vida (que la importancia de los datos disminuye ‘conforme el pasado se vuelve mis distante), es probable que el métoda mis ligico y Fic sea la sua zacion exponencial La razin por la que se lama suavizacién exponencal es que cada incremento en el pasado se reduce (1, Por ejemplo, sic es (105, as ponderaciones para los distintos periodos serian las siguientes (c se define a continuacién Piso EN a= 005 Peso mis reciente = (I= ‘0.0800 Datos de un periodo anterior = a(t - a! 0.0857 Datos de dos periodos anteriores» a (I= a 00451 Datos de tres periodos anteriores = (I= a? 0.0829 Por lo tanto, ls exponentes 0, 1,2, 3... ete, le dan su nombre. La suavizacién exponencial es la mas utilizada de las técnicas de pronéstico. Es parte integral de casi todos los programas de prondstico por computadora, y se usa con mucha frecuencia al ordenar el inventario en las empresas minoristas, las compatiias mayoristas y las agencias de servicios, Las técnicas de suavizacién exponencial se han aceptado en forma generalizada por seis razones principales Los modelos exponenciales son sorprendentemente precisos. Formular un modelo exponencial es elativamente f El usuario puede entender emo funciona el modelo. Se requieren muy pocos céleulos para utilizar el modelo, Los requerimientos de almacenamiento en la computadora son bajos debido al uso limitada de datos histéricos. 6. Es fécil calcular las pruebas de precisién relacionadas con el desempefio del modelo. En el método de suavizacién exponencial, solo se necesitan tres piezas de datos para pronosticar ef futuro: el prondstico mis reciente, la demanda real que ocurrid durante el periodo de prondstico y una constante de uniformidad alfa (¢), Esta constante de suavizacisn determina el nivel de uniformidad y Ia velocidad de reaccidn a las diferencias entre los pronésticos y las ocurrencias reales. El valor de una Constante se determina tanto por la naturaleza del producto como por el sentido del gerente de lo que consttuye un buen indice de respuesta. Por ejemplo, si una empresa produjo un articulo estandar con una demanda relativamenteestable,el indice de reacciGn a las diferencias entre la demanda real y pronostica- dapresentarian una tendencia a ser pequetias, quiz de sélo 5 0 10 puntos porcentuales, No obstante, sila empresa experimentara un crecimiento, sera mejor tener un indice de reaccién mis alto, quiza de 15 0 30, puntos porcentuales, para dar mayor importancia ala experiencia de crecimiento reciente. Mientras mais, rapido sea el crecimiento, mas alto deberd ser el indice de reaccién. En ocasiones, los usuaries del prome~ dio movil simple cambian a la suavizaci6n exponencial pero conservan las proyecciones similares a las del promedio mévil simple. En este caso, «tse calcula 2 + (n + 1), donde n es el ntimero de periodos, 417 Suavizacién exponencial Constante de uniformidad alfa (c)478 Finger eco RG sseccién4—PLANEACION V CONTROL DE LA CADENA DE SUMINISTRO La ecuacién para un solo pronéstico de uniformidad exponencial es simplemente 115.3] Fim Fat ats F.) donde F, = El pronéstico suavizado exponencialmente para cl periodo F,,, = El prondstico suavizado exponencialmente para el periodo anterior A, = La demanda real para el periodo anterior = El indice de respuesta deseado, o a constante de suavizacién Esta ecuacién establece que el nuevo pronéstico es igual al prondstico anterior mas una porcién del error (la diferencia entre el pronéstico anterior y lo que ocurrié realmente)? ara demostrar el método, suponga que la demanda a largo plazo para el producto sujeto a estudio es relativamente estable y tna constante de suavizacién (c) de 0,05 se considera apropiada. Si el método exponencial se hubiera usado como una politica de continuidad, se habria hecho un pronéstico para el ‘mes pasado.’ Suponga que el prondstico del mes pasado (F,, ,) fue de 1 050 unidades, Si la demanda real fue de 1 000, en lugar de 1 050, el prondstico para este mes seria Fra Fut lly Fr) = 1050 + 0.05(1 000 - 1 050) = 1.050 + 0.05(-50) = 10475 unidades Como el coeficiente de suavizacién es bajo, la reaccién del nuevo pronéstico a un error de 50 unidades es reducir el pronéstico del préximo mes en s6lo 2% unidades. La suavizacién exponencial simple tiene 1a desventaja de retrasar los cambios en la demanda. La ilustracién 15.6 presenta los datos reales trazados como una curva suavizada para mostrar Ios efectos de cos exponenciales versus demanda real de las unidades de un producto a través po mostrando una demora en el prondstico Fay) 400A,)- Fy) a= 01,03, y05 mbiat 1 L EFMAMJJASONDEFMAMITASONDEFADMINISTRACION ¥ PRONOSTICO DE LA DEMANDS capitulo 15, ddemora de los prondsticos exponenciales, El pronéstico se retrasa durante un ineremento 0 un decrem to pero se dispara cuando ocurre un cambio en la direccién. Observe que mientras més alto sca el valor de alfa, el pronéstico sera mas cercano a la realidad, Y mientras nués se acerque a la demanda real, es probable stumar un factor de tendencia. Tambien resulta itil ajustarel valor de alfa Esto se conoce como prondstico adaptative. A continuacién se explican en forma breve tanto los efectos de las tendencias como el prondstico adaptative. Efectos de la tendencia en la suavizacién exponencial Recuerde que una tendlencia hacia arriba o hacia abajo en los datos recopitados durante una secuencia de periodos hace que el pronéstico exponen- cial siempre se quede por debajo o atras de la ocurrencia real. Los prondsticos suavizados exponencial- mente se pueden corregir agregando un ajuste alas tendencias. Para corregir la tendencia, se necesitan «dos constantes de suavizacidn, Ademis de la constante de suavizacién a, la ecuacién de la tendencia utiliza una constante de suavizaciin delta (9). La delta reduce el impacto del error que ocurre entre la realidad y el prondstico. Si no se incluyen ni alfa ni delta, la tendencia reacciona en forma exagerada ante los errores. Para continuar con la ecuacién de la tendencia, la primera ver. que se utiliza es preciso capturar el valor manualmente. Este valor de la tendencia inicial puede ser una adivinanza informada o un cétewlo bbasado en los datos pasados observados. Laccuacién para calcular el pronéstico incluida la tendencia (FIT, forecast including trend) es [54] FIT,= F,+T, [ss] F,=FIT,,+4(4,,-FIT.) Ds.61 T= T..