Planificación de La Demanda (CECAP)

Líderes en Consultoría
Planificación de la
CONSULTING
demanda.
CECAP
Guía elaborada por Leonardo García Razera

¿Tienen algo
CONSULTING
en común?
CECAP
CONSULTING Líderes en Consultoría
Estos son palets de BANANA.

En poco tiempo deben salir de este centro de distribución para llegar a los
almacenes de los supermercados
CECAP
Forma parte de una cadena de suministro

mayor
Todos los “tiers” están realizando inversión de recursos e
incurriendo en un riesgo para llevar esa banana hasta el
consumidor final.
CECAP
Tienen poco TIEMPO
El supermercado tiene la mayor parte de la ganancia pero

también el mayor riesgo
Monstruo horrible...
CONSULTING
CECAP
...ataca a muchas
cadenas de suministro...
CECAP
...y tiene un primo igual

de horrible!
CECAP
CONSULTING
CECAP Líderes en Consultoría
“Debido a la tiranía del

CONSULTING
espacio-tiempo, debemos
tomar decisiones óptimas.”
Chris Capplice - MIT
CECAP
El superhéroe!
CECAP
La chica de la película!
se llama:
Demanda
CECAP
La chica de la película!
Desde otro ángulo
CECAP
¿Cuántos tipos de SKU
tendríamos
que ofertar para empezar a
analizarla?
¡Solo uno!
(Con un poco de ayuda de hojas de cálculo, claro)
¿Por dónde comenzar?
Segmentación de
productos
ABC
Es un buen paso inicial, pero hay
mejores.
Segmentación de
producto
CONSULTING
● Hipermercado local cercano a universidades.

○ Aprox 20.000 SKUs
○ Categorías: Secos, Congelados y Perecederos
● Análisis de los bienes Secos (Aprox 8.000 SKUs).

○ 1,156 M SKUs Vendidos en un año
○ Unidades vendidas por SKU Más vendidos TOP 5
○ Media: 144
○ Mediana: 72 1. LECHE CONDENSADA 350 ML
○ Moda:
CECAP
0
○ Desviación estándar: 355
2. PAPEL HIGIÉNICO
● Los más vendidos? 3. AGUA EMBOTELLADA (5 litros)
● El día de mayor venta? 4. FIDEOS INSTANTÁNEOS
● ¿Cómo están distribuidos los productos en 5. SARDINA EN LATA
términos de volúmen de ventas ?
● Uniforme? Normal? Otra?
18
CONSULTING
Ejemplo de la Ley de Potencia, y=axk

Ley de la Potencia
(y=axK)
CONSULTING
Excepcionalmente presente en ● Frecuencia de citas de autor (Ley de Lotka)

sistemas Físicos y Sociales. ● Ratio metabólico de los animales respecto a su masa
(Ley de Kleiber)
● Severidad de los huracanes y los terremotos ● Rentabilidad de Clientes o Productos
● Ingreso de la población (Ley de Pareto) ● Distribución del volumen de arcos de tráfico de
● Visitas a una web (Ley de Nielsen) & blogs vehículos
CECAP
● Frecuencia de palabras en un idioma (Ley de Zipf) ● Preguntas de estudiantes en clase.

● Frecuencia de dígitos entre tablas (Ley de Benford)
Los pocos críticos contra los muchos triviales

20
CONSULTING Segmentación: Análisis ABC Líderes en Consultoría
Ítems A:
80% VALOR
20% SKUs
Ítems B:
15% VALOR
30% SKUs
CECAP
Ítems C:
5% VALOR
50% SKUs
Segmentación: Análisis ABC Caso importadora

CONSULTING
CECAP
Segmentación: Análisis ABC Caso

importadora
CONSULTING
CECAP
Segmentando con el método VES
Variabilidad de la demanda
H
Coeficiente de Variación (CV) CV PROMEDIO

=
Desviación Estándar
L
Media
C B
Valor económico de la demanda A
Volátil: Técnicas sofisticadas, revisión frecuente
Estable: Técnicas un poco menos sofisticadas, revisión menos frecuente
Sin importancia: Técnicas no sofisticadas; Revisión muy poco frecuente

Traducido y adaptado de: Prashant Yadav 2005 24
1)Analizar la demanda de
los principales V y E
2)Pronosticar por
necesidad. Graficar
y
Describir la
distribución
Los S manejarlos
con la política de TK
inventarios: max. 6%
Power of two (Roundy, 1986)
del costo
mínimo
Sensibilidad EOQ al tiempo del ciclo de pedido
Para encontrar una T práctica:
1. Calcular T *
2. Elija un período de tiempo base (día, semana, etc.)
3. Encuentre el valor más bajo de k que satisfaga:

Un intervalo de potencia de dos es
garantizado para estar dentro del 6%
del TRC * con el tiempo óptimo
intervalo.
27
● Power of Two:
○ Agregando Múltiples ítems en función a la variable tiempo.
Proceso simple
1. Crear tabla de SKU N*= 1/T*
2. Calcular T * para cada SKU
3. Calcular Tpráctica para cada SKU
En hojas de cálculo:
TPractica=2^REDONDEAR.MAS(LN(T*/raiz(2))/LN(2))
28
Agrupando - Potencia del Dos
29
¿Porqué es
CONSULTING
importante
pronosticar la
demanda?
CECAP
30
= COMPRAR + PEDIR + ALMACENAR + DESABASTECER

CECAP
COSTO TOTAL
Principales enfoques de pronóstico
Subjetivo Objetivo
● De juicio ● Causal / Relacional
○ Modelos Econométricos (Regresión)
○ Encuesta a la fuerza de ventas ■ Indicadores Líderes
○ Consulta a Expertos ○ Modelos Input-Output (Simulación)
○ Técnicas Delphi
● Experimental ● Series de Tiempo
○ Encuesta al consumidor ○ Enfoque “Caja Negra”
○ Focus group ■ Pasado predice el futuro
○ Test marketing ■ Identificar Patrones
a menudo, necesitará utilizar una combinación de enfoques.

1er. paso:
Graficar y caracterizar
la demanda
CECAP
CONSULTING Demanda - Ventas Mensuales
● ¿Qué puedes notar?
CECAP
34
Demanda - Estacionalidad
Las ventas también difieren
CONSULTING
dramáticamente según el DOW (DDS)
Las ventas también difieren

dramáticamente por cuartos de
CECAP
años y por més dentro de los

cuartos!
35
DOW (Day Of Week por sus siglas en inglés ).
DDS (Día De la Semana por sus siglas traducidas literalmente)
Pronóstico de la Demanda
CONSULTING
Identificando patrones en el pasado nos

ayuda a pronosticar el futuro.
CECAP
Componentes de series de tiempo Líderes en Consultoría
Componente
de Tendencia
CONSULTING
Una decisión eficiente de

Demanda de un producto o servicio
Picos de
compra empieza por un
Estacionalidad
buen análisis de la
Demanda Observada
demanda
Cuanto mayor visibilidad Demanda media en
los 4 años
tengamos es mejor.
CECAP
Variación Aleatoria
Visibilidad = ventas al
consumidor final
Tiempo (Años)
Componentes de series de tiempo
● Nivel (a)
CONSULTING
○ Valor donde la demanda se sitúa (media)

○ Captura la escala de la serie temporal.
○ Sin otro patrón presente, es un valor constante
● Tendencia (b)
○ o Tasa de crecimiento o disminución
○ o movimiento persistente en una dirección
○ o Típicamente lineal pero puede ser exponencial,
cuadrático, etc
● Variaciones de temporada o Estacionalidad (F)
○ o ciclo repetido alrededor de un periodo conocido y fijo.
CECAP
○ o Por hora, diario, semanal, mensual, trimestral, etc.

