Documentos de Académico
Documentos de Profesional
Documentos de Cultura
de Operaciones
Pronósticos.
Mejor periodo para Práctico para Poco tiempo para Control de costo
incrementar la cambiar precio o cambiar imagen, crítico
precio, o calidad
participación en el calidad e imagen
mercado Costos competitivos
Fortalecer el nicho son críticos para
Es crítica la I&D de permanecer en el
ingeniería mercado
CD-ROMs
Buscadores en Internet
TVs Análogas
Drive-through
TVs de plasma y LCD restaurants
ventas iPods
3 1/2”
Xbox 360 Floppy
disks
Figura 2.5
Ciclo de vida del producto
introducción crecimiento madurez declinación
El diseño y pronóstico crítico Estandarización Pequeña
desarrollo del diferenciación
Estrategia de AO/ Temas
Fiabilidad de Cambios de
producto es crítico productos y producto menos de producto
Cambios procesos rápidos– mas Minimización
frecuentes en el Mejoras a la cambios menores de costos
diseño del competitividad Optima capacidad Sobre
producto y proceso del producto y capacidad en
Incremento en la
Corridas cortas de opciones estabilidad del la Industria
producción Incremento de proceso Eliminar
Altos costos de Capacidad Corridas mas productos con
producción Cambio hacia un largas de márgenes
enfoque de producción bajos
Modelos limitados
producto Mejoras al Reducir
Atención a la
Mejora de la producto y capacidad
calidad
distribución reducción de
costos
Figura 2.5
Tipo de pronósticos
Pronósticos económicos
Abordan el ciclo del negocio –tasas de
inflación, suministro de dinero, indicadores
de planeación, etc.
Pronósticos tecnológicos
Predice las tasas de progreso tecnológico
Impacta el desarrollo de nuevos productos
Pronósticos de la demanda
Predice las ventas de productos y servicios
existentes
Importancia estratégica del
pronóstico
Recursos humanos– contratación,
entrenamiento, despido de trabajadores
Capacidad – capacidad inadecuada puede
resultar en entregas poco confiables, pérdida
de clientes y pérdida de la participación en el
mercado.
Administración de la cadena de suministro–
buenas relaciones con proveedoresy
ventajas en los precios.
Siete pasos en pronósticos
Determinar el uso del pronóstico.
Seleccionar el artículo que se
pronosticará
Determinar el horizonte de tiempo del
pronóstico
Seleccionar el modelo de pronóstico
Recopilación de datos
Realizar el pronóstico
Validar e implementar los resultados
Realidades.
Los pronósticos casi nunca son
perfectos
La mayoría de las técnicas de pronóstico
supone la existencia de cierta estabilidad
subyacente.
Los pronósticos de familia de productos
y productos agregados son más precisos
que los de productos individuales.
Enfoques de Pronósticos
Metodos Cualitativos
Usados cuando la información
es vaga o existen pocos datos.
Nuevos productos
Nueva tecnología
Involucran intuición, experiencia
Pronostico de las ventas en
internet
Enfoque de Pronosticos
Métodos Cuantitativos
Utilizados cuando la situación es
“estable” y existen datos históricos.
Productos existentes
Tecnología actual
Involucran técnicas matemáticas
Ej Pronosticando Ventas de los
Televisores a color.
Revisión de los métodos
Cualitativos
Jurado de opinión ejecutiva
Pila de opiniones de los expertos de
alto nivel, algunas veces
argumentados por métodos
estadísticos.
Método Delphi
Panel de expertos, rondas iterativas
Revisión de los métodos
Cualitativos
Composición de la fuerza de ventas
Estimaciones individuales de los
vendedores son revisadas para
asegurar sean realistas, después
combinadas por región.
Encuesta en el mercado de
consumo
Se pide información a los clientes.
Jurado de Opinión Ejecutiva
Involucra un grupo
pequeño de expertos de
alto nivel o
administradores.
El grupo estima la demanda
trabajando juntos
Combinan la experiencia
con modelos estadísticos.