+ OF,-FIT,,) donde F,= El pronéstico suavizado exponencialmente para el periodo ¢ T,= Latendencia suavizada exponencialmente para el periodo 1 FIT, = El prondstico incluida la tendencia para el periodo 1 FIT, | = El pronéstico incluida la tendencia hecha para el periodo anterior A, = Lademanda real para el periodo anterior c= Constante de suavizacion = Constante de suavizas EJEMPLO 15.1: Pronéstico incluida la tendencia Suponga una F,inicial de 100 unidades, una tendencia de 10 unidades, una alfa de 0.20 y una delta de 0.30. Si la demanda teal resulta ser de 115 en lugar de lox 100 pronosticados, calcule el prondstico para el periodo siguiente, SOLUCION Al sumar el prondstico inicial y la tendencia, se obtiene FIT, =F +7, = 100+ 10= 110 La verdadera A, , se da como 115, Por lo tanto, F y= FIT, + @(A,,,- FIT.) = 110+ 20115 - 10) = 1110 T= T4486, -FIT,,) = 10+ 311 = 110) = 103 FIT, = F,+7,= 1110+ 103= 1213 419 Constante de suavizacién detta (0)480 seccidn 4 PLANEACION Y CONTROL DE LA CADENA DE SUMINISTRO Si, en lugar de 121.3, la realidad resulta ser 120, la secuencia se repetiria y el prondstico para el siguiente periodo seria Try) = 1213-+.2(120 - 121.3) = 121.04 = 103 + 3(121.08 ~ 121.3) = 1022 131.26 @ Tt FIT 121.04 + 10.2 Eleccién del valor apropiado para alfa La suavizacisn exponencial requiere de dar ala constante de suavizacién alfa (q) un valor entre O y 1. Si ln demanda real es estable (como la demanda de elec tricidad o alimentos), serfa deseable una alfa pequefia para reducir los efectos de los cambios a corto plazo o aleatorios. Si la demanda real aumenta 0 disminuye con rapidez (como en los articulos de moda 6 los aparatos electrodomésticos menores) se quisiera una alfa alta para tratar de seguirle el paso al cambio. Seria ideal poder proyectar que alfa se debe usar. Por desgracia, hay dos elementos en contra En primer lugar, tomarfa tiempo determinar Ia constante alfa que se adapte mejor a los datos reales y el proceso seria tedioso. En segundo lugar, como la demanda cambia, quiz pronto sea necesario revisar Ja constante alfa que se eligié esta semana, Por lo tanto, se necesita un método automstico para rastrear y cambiar los valores alfa. Hay dos estrategias para controlar el valor de alfa, Una de ellas utiliza distntos valores de alfa y la otra una sefal de seguimiento, 1 Doso mas valores predeterminados de alfa, Se mide la cantidad de error entre el prondstico y la demanda real. Dependiendo del grado de error, se tilizan distntos valores de alfa Si el error es grande, alfa es 08; si el error es pequefi, alfa es 0.2, Valores calculados de alfa, Una constante de rastreo alfa calcula sil prondstico sigue el paso alos cambios genuinos hacia arriba o hacia abajo en la demanda (en contraste con los cambios aleatorios). En esta aplicacién, la constante de rastreo alfa se define como el ertor real suavizado exponencialmente dividido entre el error absoluto suavizado exponencialmente. Alfa cambia de un periodo a otro en el rango posible de 0 a 1 ERRORES DE PRONOSTICO El término error se refiere a la diferencia entre el valor de pronéstico y lo que ocurrié en realidad. En estadistica, estos errores se conocen como residuales. Siempre y cuando el valor del prongstico se en cuentre dentro de los limites de confianza, como se ver mas adelante en “Medicidn del error’, éste no es realmente un error. Pero el uso comiin se refiere a la diferencia como un error. La demanda de un producto se genera mediante la interaccién de varios factores demasiado complejos para deseribirlos con precisin en un modelo. Por lo tanto, todas las proyecciones contienen algin error. ‘Al analizar los errores de pronéstico, es conveniente distinguir entre las fuentes de error y la medicin de errores. FUENTES DE ERROR Los errores pueden provenir de diversas fuentes. Una fuente comin de la que no estin conscientes mu: chos encargados de elaborar los prondsticos es el pronéstico de las tendencias pasadas en el futuro. Por ejemplo, al hablar de errores estadisticos en el andlisis de regresién, se hace referencia a las desviaciones de las observaciones de la recta de la regresin, Es comin relacionar una banda de confianza (es decir, If- ites de control estadistico) con la recta de la regresin para reducir el error sin explicar. ero cuando se utiliza esta recta de la regresién como dispositivo de pronéstico, es probable que el error no se defina de manera correcta mediante la banda de confianza proyectada, Esto se debe a que el intervalo de confianza se basa en los datos pasados; quiza no tome en cuenta los puntos de datos proyectados y por lo tanto no se puede utilizar con Ia misma confianza. De hecho, la experiencia ha demostrado que los errores reales suelen ser mayores que los proyectados a partie de modelos de pronéstico. Los errores se pueden clasificar como sesgados o aleatorios. Los errores sesgados ocurren cuando se ‘comete un error consistente, Las fuentes de sesgo incluyen el hecho de no incluir las variables correctas; 1 uso de las relaciones equivocadas entre las variables el uso de la recta de tendenciaerrnea; un cam equivocado en la demanda estacional desde el punto donde normalmente ocurte;y la cxistencia de alguna tendencia secular no detectada. Los errores aleatorios se definen como aquellos que el modelo de pronéstico milizado no puede explicar.ADMINISTRACION Y PRONOSTICO DE LA DEMANDA capitulo 15 MEDICION DE ERRORES ‘Varios téeminos comunes empleados para describir el grado de error son error esidndar, error cuadrado ‘medio (0 varianza) y desviacién absoluta media. Ademds, es posible usar sefales de rastreo para indicar cualquier sesgo positive o negativo en el prondstico, El error estandar se estudia en la seecién sobre regresisn lineal en este capitulo, Como el error estén- dares laraiz cuadrada de una funcién, a menudo