○ o Puede ser causado por fuerzas naturales o artificiales.
● Fluctuación aleatoria (e o ε)
○ o El resto de la variabilidad después de otros componentes.
○ o variaciones irregulares e impredecibles, ruido
2do. paso:
Elegir el “mejor” modelo de
pronóstico.
2.1) Posibles modelos
2.2) Inicializar > Entrenar > Probar
1 2 3
ARCHIVO
(ALTA CALIDAD)
La calidad lo dice todo.
Medir la calidad del pronóstico es la manera
más eficiente y objetiva de elegir un modelo de
pronóstico
La calidad de un ● Precisión: Cercanía a las observaciones
reales (Pulso)
pronóstico se mide ● Bias o Sesgo: Tendencia persistente a
en predecir por encima o por debajo. (Hay
que regular la mira).
Precisión
Y Precisión
Sesgo
JUNTAS Imprecisión
Con Sin
Fuente: Supply Chain Management Micromaster Sesgo Sesgo
MEDIR EL ERROR
Para optimizar sus modelos de
pronóstico debe mantener un
registro de los errores de
pronóstico.
¿Cuál pronóstico es mejor?
Círculo = Demanda real
Métricas del error
Notación:
At = Valor Actual en el tiempo t et = Error para
la observación t
Ft = Valor pronosticado para la for obs. t n = Número de
Ejemplo: Pronosticando Asaditos
Para el pronóstico y valores reales de demanda de asaditos mostrados abajo,
encontrar:
● Mean Absolute Deviation (MAD) Error/Desviación Mediå Absoluta (DMA)

● Root Mean Square of Error (RMSE) Raíz del Error Cuadrático Medio
● Mean Absolute Percent Error (MAPE) Error/Desviación Porcentual Absolut@
Medi@
. Pronóstico Real
Lunes 50 43
Martes 50 42
Miércoles 50 66
Jueves 50 38
Viernes 75 86
46
● Solución:
1. Graficar.
2. Extender la tabla:
○ Error: et =At -Ft
○ Abs[error] = |et |
○ Cuadrado[error] = e2
○ AbsPct[error] = |et /At|
3. Sumar y encontrar las Medias
P_t R_t e_t. Abs(e_t) e^2 % ABS
Lunes 50 43 -7 7 49 16%
Martes 50 42 -8 8 64 19%
Miércoles 50 66 16 16 256 24%
Jueves 50 38 -12 12 144 32%
Viernes 75 86 11 11 121 13%
SUM 0 54 634 104%
n=5 Promedio 0 10,8 11,26 21%

47
Lo que nunca cambia
● Pronosticar es un medio no un
fin.
MD=
ERROR
Medir ● Proyecciones agregadas son
Sesgo más precisas.
● Proyecciones de corto plazo son

más precisas.
Medir ● Las proyecciones siempre son

Precisión erróneas.
para
Comparar Cálculos
Pronósticos de inventario
Pronóstico
Demanda (Unidades)
𝝁=media
Demanda observada
Periodos (Tiempo)
Para detalles sobre
sugerencias en pronóstico
de la demanda:
leer código QR
o ingresar
al link / PDF
Utilizado predominantemente para
Modelos de pronósticos de demanda de. . .
Productos Maduros a nivel SKU por
Series de Tiempo un horizonte o periodo de tiempo
Los componentes usados son corto (Semanas, Meses, Trimestres,
nivel, tendencia, estacionalidad y Año) . . . Donde la demanda de los
error. ítems es independiente.
Procedimiento Simple
1. Seleccionar un modelo apropiado de demanda con patrones sobre el tiempo.
2. Estimar y Calibrar los parámetros del modelo.
3. Pronosticar la demanda con los modelos y parámetros seleccionados
4. Revisar evidencias del modelo (Calidad) y acorde a ello ajustar parámetros y/o modelos.
51
ARCHIVO
(ALTA CALIDAD)
Modelos de Series de Tiempo
● Los componentes pueden ser combinados de diferentes maneras:
Nota - Podemos transformar la multiplicativa:

● Multiplicativa
● Aditiva El Modelo depende de cómo
● Mixta impacta la Estacionalidad
sobre la tendencia y/o el
nivel?
Nos enfocaremos en 4 Modelos

○ Modelo Nivel:
○ Modelo Tendencia:
○ Modelo Mixto Nivel y Estacionalidad:
○ Modelo Mixto Nivel-Tendencia-Estacionalidad:
Notación:
xt : Demanda real en el período t. t= 54
Periodo de tiempo (0,1,2,...n).
a: componente de nivel. b:
componente de tendencia lineal.
Modelos de series de tiempo con
demanda estable
Nivel
Supuestos Críticos:
¿Cuán importante es el historial de ventas?
CONSULTING
Muy Importante Dos supuestos extremos Nada Importante

Pronóstico Acumulativo Pronóstico Naïve-
n Toda el histórico vale igual n Lo más reciente dicta lo siguiente
n Demanda Estacionaria Pura n Paseo Aleatorio, último sigue
CECAP
Notación:
xˆ t,t+τ= Pronóstico realizado al final del periodo t para la demanda en el periodo t+τ , para τ =1,2,3 ...
x t : Demanda real en el período t.
Pronósticos Acumulativos vs. Naïve
Suponga que estamos en el tiempo=10 y queremos pronosticar para tiempo =11; x^
10,11
CONSULTING
Veamos el pronóstico de “Siguiente Periodo” para

modelos acumulativos y naïve . .
t x_t Naïve ACUM
1 109 109,0 109,0

Note:
2 92 109 100,5
• Modelo Acumulativol es “calmo”
92 99,7
3 98
mientras el Naïve es “nervioso”.
CECAP
4 96 98 98,8 • Naïve es más sensible a los

5 104 96 99,8 cambios.
6 98 104 99,5
7 109 98 100,9
57
8 99 109 100,6
9 94 99 99,9
Modelo Base:
Modelos de series de tiempo
CONSULTING
Donde:
Media Móvil
● Sólo incluir las M últimas observaciones Modelo de
● Entre Acumulativa y Naïve. Pronóstico:
t x_t Naïve M2 M4 M6 CUM
1 109
2 92 109 109,00
CECAP
3 98 109 101 100,50
4 96 92 95 99,67
5 104 98 97 99 98,75
6 98 96 100 98 99,80
7 109 104 101 99 100 99,50
8 99 98 104 102 100 100,86
9 94 109 104 103 101 100,63
Modelos de Pronóstico Media
Móvil
CONSULTING
● Media Móvil es un modelo general

○ Acumulativo (M=t)
○ Naïve (M=1)
● ¿Cuán grande debe ser la M?
○ Muy Pequeño? Demasiado sensible a los cambios, muy nervioso.
○ Muy Grande? Promedia el ruído, Se pierde cambios escalonados en
la demanda.
CECAP
○ Valores “Prácticos” Generalmente usados de M (4, 6, 12, etc.)

● Observe que la Media móvil siempre se retrasa en responder!
○ Supone una demanda estacionaria
○ Mientras más grande la M, mayor “lag”.
Recordar:
CONSULTING
● Hay patrones que se repiten en el tiempo.

● Cinco componentes (Enfócate en los primeros 4)
○ Nivel (a)
○ Tendencia (b)
○ Estacionalidad (F)
○ Error o Ruido (e)
○ Cíclico (C)
● De-componer la Demanda usando Modelos en función a patrones
CECAP
○ Modelo Nivel: xt= a + et n

○ Modelo Tendencia: xt = a + bt + et
○ Modelo Estacionalidad: x t = (a + bt)Ft + et
Para llevar:
CONSULTING
● Tres Modelos
○ Acumulativo – “Todo importa”
○ Naïve Espejo – “Sólo lo de ayer importa”
○ Media Móvil – “Seleccionar cuánto importa”
● Diferencias
○ Nivel de volatilidad
■ Naïve (nervioso) a Acumulativo (calmo) con MM en el medio
○ Monto de datos requeridos para almacenar
■ Naïve & Acumulativo (1 per SKU)
CECAP
■ Media Móvil (M ítems por cada SKU)

● Similitudes
○ Asume demanda en nivel – no tendencias, gradas o estacionalidad
○ Todos se retrasan en algún grado.
○ Igual peso a todas las observaciones sin importar el tiempo
Suavizado exponencial simple

CONSULTING
CECAP
Tratamiento de los datos históricos
● Los modelos anteriores difieren en la cantidad de historia considerada, pero fueron similares en
CONSULTING
su trato igualitario.
○ Promedio acumulativo y móvil: ponderación igual a todas las observaciones.
○ Naïve - todo el peso a la observación más reciente.
● ¿Hay algo entre estos extremos?

