PRONSTICOS

ING. LVARO JUNIOR CAICEDO ROLN

CONCEPTO

Se define como la estimacin de la demanda de uno o varios productos en un futuro para una empresa.

Pronstico (KRAJEWSKI): es una prediccin de eventos futuros que se utilizan con propsitos de planificacin
Diferencia entre pronstico y prediccin Pronstico: utiliza tcnicas como la serie de tiempos y modelos estructurados Prediccin: se basa en juicios cualitativos

PRONSTICO EN LAS AREAS FUNCIONALES

FINANZAS Presupuestos y control de costos.

MERCADOTECNIA Ventas para los planes de nuevos productos, para remunerar al personal de ventas.

MANUFACTURA -Capacidad de la fbrica -Nmero de trabajadores requeridos -Decisiones respecto a inventarios -Planes y programas de produccin -Requisicin de materiales e insumos

COMPONENTES DE LA DEMANDA O PATRONES DE LA DEMANDA

1. Factores cclicos

La influencia cclica en la demanda pueden provenir de hechos tales como: la guerra, condiciones econmicas, moda, etc.

2. Variaciones aleatorias

Son productos de hecho fortuitos, es aquella en la que no existe un patrn reconocible de los datos

3. La tendencia

Lineal

3. La tendencia

Exponencial

3. La tendencia

En forma de S

3. La tendencia

Asntota

4. Horizontal

Los datos varan entorno a una media constante

4. Estacionalidad

Son las variaciones segn la temporada y corresponden a fluctuaciones que tienen lugar en un periodo de tiempo dado y se repiten en el mismo periodo.

FACTORES QUE AFECTAN LA DEMANDA

Factores externos:

no se tiene control

Economa creciente

Reglamentacin del gobierno

Incremento en la construccin

Gustos en los consumidores

Mezcla de mercado por parte de la competencia

El xito de un producto afecta a sus complementarios

Factores internos: son decisiones internas que provocan cambios en la demanda

Diseo del producto

Mezcla de mercado

Expansin del mercado

Contraccin del mercado

TIPO DE TCNICA DE PRONSTICO

TIPO DE TCNICA DE PRONSTICO

MTODOS CUALITATIVOS (mtodos de juicio)

MTODOS CUANTITATIVOS

Pronstico de la demanda vs horizonte de planificacin

Corto plazo (0-3 meses)

Mediano plazo(3 meses-2 aos)

Largo plazo(>2aos)

TECNICA DE PRONSTICO

Serie de tiempo Causal juicio

Causal juicio

Causal juicio

1. MTODOS CUALITATIVOS (mtodos de juicio):

Considera las opiniones de gerentes, expertos, estimacin de la fuerza de ventas, encuestas de consumidores. Se traducen en estimaciones cuantitativas. Son subjetivos o simples juicios y se basan en clculos y opiniones Se usan cuando no existen datos histricos, se presenta un nuevo producto o cambia de tecnologa

1. MTODOS CUALITATIVOS (mtodos de juicio):

RAZ DE PASTO (estimacin de la fuerza de ventas)

Ventaja: La fuerza de ventas tiene mayores probabilidades de saber que comprarn los clientes en el futuro y en que cantidades.

Los pronsticos individuales se combinan para obtener cifras regionales o nacionales

Desventaja: Algunos vendedores son optimistas y otros cautelosos lo cual puede introducir sesgos en el pronstico.

El personal puede subestimar los pronsticos individuales para que el rendimiento futuro supere las proyecciones o para esforzarse menos (cuando se trabaje por medidas de rendimiento por vendedor)

1. MTODOS CUALITATIVOS (mtodos de juicio):

INVESTIGACIN DEL MERCADO: Rene datos por diferentes medios (encuestas, entrevista)

Desventaja: los resultados de la encuesta no reflejan las opiniones del mercados).

