Logística Avanzada

Profesor:
Alex Vidal Paredes
Agenda Semana 2
El Proceso de Administración de
Demanda
1. FUNDAMENTOS DEL PRONÓSTICOS Y DEL PROCESO
2. PATRONES DE COMPORTAMIENTO EN LA DEMANDA HISTÓRICA
4. CASOS

2
Conociendo el Proceso de
Administración de Demanda
 Antecedentes de la función de
demanda… había una vez una
demanda…
 Roles, responsabilidades y las mejores
prácticas en administración de
demanda están cambiando
 Inexactitud en pronósticos de demanda
generan resultados indeseados en los
inventarios, niveles de servicio, ventas
y performance financiero

3
¿Que es la administración de
demanda?
 The function of recognizing all demands for goods and
services to support the marketplace. It involves doing
what is required to help make the demand happen and
prioritizing demand when supply is lacking (APICS).
 Problema: es visto como un evento, algo que se realiza
una vez al mes por ejemplo
 Los que hacen este trabajo ven su esfuerzo como
perdido… su pronóstico no es utilizado
 Caemos en un circulo vicioso, un loop improductivo
 Comprensión de la organización que la administración de
demanda no es un evento… es un proceso

4
El proceso de administración
de demanda
1. Planificar la
demanda

2. Comunicar 4. Priorizar la
la demanda demanda

3. Influenciar la
demanda

5
Principios de administración
de demanda:
 Planificar la demanda: mas que solo un pronóstico
 Comunicación de la demanda: a la organización de la
oferta (supply) y finanzas. Incluso a los proveedores de
la cadena de suministro. En todos los sentidos.
 Influenciar en la demanda: incluye tácticas de
marketing y ventas (las 4P de marketing),
posicionamiento de productos, promociones y otros
esfuerzos de marketing y ventas
 Gestionando y priorizando la demanda: incluye
gestión de las ordenes de los clientes para hacer el
match con la oferta disponible (materiales y recursos)
6
Modelo de
Excelencia Operacional
Largo
Planes
Planes Planes
Planes Plazo
Estratégicos
Estratégicos Financieros
Financieros

Demanda
Plan
Plandel
delNegocio
Negocio
Oferta
Clientes
Clientes

Plan
Plande
deVentas
Ventasyy Manufactura
Manufactura
Operaciones
Operaciones
Ventas
Ventas

Administración Plan
Plande
deCapacidad
Capacidadaa Ingeniería
Administraciónde
de Ingeniería
Marketing la Grandes
GrandesRasgos
Marketing laDemanda
Demanda Rasgos

Programación
ProgramaciónMaestra
MaestraMPS
MPS Proveedores
Proveedores
Otras
Otras
demandas Listas de Registros de
demandas materiales Inventario
Plan
PlanDetallado
DetalladoMateriales
Materiales
MRP
MRP/ /Capacidad
CapacidadCRP
CRP
Centros de
Rutas
Trabajo Data Maestra
Programación
Programaciónde
dePlanta
Plantayy
Proveedores
Proveedores

Ejecución
Ejecución
SFC
SFC/ /PUR
PUR/ /INV
INV/ /SLS
SLS

7
El plan de demanda
 Componentes de un plan de demanda

8
 Componente estadístico
Nivel y tendencia

Units
Trend
= Units/Period

Periods
Level =
average at
now line

History Forecast

Estacionalidad
Forecast Model Projection

History Forecast

Errores
Historia Forecast

Forecast Error +/- Confidence Estimate

History Forecast

9
Componente:
Estadístico + Aleatorio
 No podemos proyectar el futuro mirando
solamente la información del pasado
 Futuro ideal… idéntico al pasado, es
poco probable, solo en mercados
desarrollados, maduros
 Pueden existir futuros muy diferentes a
la historia, el mercado puede no estar
preparado, en estos casos es bueno
segmentar
 Importancia del ciclo de vida de los
productos y mercados

10
Elementos del componente
aleatorio
 Desviación estándar (elemento estadístico, error)
 Supuestos (PBI, industria, eventos importantes,
competencia, tecnología, riqueza natural, posición
estratégica, etc)
 Market Intelligence o Inteligencia comercial
 Noticias, revistas, diarios
 Market Research
 Bases de datos
 Fuentes primarias, secundarias
 Internet

11
Market Research:
Investigación de Mercado
 Es el proceso de investigación de mercado en el cual
aplicando diversas técnicas para lograr visualizar
tendencias y proyecciones basadas en supuestos ayuda
a tomar decisiones oportunas y planificar estrategias
 Con la investigación de mercados, las compañías
pueden aprender más sobre los clientes en curso y
también sobre los clientes potenciales
 Fuentes de datos primarios y secundarios
 Estudios de investigación cualitativa (bases de datos) y
cuantitativa (encuestas de mercado)
 Herramientas estadísticas: SPSS o Excel
 También modifica el pronóstico estadístico
12
Caso: El Vino en el Perú

13
Market Intelligence:
Inteligencia de Mercado
 Es el proceso de recopilación, procesamiento y análisis
de información, respecto a temas clave relacionados
con la mercadotecnia, como: Clientes, Competidores y
el Mercado.
 MI puede ayudar a crear el plan estratégico de la
empresa, preparar el lanzamiento de un producto o
facilitar el desarrollo de los productos lanzados
dependiendo del ciclo de vida.
 Modifica el pronóstico estadístico