Relativamente rápido
Pensamiento grupal
desventajoso
Composición de la Fuerza de
Ventas
Cada vendedor proyecta sus ventas
Se combina a nivel distrital o
nacional
Ventas reporta lo que el cliente
quiere.
Tiende a ser excesivamente
optimista.
Método Delphi
Proceso de grupo Expertos
(evalúan
iterativo continuo respuestas y
hasta lograr el toman
consenso decisiones)
Tres tipos de Personal
participantes (administran
entrevistas)
Los que toman las
decisiones
personal Entrevistados
entrevistados (personas que
pueden hacer
juicios valiosos)
Encuesta en el mercado de consumo
tendencia cíclico
estacional aleatorio
Componentes de la demanda
Componente
de tendencia
Demanda para productos o servicios
Picos estacionales
Demanda
actual
Demanda
promedio a
Variación cuatro años
aleatoria
| | | |
1 2 3 4
año Figura 4.1
Componente de tendencia
Movimiento gradual, hacia arriba o
hacia abajo, de los datos en el
tiempo
Los cambios en la población,
tecnología, edades, cultura, etc.
Típicamente dura varios años.
Componente estacional
Patrón regular de
fluctuaciones arriba y abajo.
Clima, clientes, etc.
Ocurre dentro de un año.
Número de
Periodo Longitud estaciones
Semana Día 7
Mes Semana 4-4.5
Mes Día 28-31
Año Cuatrimestre 4
Año Mes 12
Año Semana 52
Componente cíclico
Movimientos repetitivos arriba y abajo
Afectado por factores del ciclo de
negocio, políticos y económicos.
Duración por varios años
Frecuente relaciones causales o
asociativas.
0 5 10 15 20
Componente aleatorio
Fluctuaciones erráticas, no
sistemáticas, residuales.
Asociados a variaciones aleatorias
o eventos impredecibles.
Duración corta y no repetible
L M M J V
Enfoque intuitivo
26 –
24 – reales
22 –
20 –
18 –
16 –
14 –
12 –
10 –
| | | | | | | | | | | |
E F M A M J J A S O N D
Promedio móvil ponderado
Utilizado cuando se presenta
tendencia.
Normalmente el dato más viejo es menos
importante
Los pesos están basados en la
experiencia y la intuición
20 –
Ventas
reales
15 –
10 – Promedio
móvil
5 –
| | | | | | | | | | | |
E F M A M J J A S O N
Figura 4.2
D
Suavización exponencial
Similar a un promedio móvil ponderado.
La ponderación disminuye exponencialmente.
El dato más reciente es el más pesado.
Requiere una constante suavización (α)
Es un número entre 0 to 1
Seleccionada subjetivamente
Considera mantener un registro pequeño
de datos históricos.
Suavización exponencial
Nuevo pronóstico= pronóstico periodo anterior
+ α (demanda real periodo anterior
– pronóstico periodo anterior)
Ft = Ft – 1 + α(At – 1 - Ft – 1)
Ponderación asignada a
periodo periodo periodo periodo periodo
más 2do más 3o más 4to más 5to más
constante reciente reciente reciente reciente reciente
suavización (α) α(1 - α) α(1 - α)2 α(1 - α)3 α(1 - α)4
α = .1 .1 .09 .081.073.066
α = .5 .5 .25 .125.063.031
Impacto de diferentes α
225 –
200 –
Demanda α = .5
real
demanda
175 –
150 –
α = .1
| | | | | | | | |
1 2 3 4 5 6 7 8 9
cuatrimestre
Impacto de diferentes α
225 –
200 –
Actual α = .5
Se seleccionan valores
demand
Demand
altos de α cuando el
175 –
promedio subyacente
probablemente cambie
Se– utilizan valores bajos
150
α = .1
de α cuando
| | | el
| promedio
| | | | |
es estable
1 2 3 4 5 6 7 8 9
Cuatrimestre
Seleccionando α
El objetivo es obtener el pronóstico
mas preciso, sin importar la tecnica.