● ¿Deberíamos tratar los datos históricos de manera diferente?
○ El valor de los datos se degrada con el tiempo.
CECAP
○ Ponderar las observaciones más recientes más que las anteriores

● Esto es lo que hace el suavizado exponencial
○ Cada observación está ponderada
○ Los pesos disminuyen exponencialmente a medida que envejecenº
63
CONSULTING Suavizado Exponencial Simple Líderes en Consultoría
Recordar que:
Expandiendo y Recolectando términos:
Sustituyendo:
CECAP
Lo que nos lleva a esta forma general:

Suavizado Exponencial Simple
CONSULTING
0 0,2 0,3 0,4 0,5 0,6 0,7 0,8
1 0,2 0,3 0,4 0,5 0,6 0,7 0,8
2 0,16 0,21 0,24 0,25 0,24 0,21 0,16
3 0,128 0,147 0,144 0,125 0,096 0,063 0,032
4 0,1024 0,1029 0,0864 0,0625 0,0384 0,0189 0,0064
5 0,08192 0,07203 0,05184 0,03125 0,01536 0,00567 0,00128
6 0,065536 0,050421 0,031104 0,015625 0,006144 0,001701 0,000256

CECAP
7 0,0524288 0,0352947 0,0186624 0,0078125 0,0024576 0,0005103 0,0000512
8 0,04194304 0,02470629 0,01119744 0,00390625 0,00098304 0,00015309 0,00001024

Pesos del Suavizado Exponencial

CONSULTING
El valor alfa indica el valor de la información

"nueva" frente a la información "antigua". A
medida que se acerca alfa, limita:
• α→1 conduce a un alisado rápido
(nervioso, volátil, ingenuo)
• 0 ← α conduce a un alisado lento (calma,
firme, acumulativo)
CECAP
66
Análisis de Series de Tiempo
● Suavizado exponencial simple
CONSULTING
○ Demanda estacionaria: sin tendencias ni estacionalidad

○ El valor de las observaciones se degrada con el tiempo.
○ Utiliza una constante de suavizado (α) donde 0 ≤ α ≤ 1
○ En la práctica 0.1 ≤ α ≤ 0.3 También podemos pensar en esto como corrección
Modelo Base: de errores.
Donde:
CECAP
Modelo de Pronóstico
Nueva estimación es la estimación anterior

más alguna fracción del error más reciente.
Ejemplo
Calcule el pronóstico para el período 6 estando en el período 5 con alfa = 0.3:
CONSULTING
Suavizado Exponencial alfa:

Naï
t x_t ve M2 M4 M6 CUM 0,7 0,3 0,1
1 109 109 109,00 109,0 109,0 109,0
2 92 109 101 100,50 97,1 103,9 107,3
3 98 92 95 99,67 97,7 102,1 106,4
4 96 98 97 99 98,75 96,5 100,3 105,3
5 104 96 100 98 99,80 101,8 101,4 105,2
6 98 104 101 99 100 99,50 99,1 100,4 104,5
7 109 98 104 102 100 100,86 106,0 103,0 104,9
CECAP
8 99 109 104 103 101 100,63 101,1 101,8 104,3

9 94 99 97 100 100 99,89 96,1 99,4 103,3
68
La tabla muestra quince semanas de demanda de un producto
Usando Suavizado exponencial simple, con valor alfa : 0,7, Calcular el pronóstico de la
demanda esperada en la semana 16. Para inicializar el modelo asuma que el pronóstico
para la semana 1 es la demanda en la semana 1.
Modelo Base:
Donde:
CECAP
Suavizado Exponencial modelos

no estacionarios
CONSULTING
Nivel + Tendencia
Nivel * Estacionalidad
(Nivel + Tendencia)* Estacionalidad
CECAP
Series de Tiempo: Modelos no estacionarios

CONSULTING
Desafíos:
● Los Modelos Media móvil y Suavizado Exponencial simple siempre se retrasarán en responder a
una tendencia
● Solo miran la historia para encontrar el nivel estacionario
● Necesidad de capturar los factores de "tendencia" o "estacionalidad"
CECAP
Modelo Holt
● Suavizado exponencial para nivel y tendencia
○ Expande el suavizado exponencial para incluir la tendencia
CONSULTING
○ A menudo denominado Método de Holt

○ Utiliza constantes de suavizado (α, β) donde 0 ≤ α, β ≤ 1
Modelo Base:
Donde:
Ésto es sólo x^ t-1,t
Procedimiento de Actualización: La “antigua” tendencia -

CECAP
Tendencia estimada del

último periodo
Estas son estimaciones
de componentes de
de nivel y de tendencia
72
al final de los tiempos
periodo t. La "nueva" tendencia: diferencia entre este período
y nivel estimado del último período.
Ejemplo
Supongamos que estamos a tiempo 101 y
usamos alfa = 0.3 y beta = 0.1. Procedimiento de Actualización:
a) Previsión de demanda para t = 102

b) Demanda prevista para t = 110
Data
Parte a) Estimando la demanda para t=102
1. Encontrar â 101
2. Encontrar b̂ 101
Parte b) Estimando la demanda para
t=110
Significa que: τ=9, por lo cual ↣ â b̂ x̂101,110
=97.5+(9)8.4 = 173.1 3. Encontrar x̂ 101,102 =97.5+8.4 = 105.973
Ejemplo: #VMI1984
CONSULTING
Necesita desarrollar pronósticos mensuales (en pallets) para la demanda del SKU #
LGR1987 que parece tener una tendencia creciente. Observando los datos del año
pasado, usted ha determinado que α = 0.25 y β = 0.10
● Su nivel estimado (â0) en Enero (t = 0) es de 28 pallets / mes y la estimación de
tendencia (b̂0) es 1.35.
a) Utilizando el suavizado exponencial, calcule un pronóstico para febrero.
Esto es fácil: solo ingrese los números.
CECAP
x̂j,k= âj + (1)(bĵ ) = 28 + (1)(1.35) = 29.35 pallets

b) Ahora estamos al final de febrero y la demanda fue de 27 pallets. Cual
es su pronóstico para marzo?
74
CONSULTING
c) Arme una hoja de cálculos con pronósticos para los 8 meses.

Demanda Real Pronósticos para el próximo més
Cuán buenos son estos pronósticos? Mira el MSE=(1/n)Σe2, cuál de todos? Necesitaremos un
estimado del error del pronóstico para usar en el stock de seguridad. Mantén actualizado el MSE
usando Suavizado Exponencial. Selecciona una constante omega donde 0.01≤ ω ≤0.1
Tendencia Atenuada
CONSULTING
Nivel + Tendencia.
CECAP
Tendencia Atenuada
CONSULTING
Tendencias atenuadas
● Problemas con los términos de tendencia.
○ Las tendencias no continúan sin cambios indefinidamente.
○ Las tendencias lineales constantes pueden conducir a un pronóstico excesivo.
○ Esto es especialmente cierto para horizontes de pronóstico más largos.
CECAP
78
Modelo de tendencia atenuada

CONSULTING
○ Ligera modificación al modelo de suavizado exponencial

○ Seleccione el parámetro de atenuación phi, donde 0≤ ϕ
≤1
○ Si ϕ = 1, esto es solo una tendencia lineal
CECAP
Procedimiento de
Actualización:
Mismo Ejemplo
Crear una hoja de cálculo para
las estimaciones del "próximo
mes" para los próximos 8 meses
utilizando una tendencia
atenuada.
Modelo de
Pronóstico
Procedimiento
de
Actualización:
80
Comparando Lineal vs Atenuado
Comparando MSE:
CONSULTING
Linear: 4.52
Atenuado: 3.80
Resultados específicos.
Forecast EOM ENE para

Nueve meses
CECAP
Note el efecto de caída de

del modelo atenuado
81
Puntos Claves de la Lección

CONSULTING
● Modelos de Suavizado Exponencial

○ Modelo simple (nivel)
○ Modelo Holt (nivel y tendencia)
● Otros modelos de suavizado
○ Tendencias de MSE: para usar en modelos de inventario (ω) Tomar
Raíz cuadrada para reemplazar por la desviación estándar.
CECAP
○ Tendencias atenuadas - efecto de disminución gradual (ϕ)

● Conceptos Clave:
○ El valor de la información se degrada en el tiempo
○ Equilibrio del uso de información vieja y nueva.
CONSULTING
CECAP Estacionalidad anual para varios productos
Agenda
CONSULTING
Suavizado Exponencial Doble:

● Nivel y Estacionalidad
Holt-Winter Model
● Nivel, Tendencia y Estacionalidad
Inicialización de parámetros
Cuestiones prácticas
CECAP
● Suavizado Exponencial con Nivel y Estacionalidad
○ Suavizado Exponencial Doble
Introducido como un término multiplicativo estacional.
1.5
Modelo Base:
Donde:
0.5 1 2 3 4 5
Modelo del pronóstico
El pronóstico más reciente
del índice de
estacionalidad apropiado
Procedimiento de actualización
Desestacionalizar la
Ft = Índice Estacional observación real más
multiplicativo apropiado para el
reciente
periodo t
P = Número de períodos entre
una Estación y otras
γ = Factor de Suavizado de Desnivelar (quitar nivel de)
Estacionalidad la observación real más
Note que: reciente
Entendiendo los índices de estacionalidad multiplicativos
Para la estacionalidad multiplicativa, piense en la Fi como "porcentaje de demanda promedio " por un período i.
La suma de la Fi para todos los períodos dentro de una temporada debe ser igual a P
Factor de estacionalidad
1,5
0,5
(Fi)
Periodo de tiempo: 100 101 102 103 104 105 106 107 108 109 110 111 112 113 114
Sin estacionalidad
L M M J V L M M J V L M Con estacionalidad
M J V 𝝉
p
Supongamos que estamos en el lunes (t = 105) pronosticando para el jueves (t = 108)?

¿Cuál es el Ft + tau - p?
Esto significa t = 105, P = 5 y τ = 3 y, por lo tanto, t + τ-P = 105 + 3 - 5 = 103
• Entonces, x ^ 105,108 = a ^ 105 F ^ 103
• Modificamos la estimación de nivel más reciente por el índice de estacionalidad relevante más reciente
Ejemplo: Pronosticando
Observamos que la demanda tiene un nivel y unaAsaditos
estacionalidad por
día de la semana DOW. Ahora es viernes (t = 104) y hemos estimado
que el nivel (a ^ 104) es de 121 asaditos. Los factores de
estacionalidad diaria actuales se muestran a la derecha y los factores
de suavizado alfa = 0.1 y gamma = 0.05.
● • ¿Cuál es su pronostico para el lunes (x ^ 104,105)?
● Supongamos que nuestras ventas reales de asaditos el lunes (t = 105)

fueron 76. ¿Cuál es nuestra demanda prevista para el martes (t =de106)?
Factores
estacionalidad actuales
Normalizando Índices de
CONSULTING
Estacionalidad
CECAP
faltó el ejemploooooooooooioo
NORMALIZAR LOS ÍNDICES

CONSULTING
¡Los factores de estacionalidad ya no suman igual a P!

• ¿Y qué? ¿Qué pasa si ignoro esto?
• ¿Cuál es el nuevo factor de estacionalidad F ^ 106?
CECAP
Los factores de estacionalidad deben

mantenerse actualizados o se irán a la deriva
dramáticamente.
Esto requiere mucha más trabajo lo cual es
difícil de mantener en una hoja de cálculo. 89
Modelo Holt-Winter
CONSULTING
CECAP
Modelo Holt-Winter
● Series temporales: datos de nivel, tendencia y estacionalidad.
• Expandir el modelo exponencial de Holt para incluir estacionalidad
• Comúnmente llamado Método Holt-Winter Desestacionalizar
• Estacionalidad multiplica ( tendencia + nivel).
la observación
Modelo subyacente: real más reciente
Donde:
Estimado
Modelo del pronóstico: más reciente
de nivel y
tendencia
Procedimiento de actualización
No hay cambios en el modelo de Holt
No hay cambios en los

modelos de Término estacional del
nivel*estacionalidad. período de tiempo similar
más reciente.
Desnivelar la observación
real más reciente
Ejemplo II: Pronosticando la

CONSULTING
demanda de Asaditos
CECAP
Ahora observamos que la demanda tiene nivel y tendencia aditiva con Estacionalidad
multiplicativa por Día De la Semana (DDS o DOW) . Supongamos que hoy es viernes (t = 104) y
hemos estimado el nivel (a ^104) en 121 asaditos con un tendencia (b ^ 104) = 0.3 unidades por
día. Los índices de estacionalidad diaria fueron actualizados y se muestran a la derecha. Los
parámetros de suavizado son alfa = 0.1, beta = 0.08 y gamma = 0.05.
¿Cuál es su pronostico para el lunes (x ^ 104,105)?
Recuerde:
Supongamos que nuestras ventas reales de asaditos el lunes (t = 105) fueron 76.
¿Cuál es nuestra demanda prevista para el martes (t = 106)?
93
Inicialización de Parámetros
● Puntos a tener en cuenta
○ No existe el mejor método: Hay muchos buenos, todo depende la curva de mi
CONSULTING
demanda.
○ Necesidad de particionar los datos trés séries para
Inicializar > Entrenar > Probar.
● Modelo de suavizado exponencial simple
○ Estimación del parámetro de nivel inicial (â0 )
○ Use la demanda promedio durante los primeros períodos
● Modelo Holt
○ Estimación de los parámetros de nivel inicial (â0)y tendencia (b̂0)
○ Encuentre la ecuación lineal que mejor se ajuste a los datos en el conjunto de
CECAP
datos inicial
○ Utilice la regresión de la demanda OLS durante varios períodos
■ Variable dependiente = demanda en cada período de tiempo = xt
■ Variable independiente = pendiente = β1
■ Ecuación de regresión: xt = β0 + β1t
○ Nota: esto le da el mismo peso a cada observación en el muestra de datos de
inicialización
Inicialización de Parámetros
CONSULTING
● Modelos con estacionalidad

○ Estos son mucho más complejos.
○ Varios métodos diferentes usados en la práctica
○ Necesita muchos datos -> 2 temporadas pero se prefiere ≥ 4 temporadas
● Modelo de suavizado exponencial doble
○ Estimación del parámetro de nivel inicial (â0) e índices de estacionalidad (F^i)
○ Encuentre la demanda promedio para cada período de temporada común
○ Encuentre la demanda promedio para todos los períodos
○ Establecer índices de estacionalidad iniciales para la relación de cada temporada a todos
los períodos
CECAP
Inicialización – Holt-Winter Media Centrada Desnivelar la
PERIODO c DDS Demanda con valor P demanda
1. Estima el nivel inicial para cada 80 Lunes 62
temporada 81 Martes 91
a. Encuentra el promedio móvil 82 Semana 1 Miercoles 163 128,2 1,271450858
centrado con valor P en cada 83 Jueves 129 129,4 0,9969088099

84
temporada Viernes 196 132 1,484848485
85 Lunes 68 138 0,4927536232
86 Martes 104 141,6 0,7344632768
2. Desnivelar la demanda real o
87 Semana 2 Miercoles 193 147,6 1,307588076
actual
88 Jueves 147 150 0,98
a. Tome la relación: Demanda 89 Viernes 226 152,8 1,479057592
real / Nivel estimado 90 Lunes 80 154,4 0,518134715
91 Martes 118 160 0,7375
3. Encuentra los índices iniciales de 92 Semana 3 Miercoles 201 169,6 1,185141509
la temporada 93 Jueves 175 172 1,01744186
a. Promedio Fi para períodos 94 Viernes 274 176,8 1,549773756
comunes 95 Lunes 92 185,8 0,4951560818
96 Martes 142 188,2 0,7545164718
4. Normalizar los índices 97 Semana 4 Miercoles 246 191,4 1,285266458
estacionales encontrados 98 Jueves 187

96
99 Viernes 290
Recuerda Normalizar los índices de

estacionalidad
CONSULTING
Promedio de F_i F_i Normalizados

Lunes 0,502 0,501
Martes 0,742 0,741
Miércoles 1,262 1,260
Jueves 0,998 0,996
Viernes 1,505 1,502
Suma 5,009 5,000
CECAP
5. Estima el nivel y tendencia inicial
a) Elimine la influencia de la estacionalidad de cada observación dividiendo por su índice de
estacionalidad estimado
CONSULTING
b) Use estos valores para estimar (â0) y tendencia (b0̂ ) usando regresión OLS.
Promedio de F_i F_i Normalizados

Lunes 0,502 0,501
Martes 0,742 0,741
Miércoles 1,262 1,260
Jueves 0,998 0,996
CECAP
Viernes 1,505 1,502

Suma 5,009 5,000
Entonces, para t=100 (Inicializando nuestro modelado)

a^0=(4,17)*(100)-216.9= 201
b^0=4,17= 4,2
Comentarios finales Suav.
exponencial
CONSULTING
● Tres fases de trabajo en tres conjuntos de datos diferentes.