1. MTODOS CUALITATIVOS (mtodos de juicio):

CONSENSO DE EXPERTOS (OPININ EJECUTIVA) Desventajas: El juicio u opinin de una persona de ms alto nivel probablemente tenga ms relevancia que el de una persona de un nivel ms bajo, en el peor de los casos se sienten intimidados y no expresan lo que verdaderamente piensa.

Puede ser costosa Requiere mucho tiempo

1. MTODOS CUALITATIVOS (mtodos de juicio):

ANALOGA HISTRICA: Cuando se trata de pronosticar la demanda de un producto nuevo, la situacin ideal es que se pueda usar como modelo un producto existente o un producto genrico,

KALA

1. MTODOS CUALITATIVOS (mtodos de juicio):

MTODO DELPHI: Oculta la identidad de las personas que participan en el estudio dando a cada individuo la misma importancia.

Desventaja El proceso es muy largo (ms de un ao) por lo que el panel de expertos puede cambiar alargando el proceso Su calidad es entre regular y buena para la identificacin de puntos de flexin en la demanda de nuevos productos.

2. MTODOS CUANTITATIVOS

Anlisis de series de tiempo: mtodo estadstico que depende en alto grado de datos histricos de la demanda, con los que se proyectan la demanda futura y reconoce las tendencias y patrones estacinales. Mtodos causales: utilizan datos histricos de variables independientes como campaas de promocin, condiciones econmicas y actividades de los competidores.

ANLISIS DE SERIES DE TIEMPO

Anlisis de series de tiempo

Busca prever el futuro, con base en datos del pasado

Son de naturaleza reactiva.

Usan informacin histrica que solo se refiere a la variable dependiente (ventas)(KRAJEWSKI ).

Se aplica a los patrones de demanda tipo horizontal y tendencia.

Anlisis de series de tiempo

Promedio

Simple

Desventaja: al tener en cuenta todos los datos histricos, llega un momento donde las demandas reales que se agregan no modifican el pronstico futuro.

Formula: Ft : Donde: ft = pronostico para el periodo futuro A t -1 = demanda real del periodo ms reciente A t -2 = demanda de hace 2 periodos A t - n = demanda de hace n periodos n = Nmero de periodos A t-1+ A t-2 ..+A t-n n

Anlisis de series de tiempo

Pronstico

emprico

Alternativas
Ft = A t-1
Ft = A t-1 + Considera incremento o disminucin estacionalidad

Anlisis de series de tiempo

Promedio

Movible Simple

Combina los datos de la demanda de la mayor parte de los periodos recientes, siendo su promedio el pronstico para el periodo siguiente.

Se caracteriza porque todas las demandas tienen el mismo peso o importancia, se puede emplear un promedio movible de 2 a 20 periodos, pero al tomar la decisin hay que continuar usando el mismo nmero de periodos

Cuando los datos de la demanda son poco variables se recomienda tomar bastantes periodos y viceversa.

Formula: Ft : A t-1+ A t-2 ..+A t-n n

Donde:

ft = pronstico para el periodo futuro A t -1 = demanda del periodo pasado A t -2 = demanda de hace 2 periodos A t - n = demanda de hace n periodos n = Nmero de periodos

Promedio Movible Simple

Se usa cuando

La demanda de un producto no crece ni disminuye velozmente y no incluye caractersticas de estacionalidad

Cuando la demanda presenta un patrn horizontal y aleatorio

Promedio Movible Simple

Desventaja (requisitos): Todos los elementos individuales deben estar en forma de datos, porque un nuevo pronstico del periodo requiere que sumemos datos nuevos y que eliminemos datos ms antiguos. Requiere una histricos. cantidad importante de datos

Para n datos puede resultar tedioso

Anlisis de series de tiempo

Promedio Movible Ponderado

Permite adjudicar una importancia o peso cualquiera a cada elemento o periodo, siempre y cuando todos los valores sumen 1 o 100%. Formula: ft : W1 At 1 + W2 At 2 + W3 At 3 ..+ Wn At n

Donde: ft = pronstico para el periodo futuro W1 = peso que se le dar a la venta real en el periodo t -1 W2 = peso que se le dar a la venta real en el periodo t -2 W3 = peso que se le dar a la venta real en el periodo t -3 W n = peso que se le dar a la venta real en el periodo t n n = Nmero total de periodos del pronostico
Wi = 1

Cmo elegir los pesos?