14
Market Intelligence modifica el
pronóstico estadístico…
 Mejora la calidad del pronóstico y la adecúa a la realidad
con información de la evidencia que se avecina
 Aprender a ver las señales
 Genera cambios en el pronóstico por variables externas:
PBI, eventos, competencia, promociones, crecimiento del
grado de penetración del producto / servicio, población…
 Ejecutado por Marketing: plan de marketing
 Input para el proceso del pronóstico

15
Publicidad en medios
 Promociones de la competencia, productos nuevos,
descuentos especiales…
 Eventos…

16
Patrones de comportamiento de
la data histórica OUTLIERS
SHORTHISTORY

MODELCHANGE

SPARSEHISTORY ALLTIMESUPPLY

LUMPYDEMAND NEGATIVELEVEL

17
Historia errática
 Demanda conocida como Lumpy Demand
 Análisis de la información

 Stocks de seguridad y concepto de la variabilidad “σ”

desviación estándar
 Clasificación de productos ABC como una estrategia
 Alguna variable externa influencia en el pronóstico
fuertemente… hay que descubrirla
18
Demanda histórica costa
dispersa
 Entender porque no hay historia… no
hay historia por que no hay ventas?
 Caso de productos nuevos y
versiones nuevas, cambio de
códigos, productos sucesor –
predecesor
 Reconstruir la historia
 Si la historia es así, hay que aplicar
un modelo simple
 Ejemplos

19
Outliers

 Estadísticas para eliminar los

puntos fuera de control
 Herramienta para hacer este
trabajo
 Ejemplos

20
Cambio de tendencia

 Herramienta para descubrir

los cambios de tendencia
 El pronóstico se ve afectado
por un espacio de tiempo
 Caso de productos
complementarios o sustitutos

21
Tendencia negativa

 Impacto en los suministros y

el stock obsoleto
 Vencimientos
 Casos especiales

22
Productos de baja rotación:
Slow Move Products SMP
 Todas las compañías tienen productos de baja rotación
 Presenta problemas por no existir demanda histórica que
la represente o registrar consumos de productos de muy
baja rotación
 Rotación de inventarios
 Aplican modelo de promedio móviles simples o
ponderados
 Otros algoritmos de tipo heurístico
 Metodología de trabajo: reglas de negocio, identificación
y creación de lista de excepción
 Tienen casos así SMP’s?

23
Pronóstico para productos
nuevos
Producto Nuevo
 No hay historia, pero hay
productos parecidos
 Copiar el comportamiento de
la historia del producto
parecido y aplicarle un nivel
inicial
 Posibilidad de alterar la
tendencia
 Caso de sucesor –
predecesor
 Caso de perfiles de MI

24
¿Qué se debe pronosticar?

 Diferentes niveles de agregación o desagregación de

productos
 Línea, Categoría, familia
 Ubicaciones, regiones
 Productos Genéricos y SKU
 Efecto de las presentaciones (5kg, 2 kg, 1 kg, 0.5 kg, etc.)
 Curva de comportamientos
 Estrategias de variedad y postergación

25
Herramientas y técnicas
estadísticas aplicadas
 Cualitativos.- son subjetivos y se apoyan en el juicio humano.
Apropiados cuando la información histórica no está disponible o existen
muy pocos datos. También cuando hay investigación del mercado por
expertos (market intelligence) que pueden variar el pronóstico
 Modelos de promedios y suavizamiento.- utilizan la
demanda histórica. Buen método cuando la demanda histórica no varía
significativamente.
 Series de tiempo.- utilizan la demanda histórica, se basan en la
suposición de la historia de la demanda del pasado. Buen método cuando
la demanda histórica no varía significativamente.
 Causal.- suponen que el pronóstico esta afectado por ciertas variables
altamente correlacionadas con la demanda (PBI economía, PBI sector,
tasas de interés, etc.). Regresión lineal.
 Simulación.- combinan los métodos de series de tiempo y causales
para responder a preguntas y escenarios.

26
Pronósticos basados en Promedios

 Relación entre demanda histórica y futura

 Patrones de crecimiento y patrones estacionales se
reflejan en el pasado y se proyectan al futuro
Metodología de Suavizamiento
 Suavizamiento exponencial: necesita el pronóstico del
último periodo, la demanda real y un factor alfa “α”
(parámetro de suavizamiento)
Selección del mejor modelo

 Medición del error para conocer la confiabilidad de

cada técnica de pronóstico
 El error es la diferencia entre su valor real observado y su
valor de pronóstico
 et = error del pronóstico en el periodo t
 Yt = valor real en el periodo t
 Ŷt = valor del pronóstico en el periodo t
Medición del error
 MAD = Mean Absolute Deviation
Desviación absoluta media :
n

Y t  Yˆt
DAM  t 1
n

MAD Error medio cuadrado :

 Y
n

t  Yˆt  2

EMC  t 1

 MAPE = Mean Absolute Percentage Error

Porcentaje de error medio absoluto :
n Yt  Yˆt

Ytt 1
PEMA 
n
Porcentaje medio de error :

MAPE PME 

n

t 1
Y  Yˆ 
t
Yt
n
Taller en Excel
 Resolver los siguientes casos adjuntos en el archivo Excel.
Reconocer patrones de comportamiento anormales.
 Comentarios

31