○ Inicializar: estimar el nivel, tendencia y / o factores de estacionalidad
○ Train: determina los parámetros de suavizado que se utilizarán.
○ Prueba: evalúa la calidad (precisión y sesgo) de los pronósticos
● • Seleccionar datos para usar en la formulación del modelo
○ Debe ser apropiadamente largo pero aún relevante
○ Debe limpiarse de todos los eventos que no se repiten
● • Escoger factores de suavizado apropiados
○ Constante de Nivel Alfa(α)
■ Demanda Estacionaria: rangos de 0.01 a 0.30 (0.1 razonable)
CECAP
■ Demanda con Tendencia / Estacionalidad: rangos de 0.02 a 0.51 (0.19

razonable)
○ Constante de Tendencia Beta (β)
■ Varía de 0.005 a 0.176 (0.053 razonable)
○ Constante de Estacionalidad Gama (γ)
■ Varía de 0.05 a 0.50 (0.10 razonable)
Comentarios sobre modelos de

CONSULTING
series temporales
● La mayor parte del trabajo es mecánico
○ Los procedimientos de inicialización son algo arbitrarios
○ Agregar estacionalidad complica enormemente los cálculos
● Medición del sesgo en pronósticos
○ Realizar un seguimiento de la suma acumulativa de errores de pronóstico
○ Normalizar por el cuadrado de la media del error (residuales) (MSE)
○ Debe fluctuar alrededor de 0
CECAP
● Variedad de modelos más sofisticados
○ Estacionalidad: ninguna, aditiva o multiplicativa.
○ Tendencia: ninguna, aditiva o multiplicativa.
CONSULTING
○ Atenuación de tendencia: ninguna o presente.

○ Box-Jenkins o promedio móvil integrado autorregresivo (ARIMA).
Componente de Estacionalidad
Ninguno Aditivo Multiplicativo
Ninguno Simple Doble
Aditivo Holt Holt-Winter
Aditivo Holt Atenuado

CECAP
Componente
de tendencia Atenuado
Multiplicativo
Multiplicativo
Atenuado
Construyendo modelos descriptivos-

CONSULTING
predictivos
Modelos “causales”
CECAP
Modelo Causal
•Usado cuando la demanda está correlacionada con algún factor del entorno que
CONSULTING
sea conocido y medible

• Demanda (y) es una función de alguna(s) variable(s) (x1, x2, . . . xk)
Dependiente Independiente(s)
CECAP
Ejemplo: Regresión Lineal Simple
Recordemos de una clase anterior sobre suavizado exponencial
• Estimación de parámetros iniciales para Holt-Winter (nivel, tendencia, estacionalidad)
• Se eliminó la estacionalidad para estimar el nivel inicial y la tendencia.
Conocido Desconocido
La relación se describe en términos de un modelo lineal.
• Los datos (xi, yi) son los pares observados a partir de los cuales tratamos de estimar los coeficientes Beta
para encontrar el "mejor ajuste"
• El término de error, ε, es la porción "no contabilizada" o "inexplicada"
• Se supone que los términos de error son iid ~ N (0, σ)
Demanda observada para el período 97

= y97 = 204
Error (residual) para el periodo 97

=
Demanda Estimada para periodo 97
105
Residuos o términos de error: Los residuos, ei, son la diferencia de los valores reales
menos los pronosticados
Encuentre las b que "minimizan los residuos"
● ¿Cómo debemos "minimizar" los residuos?

○ Suma mínima de errores: muestra sesgo, pero no es precisa.
○ Suma mínima de error absoluto: precisa y muestra sesgo, pero intratable.
○ Suma mínima de cuadrados de error: muestra sesgo y es precisa.
106
● Regresión de mínimos cuadrados (OLS)

● Encuentra los coeficientes (b0 y b1) que minimizan la suma de los términos de
CONSULTING
error al cuadrado.
● Podemos usar derivadas parciales para encontrar la condición de optimización
de primer orden con respecto a cada variable.
CECAP
Desarrollar Forecasting Model

#1
CONSULTING
Nivel y Tendencia
Desarrollar un OLS
Nivel Tendencia Periodo

CECAP
108
Modelo 1: Demanda=b0 + b1
CONSULTING
Interpretación:
• El modelo explica ~ 77% de la variación total de la demanda (¡muy bien!)

CECAP
• Tanto los términos B0 como B1 tienen sentido en términos de magnitud y signo
y son estadísticamente válidos (p <0.0001)
• Captura bien el nivel y la tendencia: observe cómo se utilizan todos los datos 109
Modelo 2:
CONSULTING
Demanda = Nivel + Tendencia(periodo) + efecto de la temperatura

CECAP
Interpretación:
• Agregar temperatura realmente no tiene un efecto en el ajuste del modelo
• La temperatura no es estadísticamente significativa.

111
A trabajar
CONSULTING
https://forms.gle/sBHhi5v9jjxyibBF6
CECAP
112
Puntos clave
● La regresión encuentra correlaciones entre
■ Una sola variable dependiente (y)
■ Una o más variables independientes (x1, x2, ...)
■ Los coeficientes se estiman minimizando la suma de los cuadrados de los errores
● Siempre pruebe su modelo
○ Bondad de ajuste (R2)
○ Significancia estadística de los coeficientes (valor p)
● • Algunas advertencias:
○ La correlación no indica causalidad
○ Evite el ajuste excesivo de datos
● • ¿Por qué no usar esto en lugar del suavizado exponencial?
○ Todos los datos tratados por igual
○ La cantidad de datos necesarios para almacenar 113
Problemas con la demanda intermitente
● Supongamos que tenemos un artículo que se ordena cada 6 meses por 1,000 unidades.
Demanda mensual promedio = 2000/12 = 167 unidades.
● ¿Qué sucede si realizo el pronóstico de la demanda usando suavizado exponencial simple?:
114
Demanda intermitente
● O, de manera más realista, mi demanda de producto es poco frecuente, de diferente tamaño, y
ordenada irregularmente.
● Pronosticar la demanda utilizando suavizado exponencial simple significa Ruído adicional.
● Separar los componentes de la demanda y modelar por separado:
○ Tiempo entre transacciones
○ Magnitud de transacciones individuales
115
Método de Croston
Proceso de demanda:
Si la demanda es independiente entre períodos de tiempo, entonces la

probabilidad que se produce una transacción es 1 / n, es decir:
El procedimiento de actualización sería:
Si xt = 0 (no se produce ninguna

transacción),
Dónde:
xt = Demanda en el período t
si xt > 0 (se produce una transacción), yt = 1 si la transacción ocurre en el período t, = 0 de lo
contrario
zt = Tamaño (magnitud) de la transacción en el tiempo t
nt = Número de períodos desde la última transacción
α = parámetro de suavizado para magnitud
Pronóstico: β = parámetro de suavizado para la frecuencia de la 116
transacción
Método de Croston: un ejemplo
● Usando los mismos datos:
○ Demanda promedio por año ~ 2,000 unidades
○ Tamaño y tiempo de transacción irregular entre
pedidos
○ Crear un pronóstico para la demanda utilizando el
método de Croston
117
● Esencialmente cambia la actualización solo después que un

CONSULTING
pedido ocurre.
● Suaviza el pronóstico para propósitos de reabastecimiento -
promedio de uso por período.
● Imparcial y tiene una varianza menor que el suavizado simple.
● Precauciones
○ La actualización poco frecuente introduce un retraso en la respuesta
a la magnitud cambios
CECAP
○ Uso recomendado de suavizado para MSE en los períodos de

transacción diferente de 0
118
Nuevo para el Mundo (Innovación

disruptiva)
CONSULTING
Primeros en su clase, crea nuevos

mercados, radicalmente diferente
Nuevo para la empresa

Nuevo mercado/categoría para la empresa,
pero no para el mercado.
CECAP
Extensiones de línea
Innovación incremental para complementar la
oferta existente dirigida al mercado actual de
la empresa
Mejoras en el producto
CONSULTING
Nuevo! Mejorado! Versiones nuevas de

productos existentes, mismo mercado objetivo -
reemplazar productos existentes
Nuevo para el Mundo (Innovación disruptiva)

