Está en la página 1de 28

Gestin de Operaciones

Captulo 2: Pronsticos de Demanda


IN 44A - Sesin 2: Pronsticos de Demanda
2
Introduccin
Permiten estudiar la demanda futura, accin
importante en el diseo de un producto.

Relaciones relevantes:
Pronstico - Planeacin.
Demanda - Ventas.

IN 44A - Sesin 2: Pronsticos de Demanda
3
Introduccin
Es importante ver el horizonte y nivel de agregacin
que se requiere para el pronstico de demanda:

Nivel Estratgico:
Largo plazo / A nivel del sector industrial.
Nivel Tctico:
Mediano plazo / A nivel de lneas de producto.
Nivel Operacional:
Corto Plazo / A nivel de producto (SKU).

Ejemplo: Fbrica de Zapatos.
Nivel Estratgico: Demandas globales a 5 aos.
Nivel Tctico: Demanda por lnea para la prxima temporada.
Nivel Operativo: Demanda por modelo y nmero para la prxima
semana.


IN 44A - Sesin 2: Pronsticos de Demanda
4
Mtodos de Pronstico
Existen dos tipos:
Mtodos Cualitativos: son aquellos que dependen de
juicios.

Mtodos Cuantitativos: son aquellos que poseen un
modelo subyacente.
Los datos y patrones de datos se utilizan como indicadores
confiables para predecir el futuro.
Incluyen Series de Tiempo y Modelos Causales.
IN 44A - Sesin 2: Pronsticos de Demanda
5
Mtodos Cualitativos
Caractersticas Generales:
Se posee poca informacin.
Existe alta incertidumbre.
Se tiene escasa capacidad de proceso.
Horizonte de mediano o largo plazo.

Uso tpico: Decisiones estratgicas
Seleccin de Mercados
Diseo de Procesos.
Seleccin de Productos Nuevos.

Mtodos Populares
Grass Root
Investigacin de Mercados
Panel de Consenso
Mtodo Delphi



IN 44A - Sesin 2: Pronsticos de Demanda
6
Modelos Cuantitativos: Series de Tiempo
Caractersticas:

Estos mtodos utilizan datos histricos
y los proyectan a futuro.
Son de corto plazo.
Es necesario contar con datos internos.
No captan patrones de cambio.
IN 44A - Sesin 2: Pronsticos de Demanda
7
0
20
40
60
80
100
120
140
1 3 5 7 9 11 13 15 17 19 21 23 25 27 29
Week
Sales
0
20
40
60
80
100
120
140
1 3 5 7 9 11 13 15 17 19 21 23 25 27 29
Week
Sales
Price
Factores que Determinan la Demanda
IN 44A - Sesin 2: Pronsticos de Demanda
8
Identificar Patrones de Demanda
IN 44A - Sesin 2: Pronsticos de Demanda
9
Series de Tiempo
Serie de tiempo original
Tiempo
Serie de tiempo descompuesta
Tiempo
Componentes:
Ruido: parte aleatoria (si es muy alto es difcil hacer pronsticos).
Estacionalidad.
Tendencia.
Nivel (base) Qu mas ?
IN 44A - Sesin 2: Pronsticos de Demanda
10
Series de Tiempo
Notacin:
D
t
: demanda observada en el perodo t.
F
t+1
: pronstico para el perodo t+1.
A
t
: promedio calculado para el perodo t.
e
t
= D
t
- F
t
: error de pronstico.

Tpicamente se conocen D
t-k
,....., D
t
y se busca
F
t+1
, F
t+2
,....
IN 44A - Sesin 2: Pronsticos de Demanda
11
Series de Tiempo
1.- Promedios Mviles Simples:




2.- Promedios Mviles Ponderados:
N
D D D
F
N t t t
t
1 1
1
...
+ +
+
+ + +
=
) simple, (caso 1
......
1
1
1 1 1
N i
t
N t i
i
N t N t t t t
W W
D W D W F
= =
+ + =

=
+ + +
IN 44A - Sesin 2: Pronsticos de Demanda
12
Series de Tiempo
3.- Alisamiento Exponencial Simple:



4.- Alisamiento Exponencial con Tendencia:

1 0 ) 1 (
1
< < + =
+
o o o
t t t
F D F
,... 2 , 1
1 0 ) 1 ( ) (
1 0 ) ( ) 1 (
1
1
1 1
= + =
< < + =
< < + + =
+


k T k A F
T A A T
T A D A
t t k t
t t t t
t t t t
| | |
o o o
IN 44A - Sesin 2: Pronsticos de Demanda
13
Series de Tiempo
Errores de Pronstico:
Los indicadores de error sirven para ver en qu momento
el pronstico falla o los datos no sirven.