1.

La experiencia, prueba y error (Excel)

2.

Por lo general el pasado ms reciente es el indicador ms importante de lo que podemos esperar para el futuro, y por tanto este debe tener mayor peso.

3.

Cuando los datos son variables se debe determinar los pesos en consecuencia; es decir, se le asignara mayor peso a las mayores demandas y menor peso a las menores demandas.

Promedio Movible Ponderado

Ventaja: puede modificar los efectos de los datos pasados (pesos o importancia)

Desventaja: su uso es ms complicado y caro que el mtodo exponencial aminorado. Se necesitan bastantes datos. Los costos de obtener y actualizar datos pueden ser altos.

Anlisis de series de tiempo

Exponencial

Aminorado

(Suavizacin

Exponencial)
Considera que los datos ms recientes indican mejor el futuro que los de un pasado distante, Es ms fcil de usar y es ms lgico Se usa cuando los cambios de tendencia no son muy grandes o pronunciados Es la tcnica ms utilizada para pronosticar a corto plazo

DATOS
alfa (), constante de atenuacin, tasa de reaccin, El pronstico ms constante de La demanda real reciente ajuste que ocurri en ese (pronstico del exponencial, periodo ltimo periodo) parmetro suavizador. (0<= <=1)

Seleccin de la constante de atenuacin

(5%<= <=10%). Cuando una empresa tiene una demanda relativamente estable o uniforme. Entre la demanda real y la proyectada hay una diferencia pequea

(15%<= <=30%). Cuando una empresa registra una demanda inestable, se da mayor importancia al crecimiento o disminucin registrada recientemente, si continua la tendencia de la demanda el alfa es an mayor.

Ventaja

Los modelos exponenciales son ms acertados (que los anteriores modelos) Es relativamente fcil (simplicidad) Se requiere pocos clculos

Necesita una cantidad mnima de datos histricos

Desventaja
Cuando

la serie de demanda muestran tendencia significativa, se debe usar un alfa alto, sin embargo los resultados del exponencial aminorado se retrasan.

Ante

tendencias pronunciadas o muy fuertes el E.A. se queda corto

Ecuacin para un solo pronstico

ft = ft -1 + ( At -1 - ft -1 ) ft = At -1 + (1- ) ft -1

Donde:

ft = pronstico exponencial aminorado para el periodo t ft -1 = pronstico del periodo anterior At -1 = demanda del periodo anterior = constante de atenuacin, aislamiento, reaccin

Se llama exponencial aminorado porque cada incremento en el pasado debe disminuir en (1- ). por ejemplo si = 0.3, entonces
Ponderacin con = 0.3 0.3 0.21 0.15 0.10

Ponderacin ms reciente Datos de un periodo pasado Datos de dos periodos pasado Datos de tres periodos pasado

= (1- )0
= (1- )1 = (1- )2 = (1- )3

Pronstico inicial

Para calcular el pronstico inicial hay varias formas:

1. usar la demanda del primer periodo (CHASE) 2. si se dispone de datos histricos, calcular el promedio simple de los tres primeros periodos (KRAJEWSKI) 3. promedio simple de las demandas disponibles (Germn Mndez. U. distrital)

Anlisis de series de tiempo

Exponencial Aminorado con Tendencia (Suavizacin Exponencial ajustada a la tendencia)

Se necesitan dos constantes de atenuacin

= constante de atenuacin para la ecuacin del pronstico (0<= <=1)

o = constante de atenuacin para la ecuacin de la tendencia (0<= <=1)

