Pronsticos

Captulo 8
CR (2004) Prentice Hall, Inc.

8-1

CONTROLLING
CONTROL

Customer
service goals
The product
Logistics service
Ord. proc. & info. sys.

Transport Strategy
Transport fundamentals
Transport decisions

ORGANIZING
ORGANIZACION

Inventory Strategy
Forecasting
Inventory decisions
Purchasing and supply
scheduling decisions
Storage fundamentals
Storage decisions

PLANNING
PLANEACION

Pronsticos de la Demanda de
Inventario

Location Strategy
Location decisions
The network planning process

CR (2004) Prentice Hall, Inc.

8-2

Que se pronstica en la
Cadena de Sumistros?

Demanda, ventas o

requerimientos independientes

Precios de compra
Tiempo de abastecimiento y de
entrega de productos
CR (2004) Prentice Hall, Inc.

8-3

Algunos mtodos de pronsticos

Proyeccin Histrica
Medias Moviles
Ajuste exponencial
Proyeccin Causal o asociativa
Anlisis de Regresin
Proyeccin Cualitativa
Encuestas
Reglas de sistemas expertos
Proyeccin Colaborativa

CR (2004) Prentice Hall, Inc.

8-4

Estructura de las Series de tiempo Estacionarias

Sin tendencia ni ciclaje solo conducta aleatoria
250

S a le s

200
150

Actual sales
Average sales

100
50
0
0

10

15

20

25

Time

CR (2004) Prentice Hall, Inc.

8-5

Estructura de las Series de tiempo con

tendencia:
Aleatorias con tendencias
250
Sales

200
150
100

Actual sales
Average sales

50
0
0

10

15

20

25

Time

CR (2004) Prentice Hall, Inc.

8-6

S a le s

Estructura de las series de tiempos con

Tendencia y aleatoriedad
Alatorias con Tendencia y Estacionalidad
800
700
600
500
400
300
200
100
0

Actual sales
Trend in sales
Smoothed trend and seasonal sales
0

10

20

30

40

Time
CR (2004) Prentice Hall, Inc.

8-7

Ventas

Estructura de series de tiempos discretas

Timpo
CR (2004) Prentice Hall, Inc.

8-8

 Son predecibles las Series de

tiempos?

El pronstico de una serie de tiempo depende de la

vaiabilidad de la serie de tiempo . Se puede pronsticar
una serie de tiempo regular con mtodos de ajuste
exponencial pero se requieren de otros mtodo para el
pronstico de series discretas

Regla
Una serie de tiempo es discretas

X 3

donde
X mean of the series
standard deviation of series,
En caso contrario regular.
CR (2004) Prentice Hall, Inc.

8-9

Medias Moviles
Frmula Bsica

MA
Ai
n i t 1n
1

donde
i = perodo de tiempo
t = perodo presente de tiempo
n = longitud del horizonte de la medias
moviles
Ai = demanda del perodo i

CR (2004) Prentice Hall, Inc.

8-10

Ejemplo Pronstico de Medias Moviles , 3 meses

Mes i
.
.
.
20
21
22
23
24
25
26
CR (2004) Prentice Hall, Inc.

Demanda total3-meses
Demanda delDurante ltimos
Medias
Mes , i
Moviles
3 meses
.
.
.
.
.
.
.
.
.
120
.
.
130
360/3
120
110
380/3
126.67
140
360/3
120
110
380/3
126.67
130
?

8-11

MA w 1A1 w 2 A2 ... w n An
donde

w
i 1

Si los pesos son exponenciales la ecuacin queda

MA At (1 )1 At 1
(1 ) 2 At 2 (1 ) 3 At 3
... (1 ) n At n
Que se reduce a la siguiente frmula
MA Ft 1 At (1 )Ft
Donde
Constante de suavizamiento
Ft 1 Pronstico perodo futuro
At Pronstico demanda actual
Ft Pronstico actual

0.01 0.30

MEDIAS MOVILES PPONDERADAS

8-12

Formulas de ajuste exponencial

I. Un nivel
Ft+1

IV. Errores estndar del pronosticos

= At + (1-)Ft

MAD =

N
|A t
t 1

II. Nivel y tendencia

St

= At + (1-)(St-1 + Tt-1)

Tt

= (St - St-1) + (1-)Tt-1

Ft+1

= St + T t

SF

Ft |

N
(A t
t 1

Ft ) 2

Y S F 1.25MAD.

III. Nivrl , trndencia y estacionalidad

St = (At/It-L) + (1-)(St-1 + Tt-1)
It

= (At/St) + (1-)It-L

Tt

= (St - St-1) + (1-)Tt-1

Ft+1

= (St + Tt)It-L+1

donde L es el perodo temporal del ciclo estacional

CR (2004) Prentice Hall, Inc.

