Documentos de Académico
Documentos de Profesional
Documentos de Cultura
Asignatura:
Planeamiento y control de operaciones
Ciclo: VIII
Sesión 08: Estrategia del Pronóstico
Contenido
¨ ¿Qué es la prevision o pronóstico?
¨ Horizontes temporales de la previsión
¨ La influencia del ciclo de vida del producto
¨ Tipos de previsiones
¨ La importancia estratégica de la previsión
¨ Recursos humanos
¨ Capacidad
¨ Gestión de la cadena de suministros
¨Previsiones de demanda:
¨ Predicen las ventas ya existentes.
Siete etapas en el sistema de
previsión
¨Determinar la utilización de la previsión.
¨Seleccionar los artículos en los que se va a
realizar la previsión.
¨Determinar el horizonte temporal de la previsión.
¨Seleccionar el(los) modelo(s) de previsión.
¨Recogida de datos.
¨Realizar la previsión.
¨Validar e implementar los resultados.
Demanda de un producto representada en
un periodo de 4 años con tendencia de
crecimiento y estacionalidad
Picos estacionales Componente de tendencia
Demanda del producto o servicio
Línea de
demanda
actual
Demanda media
en cuatro años
Variación
aleatoria
Primer Segundo Tercer Cuarto
año año año año
Realidades sobre la previsión
preguntas del
estudio.
Visión global de los métodos cuantitativos
¨Enfoque simple
¨Medias móviles Modelos de
series
¨Alisado exponencial temporales
¨Proyección de tendencia
Modelos
¨Regresión lineal asociativos
Métodos de previsión cuantitativos
(no simples)
Previsión
cuantitativa
Tendencia Ciclos
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
¨ Huelga.
¨ Tornado.
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:
Ventas
190 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
å errores de previsión
Entonces: DAM =
n
Impacto de Diferente
225 –
Demanda a = .5
200 –
Actual
Demanda
175 –
a = .1
150 – | | | | | | | | |
1 2 3 4 5 6 7 8 9
Trimestre
Seleccionar
El objetivo es obtener la previsión más exacta
no importa la técnica
∑ |actual - forecast|
MAD =
n
∑ (error de pronóstico)2
MSE =
n
Medidas de los Errores
n
100 ∑ |actuali - pronósticoi|/actuali
MAPE = i=1
n
Comparación de los Errores del
Pronóstico
Pronóstico Desviación Pronóstico Desviación
Volumen Actual Absoluta Actual Absoluta
Efectivo Con Para Con Para
Trimestre Sin Carga a = .10 a = .10 a = .50 a = .50
1
Para a 180
= .10 175 5 175 5
2 168 = 84/8 =
17610.50 8 178 10
3 159 175 16 173 14
4 Para a 175
= .50 173 2 166 9
5 190 173 17 170 20
6 205 = 100/8175
= 12.50 30 180 25
7 180 178 2 193 13
8 182 178 4 186 4
84 100
Comparación de los Errores del
Pronóstico
∑ (errores Pronóstico)
Rounded
2
Absolute Rounded Absolute
MSE = Actual Forecast Deviation Forecast Deviation
Tonage n
with for with for
Quarter Unloaded a = .10 a = .10 a = .50 a = .50
1
Para a 180
= .10 175 5 175 5
2 = 1,558/8 =176194.75
168 8 178 10
3 159 175 16 173 14
4 Para a 175
= .50 173 2 166 9
5 190 173 17 170 20
6 = 1,612/8
205 =175201.50 30 180 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
Pronóstico n
100 ∑Rounded
|desviación i|/actuali
Absolute Rounded Absolute
MAPE = Actual i = 1 Forecast Deviation Forecast Deviation
Tonage with for with for
Quarter Unloaded a = .10 n a = .10 a = .50 a = .50
1
Para a
180
= .10 175 5 175 5
2 168 = 45.62/8
176 = 5.70%
8 178 10
3 159 175 16 173 14
4 Para a
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 a = .10 a = .10 a = .50 a = .50
Ft = a(At - 1) + (1 - a)(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 = aA1 + (1 - a)(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 –
Actual demand (At)
30 –
25 –
Product demand
20 –
15 –
0 –
| | | | | | | | |
1 2 3 4 5 6 7 8 9
Figure 4.3
Time (month)
Método de mínimos cuadrados
Si decidimos desarrollar una recta de tendencia lineal
mediante un método estadístico preciso,
podemos aplicar el método de mínimos cuadrados. Este
enfoque resulta en una línea recta que minimiza
la suma de los cuadrados de las diferencias verticales o
desviaciones de la recta hacia cada una
de las observaciones reales.
Una recta de mínimos cuadrados se describe en términos de
su intersección con el eje y (la altura a
la cual cruza al eje y) y su pendiente (el ángulo de la recta).