es mas conveniente utilizar la funcién misma, Esto se cconoce como error cuadrado medio o varianza. La desviacidn absoluta media (MAD; mean absolute deviation) se wilizaba con mucha frecuenci «en el pasado, pero posteriormente fue reemplazada por la desviacién esténdar y las medidas de error es- tindar, En afios recientes, la MAD regres6 por su simplicidad y utilidad al obtener sefiales de rastreo. La MAD es el error promedi en los pronésticos, mediante el uso de valores absolutos. Es valiosa porque, al igual que la desviacién estindar, mide la dispersién de un valor observado en relacién con un valor esperado. La MAD se calcula utilizando las diferencias entre la demanda real y Ia demanda pronosticada sin importarel signo. Es igual ala suma de las desviaciones absolutas dividida entre el nimero de puntos de datos 0, en forma de ecuacién, ps7) Dae al a donde 1 = Neimero del periodo A= Demanda real para el periodo F = Demanda pronosticada para el periodo ‘n= Naimero total de periodos || = Simbolo utlizado para indicar el valor absoluto sin tomar en cuenta ls signos positives y negativos Cuando los errores que ocurren en el pronéstico tienen una distribucién normal (I caso més comiin), Ja desviacién absoluta media se relaciona con la desviacién estndar como | dessin etindar= MAD, oroximadamente 125 MAD Por el contrario 1 MAD = 08 desvinciones ndar La desviacién estindar es la medida més grande. Si la MAD de un conjunto de puntos es 60 uni- dades, la desviacidn estindar es 75 unidades. En la manera estadistica normal, si los limites de control se establecen en mas 0 menos 3 desviaciones estindar (0 = 3.75 MAD), entonces 997% de los puntos caerian dentro de estos limites, Una sefial de seguimiento es una medida que indica si el promedio pronosticado sigue el paso de ‘cualquier cambio hacia arriba o hacia abajo en la demand, Como se utiliza en el prontstco, la sei de segu Imiento es el niimero de desviaciones absolutas medias que el valor pronosticado se encuentra por encima © por debajo de la ocurrencia real. La ilustraciGn 15.7 muestra una distribucién normal con una media de Oy una MAD igual a1. Por lo tanto, si se calcula la seftal de seguimiento y se encuentra que es igual ‘a menos 2, se puede ver que el modelo de prondstico ofrece prondsticos por encima de la media de las ‘ocurrencias reales. Es posible calcular una seal de seguimiento (TS, racking signal) utilizando la sum aritmética de Jas desviaciones pronosticadas dividida entre la desviacidn absoluta media: (52) 9-RSFE MAD donde RSFE sma corriente de fos ertores pronosticados, considerando la naturaleza del error (por ejemplo, los errores negatives cancelan los errores positives, y viceversa). MAD = El promedio de todos los ertores pronosticados (sin importar si ‘ negativas) Es el promedio de las desviaciones absoluas 1s desviaciones son positivas 481 Desviaci Sefial de seguimiento482 seecin 4 PLANEACION Y CONTROL DE LA CADENA DE SUMINISTHO, normal con media = Oy MAD = L La ilustracién 15.8 muestra el procedimiento para calcular la MAD y la sefial de seguimiento para tun periodo de scis meses donde el pronéstico se establecié en una constante de 1 000 y las demandas totales que ocurrieron som las que se muestran, En este ejemplo, el pronéstico, en promedio, se aleja 66.7 lunidades y la sefal de seguimiento es igual a 3.3 desviaciones absolutas medias, Es posible formarse una mejor idea sobre lo que la MAD y la sefal de seguimiento significan tra- zando los puntos en una grifica, Aunque esto no es completamente legitimo desde el punto de vista del ‘amafo de la muestra, se traza cada mes en la ilustracién 15.8 para mostrar el cambio de la seal de seguimiento, Observe que cambié de menos | MAD a mis 3.3 MAD. Esto sucedié porque la demanda real fue mayor que el pronéstico en cuatro de los seis periodos. Sila demanda real no cayera por debajo del pronéstico para compensar la RSFE positiva continua, la seal de seguimiento seguiria aumentando y se legarfa a la conclusién de que suponer una demanda de 1 000 constituye un mal pronéstice. Los limites aceptables para la sefial de seguimiento dependen del tamafio de la demanda pronosticada (los articulos de volumen alto o ingreso alto se deben vigilar con frecuencia) y la cantidad de tiempo ‘del personal disponible (Ios Ifmites aceptables mas estrechos hacen que mayor cantidad de prondsticos estén fuera de los limites y por lo tanto requieren de ms tiempo para investigarlos). La ilustracién 159 -muestra el rea dentro de los limites de control para un rango de | a4 MAD. En un modelo de pronéstico perfecto, la suma de los errores de prondstico reales seria 0; los errores «que dan como resultado sobrestimados deben ser menos que aquellos que resultan en subestimados. La seflal de seguimiento también seria 0, indicando un modelo sin sesgos, que no se queda atrés ni delamte de Tas demandas reales. ‘A menudo, la MAD se utiliza para pronosticar los erores, porlo que quizé serfa mejor que fuera mas sensible los datos recientes. Una técnica itil para lograrlo es calcular una MAD uniformada exponen- cialmente como un prondstico para el rango de errores del siguiente periodo. El procedimiento es similar la uniformidad exponencial simple, que ya se estudié en este mismo capitulo. El valor del pronéstico MAD es que proporciona un rango de error. En el caso del control de inventarios, éste es til para esta- blecer niveles de inventario de seguridad. MAD, (A,4- Fl (= @MAD,, donde MAD, = MAD de pronéstico para el ésimo period = Constante de suavizacién (normalmente en el rango de 0.05 a 0.20) A, = Demanda real en el periodo = 1 F.., = Demand pronosticada para el periodo 1ADMINISTRACION Y PRONOSTICO DE LA DEMANDS. capitulo 15 483 ‘lustracién 15 Calculo de la desviacién absoluta media (MAD), la suma corriente de los errores en el pron6stico(RSFE) ¢ y la sefial de seguimiento (TS) a partir del pronéstico y los datos reales é : Prondstico ve Suwa Mes LADEMANDS Rua —_Drsvinciin SFE 1 1000 350 30 50 2 1000 170 470 20 3 1000 oo 100 +2000 20 BB 4 1000 960 40 +0040 260 6 5 1000 1090 +30 4090 30 0 6 1000 1050 0 a0 50 *Paraelmes 6. MAD = 400+ 6=667 vparelmes6, 15 -8SFE_ 220.33 4a, ‘67 MAD 4 3 2 Senal do! seguimicnto 9 1 Larealidad es ‘menor que et 2 ronéstico 4 Los porseniajes de los puntos incluidos dentro de los Himes de control para un rangode 1a4MAD Lures pe conTro1 [Némtno ReLAcIONADO DE PoRcen aie DE FUNTOS NoweKo pe MAD_ DESVIACIONES ESTANDAR eNO DEL LIMITE DE CONTROL a - 0798 57048 2 1596 38945 2 2396 8388 Pi 3192 99856 ANALISIS DE REGRESION LINEAL Puede definitse la regresién como una relacién funcional entre dos © mas variables correlacionadas. Se \wiliza para pronosticar una variable con base en la otra, Por lo general, la relacién se desarrolla a partir de datos observados, Primero es necesario graficar los datos para ver si aparecen lineales o si por 10 ‘menos partes de los datos son lineales. La regresién lineal se reficre a la clase de regresiGn especial en la due la relaci6n entre las variables forma una recta, Larectade la regresién lineal tiene la forma Y =a + bX, donde Yes el valor de la variable dependiente que se despeja, a es la secante en Y, bes la pendiente y X es la variable independiente (en el andlisis de serie de tiempo, las X son las unidades de tiempo). Laregresi6n lincal es ttl para el pronéstico a largo plazo de eventos importantes, asf como la planea- ci6n agregada. Por ejemplo, la regresidn lineal serfa muy til para pronosticar las demandas de familias484 Pronéstico de regresién lineat seccién 4 — PLANEACION Y CONTKOL DE LA CADENA DE SUNINISTRO de productos. Aun cuando la demanda de productos individuales dentro de una familia puede variar cen gran medida durante un periodo, la demanda de toda la familia de productos es sorprendentemente suavizada, La principal restriccin al utilizar el prondstico de regresién lineal es, como su nombre lo implica, «que se supone que los datos pasados y los prondsticos futuros caen sobre una recta, Aunque esto no limita su aplicacién, en ocasiones, si se utiliza un periodo més corto, es posible usar el andlisis de regresién li- real. Por ejemplo, puede haber segmentos mas cortos del periodo mas largo que sean aproximadamente lineales. La regresi6n lineal se utiliza tanto para prondsticos de series de tiempo como para pronésticus de relaciones causales. Cuando la variable dependiente (que casi siempre es el eje vertical en una gréfica) ccambia como resultado del tiempo (trazado como el eje horizontal), se trata de un andlisis de serie tem- poral. Si una variable cambia debido al cambio en otra, se trata de una relacién causal (como el niimero ‘de muertes debidas al aumento de céncer pulmonar entre la gente que fuma). ‘Témese el siguiente ejemplo para demostrar el andlisis de regresi6n lineal con ménimos cuadrados. EJEMPLO 15.2: Método de minimos cuadrados Las ventas de una Ifnea de productos en una empresa durante los 12 trimestres de los tiltimos 3 aiios son las siguientes: Tunesrae Ventas Thumesine —_VENrAS 00 7 2600 2 1550 8 2900 3 1500 ° 3800 4 1500 10 4500 s 2400 0 4000 ‘ 00 2 4900 La compaia quiere pronosticar cada trimestre del cuarto afio; es decir, los trimestres 13, 14, 15 y 16, SOLUCION La ecuacién de los minimos cuadrados para la regresidn lineal es 5.9] ¥. +br donde Y= Variable dependiente calculada mediante la ecu én y= El punto de datos de la variable dependiente real (utilizado abajo) a= Secante Y ‘b= Pendiente de la recta x=Periodo El método de minimos cuadrados trata de ajustar la recta a los datos que minimizan la suma de los ewa- drados de la distancia vertical entce cada punto de datos y el punto correspondiente en la reeta. Si se traza una recta a través del rea general de los puntos, la diferencia entre el punto y la recta es y ~ ¥. La ilustracién 15.10 muestra estas diferencias. La suma de los cuadrados de las diferencias entre los puntos de datos trazados {los puntos de la recta es OW +O HP t+ On Ha? La mejor recta es la que minimiza este total,ADMINISTRACION ¥ PRONOSTICO DE LA DEMANDS. capitulo 1S 485 Recta de la regresi6n de minimos euadrados $5000 4300 4000 3300 3.000 Venus 2500 200 1 50 1 000 Como antes, la ecuacién de recta es Yeas be Anteriormente se determinaron a y ba partir de la grfica. En el método de minimos cuadrados, las ecua- cciones para a yb son {1510} psn] donde a= Secante ¥ ‘b= Pendiente de a recta F ~ Promedio de todas las y = Promedio de todas las x= Valor x de cada punto de datos y= Valor y de cada punto de datos ‘Niimero de punto de datos Y= Valor de la variable dependiente calculada con la ecuacién de regresign Lailustracin 15.11 muestra estos flelos realizados para los 12 puntos de datos en el problema. Observe ‘que la ecuaccn final para ¥ presenta una secante de 441.6 y una pendieote de 359.6, La pendiente muestra que por cada cambio unitaro en X, ¥ cambia 359.6 Basindoseestrictamente en la ecuacisn, ls prondstcas para ls periods 13 16 serian Yiy= 441.6 + 359.6(13)= 5 116.4 Viq= 441.6 + 359.6(14) = 5476.0486 seccién 4 PLANEACION Y CONTROL DE-LA CADENA DE SUMINISTHO Anélisis de regresin de minimos cuadrados oy @ @ ® co) y y 2 y 1 600 600 1 3400000 2013 2 1550 3100 ‘4 2402500 i609 : 1500 4500 9 2250000 15205 4 1500 6000 % 2250000 18801 5 2400 12000 3B 760000 22397 ‘ 3100 13600 % 9610000 26904 7 2600 18200 ” 760000 29590 8 2900 23200 ot 8410000 33186 ° 3800 34200 a 4440000 36782 0 4500 45000 100 2020000 403578 1 4000 44000 i 15000000 assr4 2 4900 58800 ma 24010000 47571 % 33350 268200 60 112502500 R65 b= 3896153 F=27917 9 = 4918666 Por lotanto, Y= 44166 + 35964 ¥is= 441.6 + 359.6(15) = 5835.6 ¥g= 441.6 + 359.6006) = 6195.2 El error estindar del estimado, o la forma en que la recta se adapta a los datos, es" ps2] El error esténdar del estimado se calcula a parti de Ja segunda y la ultima columna de la ilustracion 15. [(600 — 801.3)? + (1550-1 160.9)" + (1.50 id 10 =363.9 520.5)? +---+(4900— 4757.1) Microsoft® Excel tiene una herramienta de tegresin muy poderosa disefada para realizar estos cdlculos, Para utiizarla, es necesaria una tabla que contenga los datos relevantes al problema (véase la ilustraci6n 15.12). La