8-13

Ejemplo Ajuste exponencial

Serie temporal de
datos
1
ltimo
Ao
Este
ao

Cuatrimestres
2
3

1200

700

900

1400

1000

4
1100

Comienzo
Suponga = 0.2. Promedie los primero cuatro
cuatrimestre de resultados para calcular los datos
iniciales, Fo.
CR (2004) Prentice Hall, Inc.
8-14

Ejemplo (Contd)
Comience el pronstico
F0 (1200 700 900 1100) / 4 975
Primer cuatrimestre del segundo ao
F1 0.2A0 (1 0.2)F0
0.2(1100) 0.8(975)
1000
Segundo cuatrimestre del 2 ao
F2 0.2A1 (1 0.2)F1
0.2(1400) 0.8(1000)
1080
CR (2004) Prentice Hall, Inc.

8-15

Ejemplo (Contd)
Tercer cuatrimestre del 2 ao
F3 0.2A2 (1 0.2)F0
0.2(1000) 0.8(1080)
1064
En resumen
1
Ultimo ao 1200

Cuatrimestre
2
3
700

900

1400

1000

Pronstico 1000

1080

1064

Este ao

CR (2004) Prentice Hall, Inc.

4
1100

8-16

Ejemplo (Contd)
Medir la calidad del pronstico como el error MAD
n

| At Ft |
MAD t 1 n
El RMSE (std. error of forecast)
n

SF

(At Ft )2

t 1

n 1

CR (2004) Prentice Hall, Inc.

1 grado de libertad si es
que hay que estimar un
solo parmetro . Si hay
que stimar k parmetros
sera n-k

8-17

Ejemplo (Contd)
Usando SF y suponiedo que n = 2 a
2 (1000 1080)2
(1400

1000)
SF
2 1
408

Nota
Nota Para
Paracomputar
computar un
unpromedio
promediorazonable
razonable
SSFF,,nn debe
debecomprender
comprender aalo
lomenos
menosun
un ciclo
ciclo
estacional
estacionalen
entodos
todoslos
loscasos
casos

CR (2004) Prentice Hall, Inc.

8-18

Ejemplo (Contd)
Rango de los pronsticos
Si el error de los pronstico se distribuye normal
con la su
n
media igual al pronstico
, At Ft
Bias t1 n 0
Un limite de confianza puede computarse. Para un modelo de
nivel 1 sera:

Rango

Sesgo debe
ser cero o
cercano a el
para un
buen ajuste

SF = 408

CR (2004) Prentice Hall, Inc.

F3=1064

8-19

Ejemplo (Contd)
De una tabla Normal , z@95%=1.96. El valor actual de
un valor Y para el cuatrimestre 3 se espera este
para ese nivel de confianza en:
Y F3 z(S F )
1064 1.96(408)
1064 800
or
264 Y 1864

CR (2004) Prentice Hall, Inc.

8-20

Correccin por Tendencia

El modelo de Holt que corrige la tendencia es:
St = At (1 )(St-1 Tt-1)
Tt = (St St-1) (1 )Tt-1
Ft+1 = St Tt
donde S es el pronstico sin correccin de
tendencia. Asumiendo = 0.2, = 0.3, S-1 =
975, y T-1 = 0
Pronsticos para el primer cuatrimestre de este
ao ser
S0 = 0.2(1100) 0.8(975 + 0) = 1000
T0 = 0.3(1000 975) 0.7(0) = 8

CR (2004) Prentice Hall, Inc.

8-21

Correccin por Tendencia

Pronostico para el segundo cuatrimestre del ao
S0
T0
S1 = 0.2(1400) 0.8(1000 8) = 1086.4
T1 = 0.3(1086.4 1000) 0.7(8) = 31.5
F2 = 1086.4 31.5 = 1117.9
Pronstico para el tercer cuatrimestre del ao
S2 = 0.2(1000) 0.8(1086.4 31.5) = 1094.3
T2 = 0.3(1094.3 1086.4) 0.7(31.5) = 24.4
F3 = 1094.3 24.4 = 1118.7, or 1119
CR (2004) Prentice Hall, Inc.

8-22

Correccin por Tendencia

Resumiendo la correccin de tendencia

1
Ao
pasado 1200
Ao
Actual 1400
Pronostico
1008

CR (2004) Prentice Hall, Inc.