∑
i=1
100|Reali - Pronósticoi|/Reali
MAPE = n
Comparación de Errores del
Pronóstico
Desviación Desviación
Tonelaje Pronóstico Absoluta Pronóstico Absoluta
Real con para con para
Trimestre Descargado α = .10 α = .10 α = .50 α = .50
1 180 175 5.00 175 5.00
2 168 175.5 7.50 177.50 9.50
3 159 174.75 15.75 172.75 13.75
4 175 173.18 1.82 165.88 9.12
5 190 173.36 16.64 170.44 19.56
6 205 175.02 29.98 180.22 24.78
7 180 178.02 1.98 192.61 12.61
8 182 178.22 3.78 186.30 4.30
82.45 98.62
Comparación de Errores del
pronóstico
∑ |Desviaciones|
Rounded Absolute Desviación
MAD
Actual= Forecast n Deviation Pronóstico Absoluta
Tonnage withfor con para
Quarter Unloaded α = .10 α = .10 α = .50 α = .50
Para α = .10
1 180 175 5.00 175 5.00
2 168 175.5 =7.50
82.45/8 = 10.31
177.50 9.50
3 159 174.75 15.75 172.75 13.75
4 Para α = .50
175 173.18 1.82 165.88 9.12
5 190 173.36 16.64 170.44 19.56
6 205 175.02=29.98
98.62/8 = 12.33
180.22 24.78
7 180 178.02 1.98 192.61 12.61
8 182 178.22 3.78 186.30 4.30
82.45 98.62
Comparación de Errores del
Pronóotico
∑ (Errores de pronóstico)2
= Rounded
MSEActual Forecast
Absolute
nDeviation
Desviación
Pronóstico Absoluta
Tonnage withfor con para
Quarter Unloaded α = .10 α = .10 α = .50 α = .50
Para α = .10
1 180 175 5.00 175 5.00
= 1,526.54/8
2 168 175.5 7.50 = 190.82
177.50 9.50
3 159 174.75 15.75 172.75 13.75
4 Para α = .50
175 173.18 1.82 165.88 9.12
5 190 173.36 16.64 170.44 19.56
= 1,561.91/8
6 205 175.02 29.98 180.22 = 195.24
24.78
7 180 178.02 1.98 192.61 12.61
8 182 178.22 3.78 186.30 4.30
82.45 98.62
MAD 10.31 12.33
Comparación
n
de Errores del
pronóstico
∑100|Desviación i
|/Reali
i=1
Rounded Absolute Desviación
MAPE = Forecast Deviation
Actual n Pronóstico Absoluta
Tonnage withfor withpara
Quarter Unloaded α = .10 α = .10 α = .50 α = .50
1
Para α = .10175 5.00
180 175 5.00
2 = 44.75/8
168 175.5 7.50 177.50 =9.50
5.59%
3 159 174.75 15.75 172.75 13.75
4 Para α =1.82
175 173.18 .50 165.88 9.12
5 190 173.36 16.64 170.44 19.56
6 = 54.05/8
205 175.02 29.98 180.22=24.78
6.76%
7 180 178.02 1.98 192.61 12.61
8 182 178.22 3.78 186.30 4.30
82.45 98.62
MAD 10.31 12.33
MSE 190.82 195.24
Comparación de Errores del
Pronóstico
Desviación Desviación
Tonelaje Pronóstico Absoluta Pronóstico Absoluta
Real con para con para
Trimestre Descargado α = .10 α = .10 α = .50 α = .50
1 180 175 5.00 175 5.00
2 168 175.5 7.50 177.50 9.50
3 159 174.75 15.75 172.75 13.75
4 175 173.18 1.82 165.88 9.12
5 190 173.36 16.64 170.44 19.56
6 205 175.02 29.98 180.22 24.78
7 180 178.02 1.98 192.61 12.61
8 182 178.22 3.78 186.30 4.30
82.45 98.62
MAD 10.31 12.33
MSE 190.82 195.24
MAPE 5.59% 6.76%
Suavización Exponencial con
Ajuste de Tendencia
Cuando una tendencia esta presente, la
suavización exponencial debe ser
modificada.