hherramienta forma parte del Data Analysis ToolPak, al que se tiene acceso desde el meni Herramientas (0 1a Pestatia Datos en Excel 2007) (es probable que nevesite agregar estas opciones de Herramientas wtilizando la opcidn Agregar en Herramientas) Para usar la herramticnt, primero capture los datos en dos columnas en la heja de eéleulo y luego entre en Ja opcicn RegresiGn de! ment Herramientas —> Anilisis de Datos. A comtinuacién, especifique el Rango Y, que es B2:BI3, y el Rango X, que es A2:A\3 en el ejemplo. Por dltimo, se especifica el Rango de Salida. Entonces «cuando debe inclu en la hoja de edlculo los resultados del andlisis dle regresin, En el ejemplo, se captur6 ‘AI6. Existe ciertainformacién proporcionada que va mis allé de lo que se estudi6, pero lo que se busca son los coeficientes Secante y Variable X que corresponde alos valores de secante y pendiente en la ecuacién lineal. Estos se encuentran en las filas 32 y 33 de la lastracién 15.12. ©ADMINISTRACION Y PRONOSTICO DE LA DEMANDS — capitulo 15 Heerramienta de represién de Excel i) ti a mace 6 ho 5 2 xo Clenaseetee $B) emma 0 | asec ee ce ¥ Otten Omen fsuaay output Peat eee eet Paget toeas | Cetrtemene mre [zlRewee ——osmacna | nrmarcby Pape Sqe ESO ISendesere 267192 2 Rarene T Wns Went THRE TTS ~ [pesant @ temas tment [Sioa See | 3: "cre Stet Emaar pO or [eee ena OTA Ta “Sones enter oma ST DESCOMPOSICION DE UNA SERIE TEMPORAL Puede definirse una serie temporal como datos ordenados en forma cronol6gica que pueden contener ‘uno o més componentes de la demanda: tendencia, estacional, ciclico, autocorrelacién o aleatorio, La descomposicién de una serie temporal significa idemtticar y separar los datos de Ia serie temporal en estos componentes, En la préctica, es reativamente fécilidentificar la tendencia (incluso sin un anslisis ‘matemitico, casi siempre es sencillo trazar y ver la direecin del movimiento) y el componente estacio. nal (comparando el mismo periodo aii tras afi) Es mucho més dificil idemtiticar los componentes de los ciclos (pueden durar varios meses 0 afos), la autocorrelacidn y el aleatorio. (Por lo regular, el encargado de realizar el prondstico considera aleatorio cualquier elemento que sobre y que no sea posible identificar como otro componente.) Cuando la demanda contiene efectos estacionales y de tendenc ‘cémo se relacionan entre si. En esta descripcidn, se ana multiplicativa al mismo tiempo, Ia pregunta es zzan dos tipos de variacién estacional: aditiva y Variacion estacional aditiva La variacidn estacional aditiva simplemente supone que la cantidad estacional es una constante sin importar cudl es la tendencia o la cantidad promedio. Pronéstico que incluye tendencia y estacional = Tendencia + Estacional La ilustracién 15.13A muestra un ejemplo de una tendencia en aumento con cantidades estacionales ‘constantes. Variacion estacional multiplicativa En la variacidn estacional multipicativa, la tendencia se mul- tiplica por los Factores estacionales Pronéstico que incluye tendencia y estacional = Tendencia x Factor estacional La ilustracin 15.138 muestra la variacién estacional en cia porgue su tamano depende de éstailtima, Lavariacionestacional multilicaivaes la experiencia comin, En esenci, establece que mientras més clevada sea la cantidad bisica pronosticada, mss alta ser la variacin que cabe esperar a su alrededor. jumento conforme se inerementa la tenden 487488 seccién 4 PLANEACION ¥ CONTROL DE 1. CADENA DE SUMINISTRO nporal aditiva Temporal multipicativa | | a | fet | Enero Enero Enero Enero Enero Enero Enero ‘Enero. | Julio Julio. ———Salio Julio Iulio. Julio Salo | Companias co fabricen podadoras y limpiadores de nieve para ia demanda temporal uso del mismo equipo y ls mismaslineas de ensamble permite un mejo capacidad, mayo de la mano de obra, roductivdad eine Factor (0 indice) estacional Un factor estacional es la canta de correccin necesa temporal para ajustarse Por la estaciGn del ao laciona estacional con un periodo del afo caracterizado por alguna actividad en particular, Se usa la palabra ciclico para indicar que no se trata de los periodos anuales recurrentes de actividad repetitiva Los siguientes ejemplos muestran cémo se determinan y utilizan los indices estacionales para pro- nosticar 1) un cétculo sencillo basado en datos estacionales pasados, y 2) la tendencia y el indice estacio- nal de una recta de la regresidn ajustada a mano. A continuaci6n se da un procedimiento mas formal para la descomposici6n y el prondstico de los datos utilizando la regresi6n de los cuadrados minimos, EJEMPLO 15.3: Proporcién simple Supa Jos ditimos aifos una empresa vendié un promedio de 1000 unidades al ao de una linea de productos en particular. En promedio, se vendieron 200 unidades en primavera, 350 en verano, 300 en otoflo y 150 en invierno. El factor (indice) estacional es la razén de la cantidad vendida dda entre el promedio de todas las estaciones. queADMIVISTRACION Y PRONGSTICO DELA DEMANDA capitulo 15 489 SOLUCION En este ejemplo, la cantidad anual dividida en forma equitativa entre todas las temporadas es 1 000 + 4= 250. Por lo tanto los factores estacionales son \VeNTAS PROMEDIO PARA. VeNTAS ADA TEMPORADA Factor Pasaons (1000/4) ESTACIONAL, Primavera 200 250 200/250 = 08 Verano 350 250 350/250 =14 Otero 309 250 300/250 =12 Invierno 0 250 150/250 = 06 Total 000 Con estos factores, si se espera que la demanda para el préximo ao sea de 1 100 unidades, se pronosticaria due ésta ocurrird como Dewanpe —_VENTAS PROMEDIO PARA Prondstico ESPERADA PARA CADA TEPORADS Factor ESTACIONAL DEL EL PROXINO ARO (1100/4) BSTACIONAL, PROXINO ARO. Primavera mS x 23 20 Verano us x “oo 385 tore vs x a 330 Ivierno mS x 6 165 Total 1100 El factor estacional se puede actualizar de manera periddica a tener nuevos datos disponibles. El ejemplo siguiente muestra el factor estacional y la variacién estacional multiphicaiva, @ EJEMPLO 15.14: Caleulo de la tendencia y el factor estacional a partir de una recta ajustada a mano En este caso deben caleularse la tendencia y los factores estacionales. SOLUCION