Cuatrimestre
2
3
700

900

1000

1118

1119

4
1100

8-23

Optimizacin de para el mtodo

Error
de
Prons
tico

0
CR (2004) Prentice Hall, Inc.

Minimizar el error
promedio

1
8-24

Control del ajuste del modelo

Monitorear las seales del ajuste del modelo para
detectar las seales de desajuste con los datos
At Ft
Tracking signal
MSE
El Error medio caudrtico (MSE) es
n

(At Ft )2
MSE t 1 n

n es un nmero razonable de
Periodos pasados depende
de la aplicacin

Si las seales de monitoreo exceden un valor especifico

( lmite de control ) revise las constante de ajuste.
CR (2004) Prentice Hall, Inc.

8-25

Modelo Clasico de descomposicin

de una serie de tiempo
Formulacin Bsica
F=TSCR
donde
F = pronstico
T = tendencia
S = indice de estacionalidad
C = indice de ciclaje (usual 1)
R = indice residual (usual 1)
Datos de la serie de
tiempo

1
Ao pasado 1200
Ao actual 1400

CR (2004) Prentice Hall, Inc.

Cuatrimestre
2
3
700
900
1000
?

4
1100
8-26

Modelo Clasico de descomposicin de una serie

de tiempo
Estimacin de tendencia
Use una simple regresin para encontrar una
ecuacin de tendencia de la forma T = a bt.
Recuerde las frmulas bsicas :

Yt nY t
b
2
2
t nt
y

a Y bt
CR (2004) Prentice Hall, Inc.

8-27

Modelo Clasico de descomposicin de una serie

de tiempo

Reordenanado los datos para facilitar el clculo

2

t
Y
Yt
t
1
1200
1200
1
2
700
1400
4
3
900
2700
9
4
1100
4400
16
5
1400
7000
25
6
1000
6000
36
2
t=21 Y=6300 Yt=22700 t =91

CR (2004) Prentice Hall, Inc.

8-28

Modelo Clasico de descomposicin de una serie

de tiempo
Entonces
00/6)
b 22700 6(21/6)(63
91 6(21/6)2
y
a 6300 37.14(21/6) 920.01
6

Se sigue
T = 920.01 27.14t
Pronstico para el 3 cuatrimestre de este ao es:
T = 920.01 37.14(7) = 1179.99
CR (2004) Prentice Hall, Inc.

8-29

Modelo Clasico de descomposicin de una serie

de tiempo
Compute los indices estacionales
El procedimiento es formar las razones entre la
demanda actual y la demanda promedio del ciclo: De la
siguiente manera :
Indice
t
Y
T
Estacional
,S
t
1
1200
957.15*
1.25**
2
700
994.29
0.70
3
900
1031.43
0.87
4
1100
1068.57
1.03
*T=920.01 37.14(1)=957.15
**St=1200/957.15=1.25
CR (2004) Prentice Hall, Inc.

8-30

Modelo Clasico de descomposicin de una serie

de tiempo
Compute los indices estacionales
Como los valores de los indices C Y R son
usualmente 1, el pronstico ajustado
estacionalmente para el 3 cuatrimestre ser:
F7 = 1179.99 x 0.87 = 1026.59
Rango del Pronstico
El error estandar del pronstico ser:
n

SF

2
(Yt Ft )

t 1

n2

CR (2004) Prentice Hall, Inc.

Se pierden 2 grados de libertad al

estimar los valores a y b

8-31

Modelo Clasico de descomposicin de una serie

de tiempo

Computaciones tabuladas
Qtr
1
2
3
4
1
2
3

t
1
2
3
4
5
6
7

Yt
1200
700
900
1100
1400
1000

Tt
957.15
994.29
1031.43
1068.57
1105.71
1142.85
1179.99

St
Ft
1.25
0.70
0.87
1.03
1.27 1404.25*
0.88 1005.71**
1026.59

*1105.71x1.27=1404.25
**1142.85x0.88=1005.71
CR (2004) Prentice Hall, Inc.

8-32

Modelo Clasico de descomposicin de una serie

de tiempo
Hay datos insuficientes para una estimacin confiable de
SF. Sin embargo se debera proceder de la siguiente
,manera
(1400 1404.25)2 (1000 1005.71)2
SF
22
infinity
Normalmente se requiere de una
Then,

muestra de datos mayor para

estimar significativamente SF

Ft z(SF) Y Ft z(SF)

CR (2004) Prentice Hall, Inc.

8-33

Analisis de Regresin
Formulacin bsica
F = o 1X1 2X2 nXn
Ejemplo
Bobbie Brooks, fabrica ropas para adolescentes
femeninas, el pronstico la demanda estacional de la
siguiente relacin
F = constante 1(otras cuentas )
2(nivel de endeudamiento del consumidor)

CR (2004) Prentice Hall, Inc.