Pronóstico Pronóstico Tendencia
Incluyendo (FITt) = Suavizado (Ft) + (Tt) suavizada
la tendencia exponencialmente exponencialmente
Suavización Exponencial con
Ajuste de Tendencia
Ft = α(At - 1) + (1 - α)(Ft - 1 + Tt - 1)
Tt = β(Ft - Ft - 1) + (1 - β)Tt - 1
Paso 1: Calcule Ft
Paso 2: Calcule Tt
Paso 3: Calcule el pronóstico FITt = Ft + Tt
Suavización Exponencial con Ajuste de
Tendencia
Ejemplo
Pronóstico
Demanda Pronóstico Tendencia Incluyendo
Mes(t) Real (At) suavizado, Ft Suavizada, Tt Tendencia, FITt
1 12 11 2 13.00
2 17
3 20
4 19
5 24
6 21
7 31
8 28
9 36
10
Tabla 4.1
Suavización Exponencial con Ajuste de
Tendencia
Ejemplo
Pronóstico
Demanda Pronóstico Tendencia Incluyendo
Mes(t) Real (At) suavizado, Ft Suavizada, Tt Tendencia, FITt
1 12 11 2 13.00
2 17
3 20
4 19
5 24 Paso 1: Pronóstico para el mes 2
6 21
7 31
F2 = αA1 + (1 - α)(F1 + T1)
8 28 F2 = (.2)(12) + (1 - .2)(11 + 2)
9 36
10 = 2.4 + 10.4 = 12.8 unidades
Table 4.1
Suavización Exponencial con Ajuste de
Tendencia
Ejemplo
Pronóstico
Demanda Pronóstico Tendencia Incluyendo
Mes(t) Real (At) suavizado, Ft Suavizada, Tt Tendencia, FITt
1 12 11 2 13.00
2 17 12.80
3 20
4 19
5 24
Paso 2: Tendencia para mes 2
6 21
7 31
T2 = β(F2 - F1) + (1 - β)T1
8 28 T2 = (.4)(12.8 - 11) + (1 - .4)(2)
9 36
10 = .72 + 1.2 = 1.92 unidades
Table 4.1
Suavización Exponencial con Ajuste de
Tendencia
Ejemplo
Forecast
Actual Smoothed Smoothed Including
Mes) Demand (At) Forecast, Ft Trend, Tt Trend, FITt
1 12 11 2 13.00
2 17 12.80 1.92
3 20
4 19
5 24 Step 3: Calcular FIT para el mes 2
6 21
7 31 FIT2 = F2 + T1
8 28 FIT2 = 12.8 + 1.92
9 36
10 = 14.72 Unidades
Table 4.1
Suavización Exponencial con Ajuste de
Tendencia
Ejemplo
Forecast
Actual Smoothed Smoothed Including
Month(t) Demand (At) Forecast, Ft Trend, Tt Trend,
FITt
1 12 11 2 13.00
2 17 12.80
15.18 1.92
2.10 14.72
17.28
3 20 17.82 2.32 20.14
4 19 19.91 2.23 22.14
5 24 22.51 2.38 24.89
6 21 24.11 2.07 26.18
7 31 27.14 2.45 29.59
8 28 29.28 2.32 31.60
9 36 32.48 2.68 35.16
10
Table 4.1
Suavización Exponencial con Ajuste de
Tendencia
Ejemplo
35 –
25 –
20 –
15 –
0 –
| | | | | | | | |
1 2 3 4 5 6 7 8 9
Figura 4.3
Tiempo(meses)
Proyecciones de tendencia
Ajusta una recta de tendencia a una serie de
datos puntuales históricos y los proyectan a
mediano y largo plazo
La tendencia lineal puede ser encontrada
utilizando la técnica de mínimos cuadrados
y^ = a + bx
^ donde y = valor calculado de la variable
que debe predecirse(variable dependiente)
a = intersección con el eje y
b = pendiente de la recta de regresión
x = variable independiente
Método de mínimos cuadrados
Valores de la variable dependiente
desviación5 desviación6
desprecian3
desviación4
desviación1
(error) desviación2
^ = a + bx
Recta de tendencia, y
desviación5 desviación6
cuadrado (desviaciones))