Indicadores:
Desviacin media absoluta:

=
t
t t
F D
n
MAD
1
MAD 1.25 estandard des. 1
estandard desv. 0.8 MAD 1
~
~
El valor ideal de MAD es cero (ie, no existe error de pronsticos).
Mientras mas grande MAD, menor la precisin del modelo. MAD se usa para
Compare distintos modelos de pronsticos.
Elegir el mejor modelo dentro de una familia de modelos
IN 44A - Sesin 2: Pronsticos de Demanda
MAD
0
5
10
15
20
25
0 0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9 1
o
Sales
0
20
40
60
80
100
120
140
1 3 5 7 9 11 13 15 17 19 21 23 25 27 29
Week
Sales
88
98
108
118
128
138
148
158
168
178
188
1 3 5 7 9 11 13 15 17 19 21 23 25 27 29
Week
MAD
8
9
10
11
12
13
14
15
16
17
18
0 0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9 1
o
MAD para Determinar Error de Pronstico
Ej: Suavizado Exponencial Simple
IN 44A - Sesin 2: Pronsticos de Demanda
15
Mtodos Causales
1.- Regresin Lineal:


x : variable independiente.
: variable dependiente.

La idea es ajustar una curva a los puntos con que
se cuenta.
x b a y + =


+ =
i
i i
i
i i
y x b a Min y y Min
2 2
) ( ) (
IN 44A - Sesin 2: Pronsticos de Demanda
16
Regresin Lineal
Sales
88
108
128
148
168
188
1 3 5 7 9 11 13 15 17 19 21 23 25 27 29
Week
Sales
88
108
128
148
168
188
1 3 5 7 9 11 13 15 17 19 21 23 25 27 29
Week
Sales
Regression
IN 44A - Sesin 2: Pronsticos de Demanda
17
Regresin Lineal
Como resultado se obtiene:

2
2
|
.
|

\
|

(

|
.
|

\
|
|
.
|

\
|

=
=



i
i
i
i
i
i
i
i
i
i i
i
i
i
i
x x n
y x y x n
b
n
x
b
n
y
a
IN 44A - Sesin 2: Pronsticos de Demanda
18
Regresin Lineal






Donde R
2
mide la proporcin de la variacin de y
explicada por x.
Valores sobre 50% se consideran buenos.
(
(

|
.
|

\
|

(
(

|
.
|

\
|

(

|
.
|

\
|
|
.
|

\
|

=


2
2
2
2
2
2
i
i
i
i
i
i
i
i
i
i
i
i
i
i i
y y n x x n
y x y x n
R
IN 44A - Sesin 2: Pronsticos de Demanda
19
Aplicacin
Estacionalidad
Tiempo
D
e
m
a
n
d
a
Elasticidad
Precio
Precio
D
e
m
a
n
d
a
Elasticidad
Inventario
Inventario en Tienda
D
e
m
a
n
d
a
Demanda = Estacionalidad Elast. Precio Elast. Inventario
Modelo de 3 Factores
Estimacin de Demanda Para una Tienda por Departamentos
IN 44A - Sesin 2: Pronsticos de Demanda
20
Sweater Sport
0
0.2
0.4
0.6
0.8
1.0
7 12 17 22 27 32
Semana (Temporada 2002)
Stock / max Stock
Precio / P. Inicial
Ventas / max Ventas
P. Inicial = $18.990
Stock Max .= 570
Venta Max . = 513
0
0.2
0.4
0.6
0.8
1.0
7 12 17 22 27 32
Semana (Temporada 2002)
Stock / max Stock
Precio / P. Inicial
Ventas / max Ventas
P. Inicial = $18.990
Stock Max .= 570
Venta Max . = 513
Modelo de 3 Factores
Aplicacin
IN 44A - Sesin 2: Pronsticos de Demanda
21
Datos Agrupados por Subclase y Grupos de Tiendas
Estacionalidad Temporal
Efecto Promocin
Elasticidades Precio e Inventario Promedio
Datos Agrupados por Estilo y Grupos de Tiendas
Estacionalidad Precio Especifica del Estilo
Datos Agrupados por Estilo y Tienda
Factor de Ajuste Magnitud de Ventas Especfica
a cada Estilo y Tienda
Enfoque de Estimacin Jerrquico
Aplicacin
IN 44A - Sesin 2: Pronsticos de Demanda
22
(