8-34

Pronstico mediante un modelo de regresivo de los datos

de ventas de Bobbie Brooks
(1)
Periodo de
Time
periodo, t
ventas
Verano
1
Trans-estacin
2
Otoo
3
Vcacaciones
4
PRIMAVERA
5
Otoo
Trans-estacin
Otoo l
Vacaciones
Primavera

6
7
8
9
10

Verano
Trans-estacin
Fall
Vacaciones y
Totals

11
12
13
14
78

(2)

(3)

(4)

(5)

(6)=
(2)/(5)
Indicel
Estacional ($000s)
0.78
0.92
1.11
1.17
1.23

Ventas (Dt )
($000s)
$9,458
11,542
14,489
15,754
17,269

Dt t
9,45
23,084
8
43,467
63,016
86,345

t
1
4
9
16
25

Tendencia
(Tt )
$12,053
12,539
13,025
13,512
13,998

11,514
12,623
16,086
18,098
21,030

69,084
88,361
128,688
162,882
210,300

36
49
64
81
100

14,484
14,970
15,456
15,942
16,428

0.79
0.84
1.04
1.14
1.28

12,788
140,668
16,072
192,864
?
?
176,723 1,218,217

121
144

16,915
17,401
17,887*
18,373*

0.76
0.92

$18,602
20,945

650

t2 = 650 D = (176 ,723 / 12 ) = 14 ,726 .92

N = 12 Dt t = 1,218,217
La ecuacin de regresin : Tt = 11,567.08 + 486.13t

t = 78 / 12 = 6 .5

valor Pronosticado

CR (2004) Prentice Hall, Inc.

8-35

Modelos de Pronsticos Combinados

Combinan los resultados de varios modelos para mejorar la

exactitud. Consideran que los resultados de varios modelos son
mas exactos y mejoran la eficiencia . Considere el problema de
pronosticar la variacin estacional del problema de Bobie Brooks
y si ellos son del tipo ajuste exponencial y de un modelpo de
regresiones Si existe un cuarto modelo de juicio se puede
calcular un efecto promedio como el que se da a continuacin .
Calcular los pesos del pronstico
(1)

(3)=
(4)=
1.0/(2)
(3)/48.09
Error % Inverso de
Modelo Pronostico error
% de
Peos del
tipo
Error
Total Error
Modelos
MJ
R
ES1
ES2
Total

9.0
0.7
1.2
8.4
19.3

CR (2004) Prentice Hall, Inc.

(2)

0.466
0.036
0.063
0.435
1.000

2.15
27.77
15.87
2.30
48.09

0.04
0.58
0.33
0.05
1.00

8-36

Weighted Average Fall Season Forecast

Using Multiple Forecasting Techniques

Modelos de Pronsticos Combinados

CR (2004) Prentice Hall, Inc.

8-37

Erores Multiples
CR (2004) Prentice Hall, Inc.

8-38

Acciones cuando el
pronstico no es apropiado

Busque infpormacin directa de los clientes

Colabore con los miembros del canal
Aplique mtodos de pronsticos con precaucin

cuando la exactitud del pronstico no es confiable,

ni critica

Demore las respuestas de los suministros hasta

que la demanda se aclare

Postergue la demanda para otros perodos con

mas suministros

Desarrolle respuestas de abastecimiento rpido y

flexible

CR (2004) Prentice Hall, Inc.

8-39

Pronostico Colaborativo

Demanda es discreta y altamente incierta

Envuelve a demasiados participantes
autnomos , Dos cabezas son siempre
mejores que una.
La meta es reducir el error del pronstico.
El proceso de pronstico es altamente
inestable

CR (2004) Prentice Hall, Inc.

8-40

Pronstico Colaborativo
Etapas Claves
Establezca un procesos campin
Identifique las necesidades de informacin y

de los proceso de

recoleccin de datos
Establezca metodos para procesar la informacin de mltiples
fuentes y deles pesos diferenciados a las distintas fuentes
Cree mtodos para trsladar los pronstico a la forma en que se
requiere
Establezca un proceso para revizar y actualizar los pronsticos en
tiempo real.
Cree mtodos para evaluar los pronsticos
Muestre que existen beneficios real y obvios en el pronstico
colaborativo
CR (2004) Prentice Hall, Inc.

8-41

Demanda Altamente
Inestable

Demore el pronstico tanto como le sea posible

Priorice el suministro de los productos de mayor grado
de incertidumbre

Aplique el

principio de postergacin a los productos

mas inciertos demore los compromisos de entregas
hasta contar con ordenes de produccin firmes

Cree suministros flexibles

para cambiar o alterar la

capacidad de suminstros mediante subcontratacin,
procesos flexibles o tecnologia de automatizacin

Genere capacidad para

responder rapidamente a los

niveles de demandas inciertas
CR (2004) Prentice Hall, Inc.

8-42