Ventaja: es capaz de ajustar el pronstico a los cambios registrados en la tendencia

Ecuacin para el pronstico con tendencia incluida:

FIT t = Ft + Tt Ft = At -1 + (1- ) (Ft -1 + T t 1 ) T t = (Ft - Ft 1 ) + T t 1 (1 - )

Donde:

Ft = pronstico aminorado exponencialmente para el periodo t Tt = tendencia aminorada exponencialmente para el periodo t FIT t = pronstico que incluye tendencia para el periodo t At -1 = demanda real del periodo anterior = constante de atenuacin para la ecuacin de pronstico = constante de atenuacin para la ecuacin de tendencia

ERRORES DEL PRONSTICO

Errores sesgados

CHASE (2005). Se presenta cuando un error es cometido constantemente. Una fuente del sesgo es cuando se emplea una lnea equivocada para una tendencia y cuando se mueve equivocadamente la demanda estacional del punto donde suele ocurrir. (Cuando el intervalo del pronstico es corto).

KRAJEWSKI. Son equivocaciones cometidas constantemente donde se observa que el pronostico ser siempre demasiado alto o demasiado bajo

Errores aleatorios

CHASE (2005) Son aquellos que el modelo de pronstico empleado no puede explicar.

KRAJEWSKI. Ocurre cuando se presentan factores imprevisibles que hacen que el pronstico se desve de la demanda real.

MEDICIONES DEL ERROR

 Et

= At Ft

Donde:

Et = error del pronstico para el periodo t At = demanda real para el periodo t Ft = pronstico para el periodo t

1. SUMA CORRIENTE DE ERRORES DEL PRONOSTICO (SCEP)(CFE)

Mide el error total de un pronstico. Consiste en la suma de errores tanto positivos como negativos de un pronstico.

SCEP = Et = (At Ft)

No es bueno que sea positivo porque indica desabasto Es preferible que sea negativo (cercano a cero). Hay inventarios

EL CUADRADO DEL ERROR MEDIO (MSE) DESVIACIN MEDIA AL CUADRADO (DMC)

Mide la dispersin de los errores del pronstico.

Si el valor es pequeo el pronstico se aproxima generalmente a la demanda real. Si el valor es grande indica la posibilidad de errores del pronstico considerables.

3. DESVIACIN MEDIA ABSOLUTA (DMA)

Representa el error promedio de los pronsticos que emplean valores absolutos.

Donde: n = nmero de periodos

4. DESVIACIN MEDIA ABSOLUTA PORCENTUAL (DMAP) ERROR PORCENTUAL MEDIO ABSOLUTO (MAPE)

Se relaciona el error o desviacin del pronstico con el nivel de la demanda.

5. SEAL DE RASTREO (SEAL DE SEGUIMIENTO) ST

KRAJEWSKI. Indica si un mtodo de pronstico est previendo con precisin los cambios reales de la demanda.

La ST permite conocer cuando un mtodo de pronstico esta dejando de ser confiable.

5. SEAL DE RASTREO (SEAL DE SEGUIMIENTO) ST

Los limites aceptables para la seal de rastreo dependen del tamao de la demanda que se esta pronosticando. Sin embargo se tendr en cuenta un lmite de control de ms o menos 3 DMA, es decir por encima o por debajo de este parmetro, el mtodo de pronstico se debe revisar o descartar porque no esta reflejando correctamente la demanda

5. SEAL DE RASTREO (SEAL DE SEGUIMIENTO) ST

1. LIMITES DE CONTROL PORCENTAJE DEL AREA DE LA DISTRIBUCION DE PROBABILIDAD NORMAL DENTRO DE LOS LMITES DE CONTROL PARA LA SEAL DE RASTREO

Numero de DMA

+/- 1 +/-2 +/-3

+/-4

Numero relacionado de Porcentaje del rea desviaciones estndar dentro de los limites de control (rea bajo la curva) 0,7881 57,62 1,5762 89,04 2,3643 98,36 3,1524 99,86

Ejemplo de aplicacin

MTODOS CAUSALES

ANALISIS DE REGRESION LINEAL

La regresin se define como la relacin funcional de dos o ms variables correlacionadas (demanda vs tiempo). La regresin lineal se refiere a un tipo especial de regresin donde las relaciones entre las variables forman una lnea recta.