Se resuelve el problema con sélo ajustar a mano una recta que cruce todos los puntos de datos y mida la ten- dencia y la secante de la prifica. Suponga que el hitorial de datos es Tresrae —_VENTAS Tuwesres —_VeNTAS 12006 12007 520 112006 200 112007 20 2006 0 2007 400 12006 sso 12007 700 Primero, se traza como en la ilustracién 15.14 y luego se ajusta visualmente una recta a través de todos {os datos (como es natural, esta recta y la ecuacidn resultante estén sujetas a la variacién). La ecuacidn para larecta es Tendenci, 110+55, {La ecuacidn se deriva de la secante 170 més un aumento de (610 ~ 170) + 8 periodos. A coatinuacién, puc- cde derivarse un indice estacional comparando los datos reales con la recta de tendencia como en la ilustracién 15.14, El factor estacional se desarrollé calculando el promedio de los mismos trimestres de cada af.490 seccidn 4 PLANEACION Y CONTROL DE LA CADENA DE SUMINISTRO DELaHcunciéy DE PROPORCIGN OE FACTOR ESTACIONAL (PROMEDHO DEL. ‘TeimesTRE SUMAREAL _TENDENCIAT,= 170++SSt_REAL+TENDENCIA MISMO TRIMESTRE EN AMBOS AROS) 2006 1 200 2s 133 u 300 280 7 - uw x0 3S 6 Hs wv 530 390 135 1-078 2007 069 1 50 as w vias 0 20 500 84 u 400 585 n v 700 610 us El caleulo del pronéstico para 2008 incluyendo los factores de tendencia y estacional (FITS en inglés, ‘forecast including trend and seasonal factors) es como sigue: FITS, = tendencia x estacional 1.2008 FITS, = [170 + $5(9)1.25 = 831 11-2008 FITS = [170 + 55(10)]0.78 = 562 11-2008 FITS,, = (170 + 55(11]0.69 = 535 1V-2008 FITS): = [170 + 55(12}1.25 = 1038 © Descomposicion con regresién por minimos cuadrados La descomposicidn de una serie de tiem- po significa encontrar los componentes bisicos de la serie de tendencia, estacional y cclico, Los indices se calculan por estaciones y ciclos. El procedimiento del pronéstico despues invierte el proceso con el pronéstico de la tendencia y su ajuste mediante los indices estacionales y eiclicos, determinados en el proceso de descomposicién, En términos formales, el proceso: 1. Descomponer ls series de tiempo en sus componentes. 4) Encontrar el componente estacional. ) Descontar las variaciones de temporada de la demand, ©). Bncontrar el componente de la tendencia,ADMINISTRACION ¥ PRONOSTICO DE LA DEMANDA capitulo 1S 491 2. Pronosticar valores futuros de cada componente, 4) Pronosticar el componente de fa tendencia en el futuro. 'b) Multiplicar el componente de la tendencia por el componente estacional Observe que en esta lista no se incluye el componente aleatorio, Implicitamente, se elimina el compo- nente aleatorio de la serie de tiempo cuando se promedia, como en el paso 1. No tiene easo intentar una proyeccicn del componente aleatorio del paso 2 s menos que se tenga informacisn sobre algtin evento inusual, como un conflicto laboral grave, que pudiera influ en la demanda del producto ¢y esto no serfa al azar En Ia ilustracién 15.15 se muestra la descomposicién de una serie de tiempo con el uso de una re- agresién de cuadrados m{nimos y los mismos datos hasicas utilizados en ejemplos anteriores. Cada dato corresponde al uso de un solo trimestre del periodo de 3 afios (12 trimestres). El objetivo es pronosticar Ja demanda de los cuatro trimestres del cuarto af. Paso 1. Determinar el factor (0 fndice) estacional. En ailustracion 15.15 se presenta un resumen de los eéleulos necesarios. En la columna 4 se desarrolla un promedio para los mismos timestres del periodo de 3 ais. Por ejemplo, se sumaron os primeros trimestres de los 3 afios y despues se dividieron entre tres. Luego se deriva un factor estacional al dividir ese promedio entre el promedio general de los 12 trimestres (83, 02779} resultado se introduce en la column S. Cube observar ue los factores estacionales son idénticos para los trimestres semejuntes en cada alo, Demand dscns Is arinons de temporada Biisiracion 515 | 0 o o ® ° © o ® Deans Denanpa no Prxsooo REAL PROMEDIODEL MISMO Faron. ESTACIONAL () 2 Ixy (2) Truwesrme (5) __TRIMESTRECADA ARO ESTACIONAL Cot. (3) + Cot. (3) (Cont Cor. (x Cor. (6) 1 1 600 (600+ 2400+ 3800/73, 082 7387 1 1357 = 22667 2 0 1580 (180+ 3100 + 4500)/3 ir) va 4 28047 =3050 3 1500 (1500 + 2600 + 4000)/3 097 15440 ° asng =2700 4 v 1500 (1500+2900 + 4900/3 wn 13448 6 53790 =3100 5 1 2400 on 29826 2% W782 6 " 100 110 2807 36 169484 7 a 2600 097 26762 9 Jerse 8 v 2900 1, 25999 “ 207989 9 ' 3800 om, 26992 a siom7 0 " 4500 0 41004 100 10041 w 0 4000 ost ams a 452901 2 wv 4900 12 43299 rc samas % 33350 ry Bor 50 2657068 276-76 265 706.9~1216.5}27792 =n? 650-1216)" 622 Fon BBOM 2779.2 a= Fy-bF=2779.2-¥2.2165)=554.9 Porlo tanto, + bra $5494 3420 ‘Los totales de a column 3 I colurma 6 deben ser igual a 33380. Lasclferencas se eben al edondeo a clumna 5 se redondee dos lgaes deciles492 seccién 4 PLANEACION ¥ CONTROL DE LA CADENA DE SUMINISTRO Paso 2. Descontar las variaciones de temporada de los datos originales. Para eliminar el efecto cestacional de los datos, se dividen los datos originales entre el factor estacional. Este paso se Hama, descuento de las variaciones de temporada de la demanda y se presentan en la cofumna 6 de La ilus- tracién 15.15, Paso 3. Trazar una recta de regresién por minimos cuadrados para los datos descontados de 1s variacionesde temporada. El objetivo es desarrollar una ecuacién para la recta de la tendencia Y, que después se modifica con el factor estacional. El procedimiento es el mismo de antes: Yeatbhy donde = descuento de las variaciones de temporada de la demanda (véase ilustracién 15.15) xe trimestre ¥ = demanda calculada con la ecuacién de regresién Y= a+ bx ‘a= secante de Y ‘b= pendiente de la recta En la seccién inferior de la ilustracién 15.15 se presentan los cilculos de mfnimos cuadrados usando las columnas 1, 7-y 8. La ecuacién final de descuento de las variaciones de temporada de los, datos es ¥ = $549 + 342.2x. Esta recta se presenta en Ia ilustracién 15.16, Paso 4. Proyectar la recta de la regresién a través del periodo por ser pronosticado: El pro- sito es pronosticar los periodos 13 a 16, Lo primero es resolver la