Primeros en su clase, crea nuevos
mercados, radicalmente diferente
Reducción de costos
Versiones con precio reducido en mercado existente.
CECAP
120
¿Por qué importa esto?
Proyección de la demanda Líderes en Consultoría
Tecnología del Producto

CONSULTING
ACTUAL NUEVO
(Hay historico) (No hay historico)
(Hay historico)
Penetración del Mercado Desarrollo de Producto
ACTUAL
Tecnología del Mercado
Abordaje de la proyección de la
Adapted from
to Abordaje de la proyección de la
Kahn, demanda:
demanda:
Kenneth Análisis cuantitativo de productos
(2006) New Análisis cuantitativo de contexto
Product similares (Looks-Like)
Forecasting.
Series de tiempo, Suavizado Regresión de productos
Exponencial, Regresiones similares
Desarrollo del Mercado Diversificación

CECAP
(No hay historico)
demanda:
NUEVO
demanda:
Evaluar clientes y mercado para
Planificación por escenario.
encontrar variables influyentes.
Paneles de Clientes,
Delphi, Planificación por
Experimental. Sondeos, Grupos
escenario, Difusión de Bass.
Focales
CONSULTING
¿Por qué las empresas lanzan nuevos productos?

CONSULTING
● Las empresas reciben una gran cantidad de Ingresos y Ganancias de nuevos

productos:
○ Ingreso 21% al 48%
○ Ganancias 21% al 59% Ingresos Ganancias
● Por industria:
○ Productos de Consumo Masivo 24% 24%
○ Servicios al Consumidor Final 25% 24%
○ Químicos 18%
22%
○ Salúd 31%
CECAP
33%
○ Tecnología 47%
44%
● El Ciclo de Vida de los productos está en constante decrecimiento y/o la habilidad de

mantener el Pricing se está erosionando rápidamente
124
CONSULTING
CECAP Embudo de desarrollo de un nuevos productos
Pronóstico de nuevos productos:
"Se Parecen" o Pronóstico análogo
● Cómo hacerlo
○ Busque lanzamientos de productos comparables
○ Crear registro de ventas mes a mes (semana a semana)
○ Use el porcentaje de ventas totales como guía de trayectoria
○ Similar a usar "comps" en bienes raíces. (comparando viviendas con características similares para
determinar un precio)
● Analogía estructurada
○ Crear una base de datos de lanzamientos anteriores (ventas en el tiempo)
○ Caracterice cada lanzamiento por
■ Tipo de producto
■ Temporada de introducción
■ Precio
■ Demografía del mercado objetivo (Edad, Género, Ubicación)
■ Características físicas (Tamaño de Pantalla, Memoria, Peso, etc)
○ Use las características del nuevo producto para consultar lanzamientos antiguos
○ ¡Evita solo incluir lanzamientos exitosos!
Curva S para la tasa de adopción
Dos efectos que impulsan la adopción del producto:
○ Efecto de innovación (p)
■ Los innovadores son los primeros en adoptar: alta tendencia intrínseca a adoptar
■ Se sienten atraídos por la tecnología, independientemente de quién la esté usando más.
■ La demanda de los innovadores alcanza su punto máximo en la parte temprana en el ciclo de
vida del producto.
○ Efecto de imitación (q)
■ Los imitadores escuchan sobre el producto de boca en boca
■ Están influenciados por el comportamiento de sus compañeros y el contagio social
■ La demanda de imitadores alcanza su punto máximo más adelante en el ciclo de vida
Efecto Inovación Efecto Adopción
n(t)= p * [Potencial Remanente] + q * [Potencial Remanente]
Donde:
p : Coeficiente de innovación
q: Coeficiente de imitación
m: Número total de clientes que adoptarán
n(t): Número de clientes adoptando en el periodo t
n(t-1): Número acumulado de clientes al periodo t
Ejemplo: Ventas de iPhone Cuartil
Efecto
Innovación
Efecto
Imitación
Acum
N(t-1) n(t)
1 75 0 0 75
2 68 17 75 84
3 59 31 159 90
4 50 42 250 92
● La gerencia estima que el Iphone tiene un periodo de vida útil de 4
5 41 47 341 87
años con ventas totales de 750,000 unidades.
Ellos estiman p = 0.10 y q =0.25 para este producto. 6 32 46 429 78
● Ventas por trimestre: 7 24 41 507 65

○ Q1 = (0,10) (750-0) + (0,25) (0) (750-0) = 75k 8 18 34 572 52
○ Q2 = (0,10) (750-75) + (0,25) (75/750) (750-75) = 84k 9 13 26 624 39
○ Q3. . .
10 9 19 663 28
Dónde: 11 6 14 691 20
p= Coeficiente de innovación 12 4 9 710 13
q= Coeficiente de imitación 13 3 6 724 9
m= Número total de clientes que adoptarán
14 2 4 733 6
n (t) = Número de clientes que han adoptado en el tiempo t
N (t-1) = Número acumulado de clientes por tiempo t 15 1 3 739 4
16 1 2 743 3
Parámetros del Modelo de Difusión de Bass
● Entonces, ¿De dónde vienen estos valores de p & q? Valores típicos:
Buscar estudios previos - p ~ 0.03 y con frecuencia <0.01
● Identificar productos "similares" en términos de - q ~ 0.38 y 0.3≤q≤0.5
○ Contexto ambiental (por ejemplo, entornos

socioeconómicos y regulatorios)
○ Estructura del mercado (por ejemplo, barreras de
entrada, número de competidores)
○ Comportamiento del comprador (p. Ej.,
Consumidor, empresa)
○ Estrategias de marketing mix (por ejemplo,
promoción, precios)
○ Características de la innovación (por ejemplo,
complejidad, ventaja relativa)
* Los valores de los parámetros difieren con el tiempo y varían según las regiones.
* Bueno para estimar trayectorias de ventas - no ventas absolutas
* Proporciona una estimación del tiempo hasta las ventas pico: t * = ln (q / p) / (p + q)
Fuentes: Lilien G. y A. Rangasamy Marketing engineering, Revised 2nd Edition (2006), Kahn (2006), Bass, F (1969) “A New
Product Growth Model,” and Van den Bulte, C (2002) “Diffusion Speed Across countries & Products”
Estimando p & q de ventas recientes
Primero, Transformar el Modelo De Bass en una ecuación lineal
Segundo estimar la ecuación de regresión usando Tercero, vuelva y reemplace el valor de los
datos de períodos de ventas pasados parámetros
B
Donde:
A
Ejemplo: Difusión de Bass
Supongamos que disponemos de la información de ventas de los
primeros 5 trimestres de un lanzamiento de producto nuevo
Resultados de aplicar la regresión lineal:

Volver y resolver para p,q,m:
Use estos parámetros para estimar

Mi ecuación de regresión toma la siguiente forma:
ventas futuras o comparar con ventas
nt= 159,842 + (0,4765)Nt-1 - (0,000093)(Nt-1)^2 de productos similares en el pasado
● Muchos métodos de pronóstico y enfoques

● • Enfoques subjetivos
CONSULTING
○ Juicio: alguien en algún lugar sabe

○ Experimental: muestra local y extrapolada
● • Enfoques objetivos
○ Series temporales: coincidencia de patrones
■ Modelos simples (promedio móvil, acumulativo, ingenuo)
■ Suavizado exponencial: equilibrar información nueva y antigua
■ Las constantes suavizantes determinan el "nerviosismo" y la respuesta
■ Mucha contabilidad, actualización e inicialización complicada
○ Análisis causal: impulsores subyacentes
■ Regresión de mínimos cuadrados (MCO)
■ Una sola variable dependiente (y) y una o más variables independientes (x1, x2, ...)
CECAP
■ Probar el modelo y los coeficientes individuales

■ Cuidado: correlación ≠ causalidad y evitar el ajuste excesivo
● La mayoría de las empresas utilizan una cartera de diferentes técnicas y métodos.
133
● Casos especiales para pronósticos

