Documentos de Académico
Documentos de Profesional
Documentos de Cultura
INGENIERIA DE COSTOS II
2017-0 Escuela: INGENIERIA INDUSTRIAL
Docente: Ing. Jaime Beltrán Mendoza
Que es una proyección de
ventas?
Una proyección de ventas es una previsión para estimar las
ventas para un tiempo determinado en el futuro. A menudo
como producto de la investigación que combina los datos de
ventas internas pasados y la especulación sobre el mercado de
la venta durante el siguiente trimestre, año u otro período de
tiempo, una proyección de ventas es una herramienta útil para
la elaboración de presupuestos, la previsión de las necesidades
de inventario y para determinar las necesidades de personal.
Las previsiones de ventas son a menudo esenciales para la
creación de un presupuesto proyectado, ya que sin una idea
de la cantidad de un producto o servicio que tienes la intención
de vender en el futuro, puede ser difícil determinar cuánto
tendrás que pagar por el inventario y/o dotación de personal.
Que es un plan de ventas?
Previsiónes económicas:
Dirigidas al ciclo empresarial, por ejemplo, las tasas
de inflación, la masa monetaria, etc.
Previsiónes tecnológicas:
Predicen el progreso tecnológico.
Predicen el nacimiento de nuevas ventas.
Previsiones de demanda:
Predicen las ventas ya existentes.
METODOS PARA
PRESUPUESTAR LAS VENTAS
METODO DE ESTUDIO DE MERCADO:
Se realiza un minucioso estudio de mercado que
plantea el posible resultado de los clientes ante
algunas de estrategias de publicidad planeadas
METODOS PARA
PRESUPUESTAR LAS VENTAS
METODO AUTOMATICO: se toman ventas del año
anterior, pues se espera que estos no varian
METODO PROMEDIO: se toman las diferencias
resultantes de comparar las ventas de los ultimos
años, es decir, la variación de un año a otro; estas
diferencias se suman y se promedian según el
numeros de años comparados. Este promedio
resultante es sumado a las ventas del ultimo año
comparado( año al que se desea calcular).
CUADRO METODO
PROMEDIO
AÑO VENTAS VARIACIONES
2012 1.100.000
2013 1.400.000 300.000
2014 1.575.000 175.000
2015 2.300.000 725.000
2016 3.200.000 900.000
Utilidad U = I – C
Analisis de costo – Volumen – Utilidades
Estacionalidad Variaciones
aleatorias
Tendencia
Es el movimiento gradual de ascenso o descenso de los datos
a lo largo del tiempo.
Los cambios en la población, ingresos, etc. influyen en la
tendencia.
Varios años de duración.
Respuesta
Verano
Respuesta
© 1984-1994 T/Maker Co.
Mes, trimestre
Ciclos
Movimientos de ascenso o descenso que se repiten.
Se pueden ver afectados por interacciones de factores que
influyen en la economía.
Suelen durar de 2 a 10 años.
Ciclo
Respuesta
Mes, trimestre, año
Variaciones aleatorias
Son “saltos” en los datos causados por el azar y situaciones
inusuales.
Son debidas a variaciones aleatorias o a situaciones
imprevistas:
Huelga.
© 1984-1994 T/Maker Co.
Tornado.
Son de corta duración
y no se repiten.
Modelos de SERIES TEMPORALES:
Enfoque simple
Ventas
8 Real
6
Previsión
4
2
95 96 97 98 99 00
Año
Método de la media móvil
ponderada
Se utiliza cuando se presenta una tendencia:
Los datos anteriores suelen carecer de importancia.
Las ponderaciones se basan en la intuición:
Suelen estar entre 0 y 1, y a la suma de 1,0.