Bienes races. La venta en funcin de las tasas de inters

Predecir fenmenos econmicos como el PIB

Normalmente en finanzas y economa para pronosticar valores de variables macroeconmicas.

Mtodo de mnimos cuadrados

El mtodo trata de ajustar la lnea recta a los datos histricos que minimizan la suma de los cuadrados de la distancia vertical entre cada punto de datos y su punto correspondiente en la lnea.

Ecuacin de la lnea recta Y = a + bx

Donde:

Y = variable dependiente (ventas) a = interseccin con el eje Y b = pendiente de la lnea x = variable independiente (tiempo, promocin, precio)

Confiabilidad de los pronsticos

Indica que tambin se ajusta a la lnea de los datos.

Error estndar de estimacin

Indica que tan lejos se da el pronstico de la demanda real

NOTA:

Si los puntos de los datos estn dispersos de manera aleatoria alrededor de la lnea de regresin (distribuidos normalmente) entonces el pronstico quedar de la siguiente forma:

Z= nmero de desviaciones estndar para un nivel de confianza dado

Coeficiente de correlacin (r)

Mide la intensidad de la relacin entre la variable independiente y la variable independiente. -1 <= r <= 1

r = (+) Los cambios registrados de la variable independiente (incremento o disminuciones) de un periodo a otro, estn acompaados por cambios de la variable dependiente en la misma direccin. (0,6 <= r <= 1)

r = (-) indica que las disminuciones de la variable independiente, siempre van acompaados de incrementos en la variable dependiente, y viceversa. (- 1 <= r <= - 0,6)

r = 0 no existe relacin alguna entre las variables. No relacin. (-0,6 <= r <= 0,6)

Coeficiente de determinacin de la muestra (r2)

Mide la variacin de la variable dependiente con respecto de su valor medio que se explica por medio de la lnea de regresin (0 <= r2 <= 1) r2 = 1

Las ecuaciones de regresin son deseables, porque la variacin de la variable dependiente y del pronstico generado a partir de la ecuacin de regresin, se encuentran estrechamente relacionados.
(La variacin de una variable se le atribuye a la otra.)

DESCOMPOSICION DE UNA SERIE DE TIEMPO USANDO REGRESION POR MINIMOS CUADRADOS

Consiste en encontrar los componentes bsicos de la serie de la tendencia, estacinales y cclicos. El pronostico clsico por descomposicin de series de tiempos esta construido sobre la filosofa de que un patrn de ventas histricas puede descomponerse en tres categoras:
Tendencia: por medio del anlisis de regresin, se puede conocer el comportamiento de las ventas.

Estacional: picos y valles que se presentan en una poca especifica (cada ao).

Cclicas: son ondas de largo plazo (ms de un ao). En el patrn de la demanda

PROCEDIMIENTO
1. Determinar el factor o ndice estacional: es la cantidad de

correccin que necesita una serie de tiempo para ajustarse a la estacin del ao. 2. Desestacionalizar los datos originales: para eliminar el efecto estacional en los datos, se divide los datos originales (ventas reales) entre el factor estacional

3. Desarrollar una lnea de regresin: aplicando mnimos cuadrados para los datos desestacionalizados, determine una lnea de tendencia.
4. Proyectar la lnea de regresin hacia el periodo que ser pronosticado: se debe determinar el pronstico para los periodos requeridos. 5. Crear el pronstico final: el cual consiste en ajustar la lnea de regresin para los factores estacionales. Como la ecuacin (Y) ha sido desestacionalizada, ahora se debe multiplicar los datos