desviación1
desviación2
^ = a + bx
Recta de tendencia, y
Σxy -
b=
nxy
Σx2 - nx2
a = y - bx
Ejemplo de mínimos cuadrados
demanda de
añoperiodo(x) energía eléctrica x2 xy
2001 1 74 1 74
2002 2 79 4 158
2003 3 80 9 240
2004 4 90 16 360
2005 5 105 25 525
2005 6 142 36 852
2007 7 122 49 854
∑x = 28∑y = 692 ∑x2 = 140 ∑xy = 3,063
x = 4 y = 98.86
∑xy - nxy 3,063 - (7)(4)(98.86)
b= = 140 - (7)(42) =
∑x2 - nx2
10.54
a = y - bx = 98.86 - 10.54(4) = 56.70
Ejemplo de mínimos cuadrados
demanda de
añoperiodo(x) energía eléctrica x2 xy
1999 1 74 1 74
2000 2 79 4 158
La recta de tendencia es:
2001 3 80 9 240
2002 4 90 16 360
2003 5 y^ =105
56.70 + 10.54x
25 525
2004 6 142 36 852
2005 7 122 49 854
Σx = 28 Σy = 692 Σx2 = 140 Σxy = 3,063
x = 4 y = 98.86
Σxy - 3,063 - (7)(4)(98.86)
b= nxy = 140 - (7)(42) =
10.54 2
Σx - nx2
a = y - bx = 98.86 - 10.54(4) = 56.70
Ejemplo de mínimos cuadrados
160 –
Recta de tendencia,
150 – y^ = 56.70 + 10.54x
Demanda de energía
140 –
130 –
120 –
110 –
100 –
90 –
80 –
70 –
60 –
50 –
| | | | | | | | |
2001 2002 2003 2004 2005 2006 2007
2008 2009 Año
Requisitos de los mínimos cuadrados
El modelo estacional
multiplicativo puede
ajustar la tendencia de
los datos para
variaciones
estacionales en la
demanda
Variaciones Estacionales en los datos
Pasos en el proceso:
1. Encontrar la demanda histórica promedio
para cada estación.
2. Calcular la demanda promedio de todas las
estaciones
3. Calcular un índice estacional para cada
estación
4. Estimar la demanda total del siguiente año.
5. Dividir esta estimación de la demanda anual
entre el numero de estaciones, después
multiplicar por el índice estacional de la
estación.
Ejemplo Índice Estacional
Demanda Promedio Promedio Índice
Mes 2005 2006 2007 2005-2007 Mensual Estacional
Ene 80 85 105 90 94
Feb70 85 85 80 94
Mar80 93 82 85 94
Abr90 95 115 100 94
May 113 125 131 123 94
Jun110 115 120 115 94
Jul 100 102 113 105 94
Ago 88 102 110 100 94
Sept 85 90 95 90 94
Oct 77 78 85 80 94
Nov 75 72 83 80 94
Dic 82 78 80 80 94
Ejemplo Índice Estacional
Demanda Promedio Promedio Índice
Mes 2005 2006 2007 2005-2007 Mensual
Estacional
Ene 80 85 105 90 94 0.957
Feb70 85 85 80 94
Mar80 93 82 85 94
Demanda Promedio Mensual 2005-2007
Índice Estacional
Abr90 95 115=100 94Demanda promedio mesual
May 113 125 131 123 94
= 90/94 = .957
Jun110 115 120 115 94
Jul 100 102 113 105 94
Ago 88 102 110 100 94
Sept 85 90 95 90 94
Oct 77 78 85 80 94
Nov 75 72 83 80 94
Dic 82 78 80 80 94
Ejemplo Índice Estacional
Demanda Promedio Promedio Índice
Mes 2005 2006 2007 2005-2007 Mensual
Estacional
Ene 80 85 105 90 94 0.957
Feb70 85 85 80 94 0.851
Mar80 93 82 85 94 0.904
Abr90 95 115 100 94 1.064
May 113 125 131 123 94 1.309
Jun110 115 120 115 94 1.223
Jul 100 102 113 105 94 1.117
Ago 88 102 110 100 94 1.064