CONSULTING
○ Nuevos productos
■ Sin historial: por lo tanto, se necesitan nuevos métodos
■ Pronóstico "Looks Alike"
■ Modelos de difusión (innovador e imitador)
■ Hay muchos más (IA)
○ Diferentes tipos de nuevos productos: diferentes métodos
■ Nuevo en el mundo
■ Nuevo en la empresa
■ Extensiones de línea
■ Mejoras de producto
■ Reposicionamiento del producto
CECAP
■ Reducciones de costos
■ Proceso de desarrollo de nuevos productos (etapas y puertas)
○ Demanda intermitente
■ Método de Croston: suaviza observaciones esporádicas e irregulares
● Comentarios de pronóstico final

○ Los problemas de datos dominan
CONSULTING
■ Los datos de ventas no son datos de demanda. Puede que tengas solicitudes no
registradas
■ Las transacciones pueden agregar y sesgar la demanda real ( Pedidos mínimos)
■ Los datos históricos pueden no existir
○ Cosas prácticas
■ Pronóstico (evitar sesgos) vs la gestión de inventario (Pedir un poco más solo por si
acaso)
■ Validez estadística vs. uso y costo del modelo.
■ La demanda no siempre es exógena
■ Error en la tendencia a lo largo del tiempo: ¿se está arrastrando?
CECAP
■ Costos ocultos de la complejidad:

Cuanto más complejo es el sistema y cuanto menor es la frecuencia de verificar y
actualizar los parámetros es menos probable que alguien que usa el sistema lo entienda y
menos probable que los equipos operativos confíen en la salida del modelo.
Formulación de un modelo
CONSULTING
Proceso estándar
1. Entender el problema de fondo, resolver
causas, no síntomas.
2. Determinar las variables de decisión (VD)
3. Formular función objetivo como una función
lineal de las VD.
CECAP
4. Formular restricciones como funciones

lineales de las VD.
5. Identificar límites superiores e inferiores de
las VD.
3er. paso: Decidir la
cantidad a Comprar O
Producir.
Políticas de
inventario
=
Cuándo y Cuánto
comprar
Clasificación del inventario
● Categorías financieras / contables Problema
○ Materias primas Rastrean el VALOR. No rastrean los costos de
oportunidad. Y realmente no ayudan a
○ Trabajo en proceso (WIP) determinar cómo quiero administrar mi
○ Componentes, productos semiacabados inventario.
○ Productos terminados
Tiempo del ciclo
● Roles Funcionales
○ Inventario del Ciclo (Cycle
INVENTARIO A MANO
Stock)
○ Inventario de seguridad
(Safety Stock)
STOCK STOCK STOCK
○ Inventario en tránsito o de CICLO CICLO CICLO
tuberías
PIPELINE Inventario de seguridad (Safety Stock)
TIEMPO
139
COSTO TOTAL
RELEVANTE
TRC
140
Costos relevantes totales
(TRC)
TC = Compra + Pedido + Mantenimiento + Escasez
● Cuatro componentes de costo estándar
○ Costo de compra (valor unitario)
○ Costo de pedido (puesta en marcha)
○ Costo de mantenimiento (sostener)
○ Costo de escasez
Una nota sobre la nomenclatura. . . todos los
141
textos difieren!
Costos relevantes
● Costos de compra (valor unitario)
c
○ unidades?
■ $ / Unidad
○ ¿Qué contiene?
■ Costo total devengado para adquirir el producto
○ ¿Cómo determinamos este número?
■ precio de compra o costo de fabricación
○ ¿Cuándo es relevante?
■ Cuando el precio de compra difiere con respecto a la cantidad o
tiempo de orden
142
Costos relevantes
● Costos de pedido (configuración)
ct
○ unidades?
■ $ / orden
■ Costo para colocar, recibir y procesar un lote de bienes
■ Incluye procesamiento, facturación, auditoría, mano de obra, etc.
■ En fabricación, configurar el costo de una carrera
■ Análisis de flujo de trabajo
■ Sumar todos los costos administrativos y de otro tipo y dividirlos
entre el total de pedidos
○ ¿Cuándo es relevante? 143
Costos relevantes
● Costos de mantener o Tener (Tenencia)
c*h = ce
■ unidades?
■ $ / unidad-tiempo donde h = % / $ inventario / tiempo
■ Costos necesarios para mantener el inventario
● Almacenamiento - $ / m2 o m3 - espacio ocupado de almacén
● Costos de servicio - $ / $ inv - seguro e impuestos
● Costos de riesgo - $ / artículo - perdido, robado (contracción),
dañado, obsoleto
● Costos de capital - $ / $ inv - costo de capital, tasa de obstáculo
■ Generalmente establecido por la gerencia
■ Vale la pena ver si alguno de los aspectos secundarios domina
○ ¿Cuándo es relevante? 144
■ Siempre que el inventario se mantenga por un período de tiempo
Costos relevantes
● Costos por escasez (falta de existencias o Desabastecimiento)
cs
○ unidades?
■ $ / unidad o $ / unidad / tiempo o $ / orden o. . . .
■ Costo de no tener un artículo en stock
● Pedido pendiente: el cliente esperará el artículo
● Ventas perdidas: el cliente se va a otro lado (llenar o matar)
● Ventas perdidas = clientes perdidos: el cliente desaparece para
siempre
● Costos de interrupción: detiene la línea de producción
■ Ingeniera del costo - determine valores específicos
■ Asumir implícitamente el costo estableciendo un nivel de servicio
establecido (Opción Viable) 145
Suposiciones de los
modelos de Reposición de
inventario o modelos de
abastecimiento
146
● Modelos de abastecimiento o reposición de inventario
○ Objetivo:
■ Encontrar una política óptima para administrar el
inventario
● La política consiste en:
○ Cuánto pedir (Q)
○ Cuándo ordenar (T):
■ Basado en el tiempo: Cada T unidades de tiempo
pedir Q.
■ Basado en la Cantidad: Cuando el inventario está a
un cierto nivel pedir Q.
■ Combinación de ambos.
147
Suposiciones del modelo de reabastecimiento
● Demanda ● Descuentos
○ constante vs. variable ○ Ninguno
○ Conocida (Determinista) vs. Aleatoria (Estocástica) ○ Todas las unidades vs
○ Continua vs. Discreta incremental vs una vez
● Tiempo de espera ● Exceso de demanda
○ instantáneo ○ Ninguno
○ constante vs. variable ○ Todos los pedidos están
○ determinista vs. estocástico pendientes
○ Abastecido internamente ○ pedidos perdidos
● Dependencia de artículos ○ sustitución
○ independiente ● Perecibilidad
○ correlacionado ○ Ninguna
○ contratado ○ Uniforme con el tiempo
● Tiempo de revisión ○ No lineal con el tiempo
○ continuo vs. periódico ● Horizonte de Planificación
● Número de ubicaciones ○ Período único
○ Una vs Multi vs Multi-Escalonada ○ Período finito
● Capacidad / recursos ○ Infinito
○ Ilimitado ● Número de ítems
○ Limitado / restringido ○ uno vs muchos
● Forma de producto
148
○ etapa única
Posición del
Inventario (IP)
= Demanda en el tiempo de entrega
Posición de inventario (IP) =
= D * L = μDL
Inventario en mano (IOH)
(ten cuidado con las dimensiones)
+
Inventario en Tránsito (IOT)
-
Pedidos pendientes
Demanda ¿Cuánto? Ordenar Q*
EOQ ¿Cuándo? Cada T* períodos de tiempo (IOH=0)
Determinista
¿Cuánto? Ordenar Q *
Todo está en NewsVendor ¿Cuándo? Al comienzo del período
tal que P[x≤Q] = Ratio Crítico
función a la
¿Cuánto? Ordenar IP-S*
chica de la One for One
¿Cuándo? Cuando ocurra la demanda
película (s,Q)
¿Cuánto? Ordenar Q (S-IP)
Sólo ¿Cuándo? Si IP ≤ s
uno
Contínua (s,S) ¿Cuánto? Ordenar (S-IP)
Demanda Periodos min-max ¿Cuándo? Si IP ≤ s
estocástica
Revisión ¿Cuánto? Ordenar hasta S
Estocástica = Aleatoria
Muchos (R,S) ¿Cuándo? Cada R períodos.
Periódica ¿Cuánto? Ordenar hasta S
(R,s,S)
¿Cuándo? Cada R períodos si IP ≤ s
si la Demanda
Es estable y
conocida…
EOQ
=
Solución
robusta
Hallar los valores óptimos Q* , T* y N*
N*= 1/T*
Con eso encontrar el costo total relevante y el costo total.