ecuacin para Yen cada periodo (que se muestra en el paso 5, columna 3). Paso 5. Crear el pronéstico final mediante el ajuste de la recta de la regresién segdin el fac- tor estacional, Cabe recordar que se descontaton las variaciones de temporada de la ecuacién ¥. Ahora se invierte el procedimiento multiplicando los datos trimestrales derivados mediante el factor cestacional de ese trimestre: YoeLaRecrape Facto Prowéstico (Yx Periopo _TRIMESTRE __LAREGRESIGN _ESTACIONAL __ FACTOR ESTACIONAL) 3 1 50035 os (S287 " 2 $3457 io 8027 6 3 seers as7 55126 6 ‘ 0x0 iw 675371 ae Excel: Pronéstico Feuacion descontadade —* “4.090 [ls varaciones de temporada Yo sst94 M220 3500) 2 Datos erginales, * Descuento de las ‘ariaciones de temporada de Tos datos ° artes ae in ine £5678 9 WWD “TeimesresADMINISTRACION Y PRONOSTICO DE LA DEMANDA. Intervalos de prediccién para la tendencia fineal Imervalo e predic} Inervalo on bepress aps Pasado Prosente Faso capitulo 15 ‘Ya esta completo el pronéstico, Normalmente, el procedimiento es igual al realizado en el ejemplo anterior que se ajust6 a mano, Pero en este ejemplo se sigue un proc calcula Ia recta de la regresidn de cuadrados minimos, Rango de Ja desviacisn estindar de cualquier serie de datos. Segundo, hay ersores generados porque la recta estd imiento més formal y tambign se error Cuando se ajusta una recta mediante puntos de datos y despues se utiliza para hacer pronésticos, os errores se generan desde dos fuentes. Primero, existen los errores usuales semejantes @ incorreeta, La ilustracin 15.17 muestra este rango de error. Més que desarrollar aqui las estadisticas, slo se demostrard brevemente la ca isa de que se amplie el rango. Primero, se visualiza una recta tra zada con cierto error de modo que su inclinacién ascendente es muy pronunciada, Después se ealeulan los errores estindar para esta recta. Ahora hay que visualizar otra recta cuya incl cin jescentlente es ‘muy pronunciada, También tiene un error estindar, El rango de error total, para este andlisis, consiste de cerrores que resultan de ambas rectas asi como de otras rectas posibles. Se incluye esta ilustracién para ) Con un promedio mévil ponderado, cual es el prondstica para septiembre con valores reativas de 0.20, 0.30 y 0.50 para junio, julio y agosto, respectivamente? (0) Mediante suavizacién exponencial simple, y suponiendo que et prondstico de junio fue de 130, pronostique las ventas de septiembre con una constante cde suavizacién de 0.30, 17. Lademanda hist6riea de un producto es como sigue: Dentanna bail 6 Mayo 8 Junio 7% Julio 6 Agosto 80 Septiembre % 4) Con un pron I simple a cuatro meses, calcule un pronéstico para octubre. >) Mediante suavizacisn exponencial simple con ct ~ 0.2 y un pronéstico para septiembre ~ 65, calcule un prondstico para octubre, ‘¢). Mediante regresién lineal simple, calcu Ia recta de la tendeneia de los datos histricas. En el eje de las x, sea abril = 1, mayo = 2, etc. mientras que en el eje de las y esti la demanda, d) Caleule un prondstico para octubre. 18. Las ventas por trimestre del siltimo allo y los tes primeros trimestres de este ao son como sigue: ‘Tamestee 1 0 uu wv shopasado 23000 --27000-«18000 9000 Este aio 1000 24000 15000 Con el procedimiento de prondstico enfocado descrto en el texto, pronostique las ventas esperadas para el cuarto trimestre de est ao. 19, Bn la tabla siguiente se muestra la demanda predicha de un producto con cierto método de pronéstico, junto con la demanda real Pronéstico REAL 1500 1580 1400 1500 1700 1600 1750 1650 1800 1700 44) Caleule lasefal de seguimiento con la desviacién absoluta media y la suma continua de errores de pronéstico, 6) Comente si su método de prondstioo da buenas predieciones510 secciin 4 PLANExCI 20. 2. 2, 2. IN-Y CONTHOL DE LA CADENA DE SUMINISTRO, Su gerente trata de determinar qué método de prondstico usar, Bassindose en los siguientes datos his: tricos, calcule el siguiente prondstico y especifique qué procedimiento wilizaris MES _DEMANDA REAL Mes DEMANDS REAL ’ a 7 % 2 65 a % 3 sr ° B 4 68 0 80 5 n 0 a4 6 B 2 & 4) Caleule un prondstico de promedtio movil simple a tres meses para los periodos 4 a 12 1b) Cateute el promedtio mvil ponderado a tres meses con pesos de 0.50, 0.30 y 0.20 para los periodos 4012, 6) Calcule un prondstico de svavizacién exponencial simple para los periodos 2 a 12 usando un pro- ndstico inicial (F,) de 61 y una cede 0.30, 4d) Calcule el pronéstico de suavizacién exponencial con componente de tendencia para los periodos 2.a 12.con un pronéstico de tendenciainicial (7,) de 1.8, un prondstico de suavizacién exponencial inicial (F) de 60, una cde 0.30 y una 8 de 0.30, ©) Calcule la desviacidn absoluta media (MAD) de los pronésticos hechos con cada téenica en los periods 4 12. ;Qué método de pronéstico prefere? ‘Haga un andilisis de regresién sobre la demanda sin factores estacionales para pronosticar Ia demands cenel verano de 2008, dados los siguientes datos hist6ricos de la demanda. ASo __ Estaciéy DeMANDA REAL 2006 Primavera 205 Verano vo tore a8 Ievietno S15 2007 Primavera 435, Verano us toh 6s levierno 965 Los siguientes son los resultados de los dltimos 21 meses de ventas reales de cierto producto. 2006 2007 fre 300 ms Febrero 400 a5 Marzo 25 350 Abril 450 a5 Mayo 400 400 Junio 460 380 Julio 400 350 Agosto 300 Zs Septiembre 75 30 Octubre 500 Noviembre 550 Diciembre 00 labore un pronéstico para el cuarto trimestre usando tres reglas de pronéstico enfocado observe que para aplicar correctamente el procedimiento, las reglas se prueban primero en el tercertrimestre: la «de mejor desemperio se usa para pronosticar el cuarto trimestr). Haga el problema con trimestres, en lugar de pronosticar meses separados, La demanda teal de un producto en los tres meses anteriores fue: Hace tesmeses 400 unidades Hace dosmeses 350 unidades Elmes pasado 325 unidade 4) Con un promedio mévil simple de tes meses, haga un pronistico para este mes, +b) Sicste mes la demanda real fue de 300 unidades, ;eudl seria su pronéstico para el mes entrante? 