Sept 85 90 95 90 94 0.957
Oct 77 78 85 80 94 0.851
Nov 75 72 83 80 94 0.851
Dic 82 78 80 80 94 0.851
Ejemplo Índice Estacional
Demanda Promedio Promedio Índice
Mes 2005 2006 2007 2005-2007 Mensual
Estacional
Ene 80 85 105 90 94 0.957
Feb70 85 85 80 Pronóstico
94 0.851 para 2008
Mar80 93 82 85 94 0.904
Abr90 95 Demanda
115 100 94anual
1.064esperada = 1,200
May 113 125 131 123 94 1.309
Jun110 115 120 115 94 1,200
1.223
Ene
Jul 100 102 113 105 94x 1.117
.957 = 96
12
Ago 88 102 110 100 94 1.064
Sept 85 90 95 90 1,200 94 0.957
Feb x .851 = 85
Oct 77 78 85 80 94 0.851 12
Nov 75 72 83 80 94 0.851
Dic 82 78 80 80 94 0.851
Ejemplo Índice Estacional
2008 Pronóstico
140 – 2007 Demanda
130 – 2006 Demanda
120 – 2005 Demanda
Demanda
110 –
100 –
90 –
80 –
70 –
| | | | | | | | | | |
|
J F M A M Tiempo
J J A S O N
D
Pronósticos Asociativos
Usado cuando los cambios en una o mas
variables independientes pueden ser
utilizadas para predecir los cambios en una
variable dependiente
La técnica mas común es el
análisis de regresión lineal
1.0 –
| | | | | | |
0 1 2 3 4 5 6 7
Nomina del área
Ejemplo Pronóstico
Asociativo
Ventas, y Nomina, x x2 xy
2.0 1 1 2.0
3.0 3 9 9.0
2.5 4 16 10.0
2.0 2 4 4.0
2.0 1 1 2.0
3.5 7 49 24.5
∑y = 15.0 ∑x = 18∑x2 = 80 ∑xy = 51.5
1.0 –
Ventas = 1.75 + .25(6)
Ventas = $3,250,000
| | | | | | |
0 1 2 3 4 5 6 7
Nomina del área
Error Estándar de la
Estimación
Un pronostico es solo un punto
estimado de un valor futuro
Este punto es 4.0 –
realmente la 3.0 –
3.25
media de una
distribución ventas
2.0 –
de probabilidad 1.0 –
| | | | | | |
0 1 2 3 4 5 6 7
Figura 4.9 Nomina del área
Error Estándar de la
Estimación
∑(y - yc)2
Sy,x =
n-2
4.0 –
Sy,x = .306
3.0 –
3.25
ventas
El error estandar 2.0 –
de la estimación es
$306,000 en ventas 1.0 –
| | | | | | |
0 1 2 3 4 5 6 7
Nomina del área
Correlación
¿Que tan fuerte es la relación lineal
entre las variables?
La correlación no implica
necesariamente causalidad!
El coeficiente de correlación, r,
mide el grado de asociación
El rango de valores e -1 to +1
Coeficiente de Correlación
nΣxy - ΣxΣy
r=
[nΣx2 - (Σx)2][nΣy2 -
(Σy)2]
y y
Coeficiente de Correlación
nΣxy - ΣxΣy
r=
[nΣx2 - (Σx)2][nΣy2 -
(a) Correlación x (b) Correlación Positiva: x
2 0<r<1
Positiva Perfecta:
r = +1
(Σy) ]
y y
Señal de RSFE
=
control MAD
∑(Demanda real en
el periodo i -
Demanda pronosticada
Señal de en el periodo i)
=
control (∑|Real- Pronóstico|/n)
Señal de control
La Señal excedió el limite
+ Señal de control
Limite superior de control
0 MADs
Rango
aceptable
–
Tiempo
Ejemplo Señal de rastreo
Error
Error Absoluto
Demanda Demanda Absoluto Acumulado
Trim Real Pronosticada Error RSFE Pronosticado Pronosticado MAD
15% –
10% –
5% –
10% –
8% –
6% –
4% –
2% –
0% –
2 4 6 8 10 12 2 4 6 8 10 12
A.M. P.M.
Hora del día
Figura 4.12