Ecuación:
Vent
190as Real
180
170 Previsión
160
150
140
2010 2011 2012 2013 2014 2015
Año
Efectos de la previsión de la
constante de alisado
Ponderaciones
= Periodo anterior Hace 2 periodos Hace 3 periodos
(1 - ) (1 - )2
= 0,10 10%
= 0,90
Efectos de la previsión de la
constante de alisado
Ponderaciones
= Periodo anterior Hace 2 periodos Hace 3 periodos
(1 - ) (1 - )2
= 0,10 10% 9%
= 0,90
Efectos de la previsión de la
constante de alisado
Ponderaciones
= Periodo anterior Hace 2 periodos Hace 3 periodos
(1 - ) (1 - )2
Ponderaciones
= Periodo anterior Hace 2 periodos Hace 3 periodos
(1 - ) (1 - )2
Ponderaciones
= Periodo anterior Hace 2 periodos Hace 3 periodos
(1 - ) (1 - )2
Ponderaciones
= Periodo anterior Hace 2 periodos Hace 3 periodos
(1 - ) (1 - )2
errores de previsión
Entonces: DAM
n
Impacto de Diferente
225 –
Demand = .5
200 – a
Actual
Demanda
175 –
= .1
150 – | | | | | | | | |
1 2 3 4 5 6 7 8 9
Trimestre
Seleccionar
∑ |actual - forecast|
MAD =
n
∑ (error de pronóstico)2
MSE =
n
Medidas de los Errores
n
100 ∑ |actuali - pronósticoi|/actuali
i=1
MAPE =
n
Comparación de los Errores del
Pronóstico Pronóstico Desviación Pronóstico Desviación
Volumen Actual Absoluta Actual Absoluta
Efectivo Con Para Con Para
Trimestre Sin Carga = .10 = .10 = .50 = .50
1
Para 180
= .10 175 5 175 5
2 = 1,558/8 176
168 = 194.75 8 178 10
3 159 175 16 173 14
4 Para 175
= .50 173 2 166 9
5 190 173 17 170 20
6 = 1,612/8 =175201.50 30
205 180 25
7 180 178 2 193 13
8 182 178 4 186 4
84 100
MAD 10.50 12.50
Comparación de los Errores del
Pronósticon
100 ∑ |desviacióni|/actuali
i = Rounded
1 Absolute Rounded Absolute
MAPE = Actual Forecast Deviation Forecast Deviation
Tonage with n for with for
Quarter Unloaded = .10 = .10 = .50 = .50
1
= .10 175
Para 180 5 175 5
2 168 = 45.62/8
176 = 5.70%
8 178 10
3 159 175 16 173 14
4 =
Para 175 .50 173 2 166 9
5 190 173 17 170 20
6 205 = 54.8/8
175 = 6.85%30 180 25
7 180 178 2 193 13
8 182 178 4 186 4
84 100
MAD 10.50 12.50
MSE 194.75 201.50
Comparación de los Errores del
Pronóstico
Pronóstico Desviación Pronóstico Desviación
Volumen Actual Absoluta Actual Absoluta
Efectivo con Para Con Para
Trimestre Sin Carga = .10 = .10 = .50 = .50
Ft = (At - 1) + (1 - )(Ft - 1 + Tt - 1)
Tt = b(Ft - Ft - 1) + (1 - b)Tt - 1
Step 1: Calcular Ft
Step 2: Calcular Tt
Step 3: Calcular el Pronóstico FITt = Ft + Tt
Suavizado Exponencial con Ajuste
de Tendencia
Pronóstico
Demanda Pronóstico Tendencia Incluye
Mes (t) Actual (At) Alisado Ft Alisado, Tt Trendencia, FITt
1 12 11 2 13.00
2 17
3 20
4 19
5 24
6 21
7 31
8 28
9 36
10
Table 4.1
Suavizado Exponencial con Ajuste
de Tendencia
Pronóstico
Demanda Pronóstico Tendencia Incluye
Mes (t) Actual (At) Alisado, Ft Alisado, Tt Tendencia, FITt
1 12 11 2 13.00
2 17
3 20
4 19
5 24 Step 1: Pronóstico para Mes 2
6 21
7 31 F2 = A1 + (1 - )(F1 + T1)
8 28
9 36 F2 = (.2)(12) + (1 - .2)(11 + 2)
10
= 2.4 + 10.4 = 12.8 units
Table 4.1
Suavizado Exponencial con Ajuste
de Tendencia
Pronóstico
Demanda Pronóstico Tendencia Incluye
Mes (t) Actual (At) Alisado, Ft Alisada, Tt Tendencia, FITt
1 12 11 2 13.00
2 17 12.80
3 20
4 19
5 24 Step 2: Tendencia para Mes 2
6 21
7 31 T2 = b(F2 - F1) + (1 - b)T1
8 28
9 36 T2 = (.4)(12.8 - 11) + (1 - .4)(2)
10
= .72 + 1.2 = 1.92 units
Table 4.1
Suavizado Exponencial con Ajuste
de Tendencia
Pronóstico
Demanda Pronóstico Tendencia Incluye
Mes (t) Actual (At) Alisado, Ft Alisada, Tt Tendencia, FITt
1 12 11 2 13.00
2 17 12.80 1.92
3 20
4 19
5 24 Step 3: Calcular FIT para Mes 2
6 21
7 31 FIT2 = F2 + T1
8 28
9 36 FIT2 = 12.8 + 1.92
10
= 14.72 units
Table 4.1
Suavizado Exponencial con Ajuste
de Tendencia
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 1.92 14.72
3 20 15.18 2.10 17.28
4 19 17.82 2.32 20.14
5 24 19.91 2.23 22.14
6 21 22.51 2.38 24.89
7 31 24.11 2.07 26.18
8 28 27.14 2.45 29.59
9 36 29.28 2.32 31.60
10 32.48 2.68 35.16
Table 4.1
Suavizado Exponencial con Ajuste
de Tendencia
35 –
25 –
20 –
15 –
0 –
| | | | | | | | |
1 2 3 4 5 6 7 8 9
Figure 4.3
Time (month)
Método de mínimos cuadrados
Observación
Valores de la variable dependiente
Desviación
real
Desviación Desviación
Desviación
Desviación Punto en la
línea de
Desviación
tendencia
Desviación
Yˆ a bx
Periodo de tiempo
Análisis de regresión lineal
Se usa para prever la línea de tendencia lineal.