6) Con svavizacisn exponencial simple, jewil seria su prondstico para este mes sel pronéstico unifor- me exponencial de hace tres meses fue de 450 unidades y la constante de uniformidad fue de 0.20?24, 25, 26, 2. ADMINISTRACION ¥ PRONOSTICO DE LA DEMANDA capitulo 15, Después de apicar su modelo de pronistico durante scis meses, decide probarlo con MAD y una seal de seguimiento, Lo que sigue ese pronéstico la demanda rel del petiodo de seis meses: Periono __Prondstico Mayo 450 Junio 300 Julio 580 Agosto 600 Septiembre 650 Octubee 700 4), Encventre la sefial de seguimniento. +b). Decida si su rutina de prondstico es aceptable. A continuacién se anotan las ganancias por aecién de dos compaiiias, por trimestre, del primer tri- mesire de 2004 al segundo de 2007. Pronostique las ganancias por accién para el resto de 2007 y para 2008. Use suavizacién exponencial para pronosticar el tercer periodo de 2007 y el método de ‘descomposicidn de series de tiempos para pronosticar los tltimos dos trimestres de 2007 y los cuatro Urimestres de 2008 (es mucho mis fil resolver el problema en una hoja de efleulo computarizada, para ver lo que sucede) GaNANCIAs por xccI6N ‘Terese Conrasta A 2004 1 167 sor ul 235 om Mm 026 v us om 2008 1 156 025, " 204 037 Ww ae 038 wv 038, oat 2006 ' ow 033 0 018 pers 040 097 (peri) oat v 9020 047 2007 1 184 (pedis) 030 oa 44) Para el método de suavizacién exponencial, tome el primer trimestre de 2004 como el pronéstico inicial. Haga dos pronésticos: uno con «t= 0.10 y otro con «= 0.30, 5) Con el método MAD para probar el desempefio del modelo de prondstico, més datos reales de 2004 al segundo trimestre de 2007, :qué tan bien funcions el modelo? 6) Con la descomposicién del método de prondstico por series de tiempo, pronostique las ganancias Por acciéin para los dos ailtimos trimestres de 2007 y para los cuatro trimestres de 2008. :Hay algun factor estacional en las ganancias? <4) Use sus pronésticos y comente sobre cada companta, A continuaci6n se encuentran los ingresos por ventas de una compaiiia de servicios piblicos grande de 1997 8 2007, Pronostique los ingresos de 2008 a 2011. Use su buen juicio, intuicién o sentido comin en cuanto a qué modelo 0 método usar, asf como el periodo de datos que inclu. INontsos QuLowes) Tyones08 QMILLONES) 97 548659 2003 $5094 1998 sosra 2004 5108s 1999 55156 2005 55808 2000 57238 2006 57389 2001 34977 2007 58600 20a sie77 eee ‘Mark Price, nuevo gerente de produccién de Speakers y Company, tiene que averiguar que variable ‘fecta més la demanda de su linea de bocinas para estereofinicas. No esti seguro de que el precio lunitario del producto o los efectos de mayor marketing sean los principales impulsores de las ventas y su512 seccion 4 PLANEACION ¥ CONTROL DE 1A CADENA DE SUNINISTRO ‘quiere aplicar un anilisis de regresi6n para averiguar qué factor impulsa més la demands de su merca- do, La informacidn pertinente se recopilé en un extenso proyecto de marketing que se extend a los ‘ltimos 10 afios y que se vaci6 en los datos siguientes Vextas/UsipaD Pusticipa utes ABO GQUILLARES)——-PRECIC/UNIDAD DE DOLARES) 1996 400 280 600 197 700 23 835 1998 900 m 1100 195 00 210 1400 2000 1150 2s 1200 2001 1200 200 1300 2002 900 2s 900 2003 1109 207 100 2008 980 220 700 2005 134 2 200 2006 5, a 200 2007 800 245 690 4) Realice en Excel un anilisis de regresion basado en estos datos. Con sus resultados, conteste las preguntas s uientes 1) {Qué variable, el precio o la publicidad, tiene un mayor efecto en las ventas y cémo se sabe? 28. {6}. Pronostique las ventas anuales promedio de bocinas de Speakers and Company basdindose en Tos resultados de la regresisn, sel precio fue de 300 délares por unidad y el monto gastato en publi ccidad (en miles) fue de 900 délares. Suponga una F, inicial de 300 unidades, una tendencia de 8 unidades, una alfa de 0.30 y una delta de (0.40. Sila demanda real fue finalmente de 288, calcule el prondstico para el siguiente periodo. 29. La tabla siguiente contiene ef nimero de quejas recibidas en una tienda departamental durante tos primerns seis meses de operacién. Ques i Quens Enero 6 bail 90 Febrero 4 Mayo 108 Marzo a io 4 Si se usara un promedio mévil a tes meses, cual habria sido el prondstico de mayo 30. El siguiente ese! mimeo de eajas de vino merlot vendidos en la vinateria Connor Owen en un periodo de Bais. Ro Cxxs DE VINO MERLor ARo Cause vino MERLOT 1998 270 2002 358 1999 356 2003 500 2000 398 2004 410 2001 455 2005 376 Estime el valor de uniformidad ealeulado a fines de 2001, usando un modelo de suaviz icin exponencial ccon un valor alfa de 0.20. Use la demanda promedio de 1998 a 2000 conforme a su pronéstico inicial. CASO: Attavox Etectronics Altavox es fabricante y distribuidor de muchos insteumentos y apa- ratos elecirénicos, como multimetros digitales anal6gicos, genera dores de luncién, osciloscopios, contadores de frecuencia y otras iniquinas para pruebas y mediciones, Altavox vende una linea de medidores de prueba que son popula res entre los electricistas profesionales. El modelo VC202 se vende, através de seis distribuidoras, alas tiendas de menudeo de Estados ‘Unidos, Las distibuidoras estin en Aanta, Boston, Chicago, Dallas y Los Angeles y fueron escogidas para atender rogiones diferentes, EI modelo VC202 se ha vendido bien durante aos por si con- fiabildad y solida construccién, Altawox no lo considera un producto cestacional, pero hay alguna variabi de la pagina siguiente se muestra Ia demanda del producto en las titimas 13 semanas Estos datos se encuentran en una hoja de eéleulo de Excel, Alta- var Data, contenida en el DVD det libro. La demand de las regio nes varfa entre un maximo de 40 uniacles en promedio semanal en Atlanta y 48 unidades en Dallas. Los datos de este trimestre esti muy cerca de la demanda del trimestre pasado. La gerencia quisiera que usted experimentara con algunos mode- los de pronéstico para detertninar cual debe usarse en un nuevo sis- tema que va a establecerse, EI nuevo sistema est programado para tsar uno de dos modelos: promedio ml simple 6 suavizacion ex Ponencial