+ + = ) 1 , 0 max( ) 1 )( ( exp ) ( ) , , (
c Inicial
i prom i i
I
I
P
P
K t K K I P t D
Demanda
Estilo i
Magnitud Ventas
Estilo i
Estacionalidad
Subclase
Elasticidad
Precio Subclase
Elasticidad
Precio Estilo i
Elasticidad
Inventario Subclase
t = Tiempo (Semana) I = Inventario
P = Precio I
c
= Inventario Crtico
P
Inicial
= Precio Inicial (salida)
Efecto
Promocin
Aplicacin: Modelo
IN 44A - Sesin 2: Pronsticos de Demanda
23
Sweater Sport ML 6884 Saville Row
(Alto las Condes - Parque Arauco)
0
5
10
15
20
25
30
8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 31 32
Semana (Invierno 2002)
V
e
n
t
a

(
U
n
i
d
a
d
e
s
)
Real
Modelo
R
2
= 0,67
Aplicacin: Resultados
IN 44A - Sesin 2: Pronsticos de Demanda
24
Pronsticos Bajo Incertidumbre
En muchos casos no es una buena idea resumir en un numero
nuestras predicciones futuras sobre el comportamiento de la
demanda. O, depender demasiado de la informacin
histrica.
Ciclos de venta muy cortos.
Demanda altamente estocstica.
Rpidos cambios tecnolgicos y de modas.
Ejemplos: ropa de moda, juguetes , juegos computacionales,
msica, libros, artculos electrnicos,

En estos casos puede ser mejor modelar la demanda como una
variable aleatorio (o proceso estocstico) y usar pronsticos para
definir su distribucin de probabilidades.
IN 44A - Sesin 2: Pronsticos de Demanda
25
Distribucin Emprica
Cuando es difcil ajustar una distribucin de probabilidades
se prefiere usar la distribucin emprica asociada con los
datos
Mes Ventas Mes Ventas Mes Ventas
1 95.7 13 99.6 25 96.3
2 100.8 14 95.6 26 97.7
3 100.1 15 99.3 27 100.3
4 101.6 16 100.5 28 103.4
5 96.2 17 98.3 29 97.9
6 103.2 18 98.8 30 103.3
7 103.1 19 101.6 31 103.2
8 98.0 20 104.7 32 101.1
9 104.2 21 101.5 33 97.3
10 104.1 22 104.4 34 99.5
11 101.7 23 103.6 35 102.4
12 99.2 24 95.4 36 102.4
Ventas Absoluta Relativa Acumulada
95 0 0.0% 0.0%
96 3 8.3% 8.3%
97 2 5.6% 13.9%
98 4 11.1% 25.0%
99 2 5.6% 30.6%
100 4 11.1% 41.7%
101 4 11.1% 52.8%
102 5 13.9% 66.7%
103 2 5.6% 72.2%
104 6 16.7% 88.9%
105 4 11.1% 100.0%
106 0 0.0% 100.0%
Frequencia
IN 44A - Sesin 2: Pronsticos de Demanda
26
Distribuciones Paramtricas
Se utiliza una familia especifica de distribuciones
(Normal, Weibull, Uniforme, etc.) y se ajustan los
parmetros de esta distribucin usando informacin
histrica.

Mtodos de Mxima Verosimilitud
Mtodos Bayesianos
IN 44A - Sesin 2: Pronsticos de Demanda
27
Ejemplo
Uno de los ejemplos ms populares es suponer que la demanda
est Normalmente distribuida con media y desviacin estndar
o. D tiene |(x; ,o).

Supongamos que tenemos N observaciones de la demanda
{x
i
: i=1,,N}. Como podemos estimar y o?

( ) ( )
( )
2
1
2
2
,
1
,
2
2 ln
2
, ln max
) , , ( , max
tud Verosimili Maxima de Metodo
o

to o
o | o
o
o


=
=
=
=
[
n
i
i
n
i
i
x
n
) V(
x ) V(
( )
2
1
2
1
1
1

=
=
=
=
n
i
V i V
n
i
i V
x
n
x
n
o

IN 44A - Sesin 2: Pronsticos de Demanda


28
En algunos casos la informacin esta truncada. Por ejemplo, cuando
existen quiebres de stock los {xi} no representan la demanda sino las
ventas. Es decir, x
i
= min{D
i
, C}. Como podemos estimar y o en
este caso?

Ejemplo
Algoritmo EM:
Paso 0: Inicializar los valores de
o
y o
o
. Por ejemplo
V
y o
V
.

Paso E: Definir la secuencia {y
i
} tal que y
i
=x
i
si x
i
<C, de lo contrario
y
i
= E [D
i
| D
i
C, =
k
, o=o
k
].

Paso M: Calcular
k+1
y o
k+1
usando mxima verosimilitud sobre la
secuencia {y
i
}.
Si || (
k+1
, o
k+1
)-(
k
, o
k
)|| > c entonces iterar paso E y M.