Supone una relación entre la variable de respuesta, Y, y el
periodo de tiempo, X, que es una función lineal:
Y$i a bX i
Diagrama de dispersión
Venta
Ventas frente a tiempo
s4
3
2
1
0
92 93 94 95 96
Periodo de tiempo
Modelo de regresión lineal
Muestra la relación lineal entre las variables dependientes e
independientes.
Ejemplo: ventas y publicidad (sin tiempo)
^
Yi = a + b X i
n
x i y i nx y
Pendiente: b i n
x i nx
i
2 2
Xi Yi Xi Yi X iY i
2 2
X1 Y1 X1 Y1 X 1Y 1
2 2
X2 Y2 X2 Y2 X 2Y 2
: : : : :
2 2
Xn Yn Xn Yn X nY n
2 2
ΣXi ΣYi ΣXi ΣYi Σ X iY i
Interpretación de los
coeficientes
Pendiente (b):
El cálculo de Y varía en b cada unidad extra en X.
Si b = 2, entonces las ventas (Y) aumentarán en 2 por cada unidad
extra en publicidad (X).
n
x i y i nx y
Pendiente: b i n
x i nx
i
2 2
Xi Yi Xi Yi X iY i
2 2
X1 Y1 X1 Y1 X 1Y 1
2 2
X2 Y2 X2 Y2 X 2Y 2
: : : : :
2 2
Xn Yn Xn Yn X nY n
2 2
ΣX i ΣYi ΣX i ΣY i ΣX iY i
Ejemplo de análisis de regresión lineal
Yi = -0,1 + 0,7Xi.
Año Ventas (Unidades)
2010 1
2011 1
2012 2
2013 2
2014 4
La previsión es de 2015 ventas.
Modelo de previsión
del análisis de
regresión lineal
Modelo de previsión
del análisis de
regresión lineal
Suposiciones de los mínimos cuadrados
Tendencia no totalmente
justificada Conducta deseada
Error Error
0 0
n
(y i ˆy i ) 2 2
errores de previsión
ECM absoluta media (DAM):
Desviación i 1
n n
n
| y i ŷ i |
i |errores de previsión |
DAM
n n
Ejemplo de selección del modelo
de previsión
^
Año Yi Yi Error Error2 |Error|
2010 1 0,6 0,4 0,16 0,4
2011 1 1,3 -0,3 0,09 0,3
2012 2 2,0 0,0 0,00 0,0
2013 2 2,7 -0,7 0,49 0,7
2014 4 3,4 0,6 0,36 0,6
Total 0,0 1,10 2,0
ECM = Σ Error2 / n = 1,10 / 5 = 0,220
DAM = Σ |Error| / n = 2,0 / 5 = 0,400
Evaluación del modelo de
alisado exponencial
^
Year Yi Yi Error Error2 |Error|
2010 1 1,0 0,0 0,00 0,0
2011 1 1,0 0,0 0,00 0,0
2012 2 1,9 0,1 0,01 0,1
2013 2 2,0 0,0 0,00 0,0
2014 4 3,8 0,2 0,04 0,2
Total 0,3 0,05 0,3
ECM = Σ Error2 / n = 0,05 / 5 = 0,01
DAM = Σ |Error| / n = 0,3 / 5 = 0,06
Evaluación del modelo de
alisado exponencial
Modelo lineal:
(y i ŷ i )
n
i
DAM
errores de previsión
DAM
Cálculo de la señal de rastreo
1 100 90
2 100 95
3 100 115
4 100 100
5 100 125
6 100 140
Cálculo de la señal de rastreo
1 100 90 -10
2 100 95
3 100 115 Error = Real - Previsión
= 90 - 100 = -10
4 100 100
5 100 125
6 100 140
Cálculo de la señal de rastreo
Señal de rastreo
Límite de control superior
+
0 Intervalo aceptable
-
Límite de control inferior
Tiempo
Señales de rastreo
160 3
140 Previsión
2
Señal de rastreo
120
Demanda real
100 1
80 0
60 Demanda real
-1
40 Señal de rastreo
20 -2
0 -3
0 1 2 3 4 5 6 7
Tiempo