¿y si la demanda
es estocástica? Típico gráfico de demanda
estocástica
Estocástica = Aleatoria
Hallando P[Quiebre]
Pronóstico de Demanda ~ N(μDL=500, σDL=50)
SS= kσDL
Probabilidad de
desabastecimiento
durante un ciclo de
pedido
Probabilidad de NO
desabastecimiento Punto de
durante Reorden
Demanda promedio
un ciclo de pedido
pronosticada (μDL)
Distribución
Triangular
Demanda
probabilística:
Modelo de período
único
El problema del Vendedor de Periódicos
Newsvendor problem
157
Demanda ¿Cuánto? Ordenar Q*
EOQ ¿Cuándo? Cada T* períodos de tiempo (IOH=0)
Determinista
¿Cuánto? Ordenar Q *
Newsvendor ¿Cuándo? Al comienzo del período
tal que P[x≤Q] = Ratio Crítico
¿Cuánto? Ordenar IP-S*

One for One
¿Cuándo? Cuando ocurra la demanda
¿Cuánto? Ordenar Q (S-IP)

(s,Q)
Sólo ¿Cuándo? Si IP ≤ s
uno
Contínua (s,S) ¿Cuánto? Ordenar (S-IP)
Demanda Periodos min-max ¿Cuándo? Si IP ≤ s
estocástica
Revisión ¿Cuánto? Ordenar hasta S
Muchos (R,S) ¿Cuándo? Cada R períodos.
Periódica ¿Cuánto? Ordenar hasta S
(R,s,S)
¿Cuándo? Cada R períodos si IP ≤ s
● Items de moda, perecederos,
cálculo del tamaño de la flota,
Aparece en misiones espaciales, paros cívicos,
pandemias.
muchos casos
● Es una compensación tradicional
(Newsvendor) entre:
○ Tener mucho (Costo de
Utilizar siempre que tengas que exceso) Almacenar
hacer una apuesta firme frente a ○ Tener( costo de quedar corto)
● Conociendo estos costos de tu
una demanda incierta para un
producto puedes crear el ratio
solo periodo. (Un día, una
crítico
semana, dos semanas, un mes, ● CR= Cs / (Ce + Cs)
cualquier periodo)
CR
C
e
C Cs
e
Cs
Ratio crítico
=
Punto de equilibrio
160
Políticas de revisión
continua
Estructura del sistema (s, Q)
● Encontrar Q (Cantidad óptima del pedido)
○ Determina el nivel del stock de ciclo
○ Generalmente con EOQ.
● Encontrar s (Punto de reorden)

○ La demanda esperada durante el tiempo de entrega (pronóstico de demanda para el periodo de
entrega)
○ más un stock de seguridad o de amortiguación para enfrentar la variabilidad
s = μDL + kσDL
Punto de Reorden
Stock de seguridad
k = factor SS
Pronóstico de Demanda media
σDL = RMSE de pronóstico 162
en el plazo de entrega
¿Cuánto Ordenar?
Q* = EOQ
¿Cuándo Ordenar?
Nivel de Stock ≤ s
Revisión periódica (R, S)
● Muy comúnmente usado
● Use las reglas (s, Q) con transformaciones simples
Demanda durante
● Transformación conveniente de (s, Q) a (R, S) el
○ (s, Q) = Continuo, pedir Q cuando IP ≤ s periodo de revisión del
○ (R, S) = Periódico, pedir hasta S cada R períodos de tiempo inventario
+
● Permite el uso de todas las reglas de decisión (s, Q)
el tiempo de espera
○ s para sistema continuo se convierte en S para sistema (leadtime)
periódico
○ Q para el sistema continuo se convierte en D * R para el sistema
periódico
○ L para un sistema continuo se convierte en R + L para un
sistema periódico
● Enfoque
○ Hacer transformaciones
○ Resolver para un modelo continuo (s, Q) usando
transformaciones
○ Determinar la política final, de modo que
Lógica del Stock de seguridad
Hoja de Cálculo
166
“Que el quiebre de stock no sea por falta de esfuerzo”
Leonardo Garcia Razera

MITx Micromaster
Supply Chain Management
www.heuristica.biz
167
GRACIAS…
www.cecapconsulting.com
Cecap Consulting Entrenamiento de Consultores
+591 33433678
+591 76653990
cecap-bolivia@cotas.com.bo

Planificación de La Demanda (CECAP)

Cargado por

Información del documento

Derechos de autor

Formatos disponibles

Compartir este documento

Compartir o incrustar documentos

Opciones para compartir

¿Le pareció útil este documento?

¿Este contenido es inapropiado?

Copyright:

Formatos disponibles

Planificación de La Demanda (CECAP)

Cargado por

Copyright:

Formatos disponibles

Líderes en Consultoría

Guía elaborada por Leonardo García Razera

Estos son palets de BANANA.

Forma parte de una cadena de suministro

Tienen poco TIEMPO

El supermercado tiene la mayor parte de la ganancia pero

...y tiene un primo igual

“Debido a la tiranía del

● Hipermercado local cercano a universidades.

● Análisis de los bienes Secos (Aprox 8.000 SKUs).

Ejemplo de la Ley de Potencia, y=axk

Excepcionalmente presente en ● Frecuencia de citas de autor (Ley de Lotka)

● Frecuencia de palabras en un idioma (Ley de Zipf) ● Preguntas de estudiantes en clase.

Los pocos críticos contra los muchos triviales

Segmentación: Análisis ABC Caso importadora

Segmentación: Análisis ABC Caso

Coeficiente de Variación (CV) CV PROMEDIO

Estable: Técnicas un poco menos sofisticadas, revisión menos frecuente

Sin importancia: Técnicas no sofisticadas; Revisión muy poco frecuente

Para encontrar una T práctica:

2. Elija un período de tiempo base (día, semana, etc.)

3. Encuentre el valor más bajo de k que satisfaga:

= COMPRAR + PEDIR + ALMACENAR + DESABASTECER

a menudo, necesitará utilizar una combinación de enfoques.

dramáticamente según el DOW (DDS)

Las ventas también difieren

años y por més dentro de los

Identificando patrones en el pasado nos

Una decisión eficiente de

○ Valor donde la demanda se sitúa (media)

○ o Por hora, diario, semanal, mensual, trimestral, etc.

● Mean Absolute Deviation (MAD) Error/Desviación Mediå Absoluta (DMA)

3. Sumar y encontrar las Medias

P_t R_t e_t. Abs(e_t) e^2 % ABS

Miércoles 50 66 16 16 256 24%

Jueves 50 38 -12 12 144 32%

Viernes 75 86 11 11 121 13%

SUM 0 54 634 104%

n=5 Promedio 0 10,8 11,26 21%

● Proyecciones de corto plazo son

Medir ● Las proyecciones siempre son

1. Seleccionar un modelo apropiado de demanda con patrones sobre el tiempo.

2. Estimar y Calibrar los parámetros del modelo.

3. Pronosticar la demanda con los modelos y parámetros seleccionados

Nota - Podemos transformar la multiplicativa:

Nos enfocaremos en 4 Modelos

Muy Importante Dos supuestos extremos Nada Importante

Veamos el pronóstico de “Siguiente Periodo” para

t x_t Naïve ACUM

1 109 109,0 109,0

4 96 98 98,8 • Naïve es más sensible a los

t x_t Naïve M2 M4 M6 CUM

3 98 109 101 100,50

● Media Móvil es un modelo general

○ Valores “Prácticos” Generalmente usados de M (4, 6, 12, etc.)

● Hay patrones que se repiten en el tiempo.

○ Modelo Nivel: xt= a + et n

■ Media Móvil (M ítems por cada SKU)

Suavizado exponencial simple

● ¿Hay algo entre estos extremos?

○ Ponderar las observaciones más recientes más que las anteriores

Expandiendo y Recolectando términos:

Lo que nos lleva a esta forma general:

0 0,2 0,3 0,4 0,5 0,6 0,7 0,8