Si podemos calcular la intersección con el
eje y y la pendiente, podremos expresar la recta con la
siguiente ecuación:
Método de mínimos cuadrados
Observación Desviación
Valores de la variable dependiente
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
¨ Se calcula mediante el método de los mínimos
cuadrados:
¨ Minimiza la suma de errores cuadrados.
Diagrama de dispersión
Ventas
Ventas frente a tiempo
4
3
2
1
0
92 93 94 95 96
Periodo de tiempo
Modelo de regresión lineal
^
Yi = a + b X i
Variable dependiente Variable independiente
Ecuaciones de regresión lineal
Ecuación: Ŷi a bx 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 X1Y 1
2 2
X2 Y2 X2 Y2 X2Y 2
: : : : :
2 2
Xn Yn Xn Yn X nY n
2 2
Σ Xi ΣYi Σ Xi 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).
¨Corte con el eje Y (a):
¨ Valor medio de Y cuando X = 0.
¨ Si a = 4, entonces las ventas medias (Y) serán de 4 cuando la
publicidad (X) sea 0.
Variación de los errores aleatorios
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 Σ X iY i
Ejemplo de análisis de regresión
lineal
Usted es el analista de marketing de Hasbro Toys.
Recoge los siguientes datos:
Año Ventas (unidades)
2010 1
2011 1
2012 2
2013 2
2014 4
¿Cuál es la ecuación de la tendencia?
Modelo de previsión del análisis de
regresión lineal
Usted está realizando el análisis de marketing de Hasbro
Toys. Al utilizar años codificados, halla
^ que
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
1. Siempre deben graficarse los datos porque los datos de mínimos
cuadrados suponen una relación lineal. Si parece que exista una
curva presente, probablemente sea necesario el análisis
curvilíneo
2. No se predicen periodos lejanos a la base de datos dada. Por
ejemplo, si tenemos los precios promedio de las existencias de
Microsoft durante 20 meses, sólo podemos pronosticar 3 o 4
meses hacia el futuro. Los pronósticos de más tiempo tienen
poca validez estadística. Por lo tanto, no pueden tomarse datos
de 5 años de ventas y proyectar 10 años hacia el futuro. El mundo
es demasiado incierto.
3. Se supone que las desviaciones calculadas alrededor de la recta
de mínimos cuadrados son aleatorias (vea la figura de Mínimos
Cuadrados). Por lo general, están distribuidas normalmente, con
la mayoría de las observaciones cerca de la recta y sólo unas
cuantas más lejos.
Modelo estacional multiplicativo
¨ Encontrar la demanda histórica media para cada “estación”
sumando la demanda de esa estación cada año y dividiéndola
entre el número de años de datos disponibles.
¨ Calcular la demanda media a lo largo de todas las estaciones
dividiendo la demanda media total anual entre el número de
estaciones.
¨ Calcular un índice estacional dividiendo la demanda histórica real
de esa estación (calculado en la etapa 1) entre la demanda media
a lo largo de todas las estaciones.
¨ Estimar la demanda anual de todo el año próximo.
¨ Dividir esta estimación de la demanda anual total entre el número
de estaciones y entonces multiplicarla por el índice estacional de
esa estación. Esto proporciona la previsión estacional .
Modelo estacional multiplicativo aplicado
en las variaciones estacionales
Modelo estacional multiplicativo aplicado
en las variaciones estacionales
Aplicación de tendencia e
índices estacionales
Aplicación de tendencia e
índices estacionales
Aplicación de tendencia e
índices estacionales
Aplicación de tendencia e
índices estacionales
Guía para elegir el modelo de
previsión
¨Usted quiere conseguir:
¨ Ninguna conducta o dirección del error de previsión.
¨ Error = (Yi - Y^i) = (Real - Previsión).
¨ Se observa en las representaciones de los errores a lo largo del
tiempo.
¨ Un error de previsión más pequeño:
¨ Error cuadrado medio (ECM).
¨ Desviación absoluta media (DAM).
Conducta del error de previsión
Tendencia no esperada
Conducta deseada
Error Error
0 0
Modelo lineal:
SAEP
Señal de rastreo =
DAM
n
å (yi - ŷi )
= i =1
DAM
å errores de previsión
=
DAM
Cálculo de la señal de rastreo
Trim. Demanda Demanda Error SAEP Error |Error| DAM SR
prevista real absoluto acumulado
1 100 90
2 100 95
3 100 115
4 100 100
5 100 125
6 100 140
Cálculo de la señal de rastreo
Trim. Demanda Demanda Error SAEP Error |Error| DAM SR
prevista real absoluto acumulado
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
Trim. Demanda Demanda Error SAEP Error |Error| DAM SR
prevista real absoluto acumulado
Señal de rastreo
Límite de control superior
+
0
DAM
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
MUCHAS
GRACIAS