Está en la página 1de 68

FORECASTING PREDICCIONES

Russell & Taylor, Operation Management, Prentice-Hall Inc (2006) Hanke & Wichern, Pronostico en los Negocios, Pearson Education, (2006) A. Pulido, Predicciones Económicas y Empresariales, Ed. Pirámide S.A. (1989)

Pronóstico -Predicción-Previsión
q q q q q

Introducción Rol estratégico del pronóstico Componentes de un Pronóstico de Demanda Proceso de Predicción Métodos de Previsión Cuantitativos:
Métodos de Análisis Individual de Series Temporales Exactitud del pronóstico Control de pronóstico

q q

Métodos de Previsión Cuantitativos:
Modelos de Relaciones entre Variables

Métodos de Previsión Cuanlitativos

Introducción
Pronóstico: es “una” predicción de lo que acontecerá en el futuro. q Usualmente se pronostica la demanda para H q Es un proceso sujeto a incertidumbres q Métodos Cuantitativos Basados en fórmulas matemáticas q Métodos Cualitativos Basados en métodos subjetivos
q

Pronóstico -Predicción-Previsión q q q q q Introducción Rol estratégico del pronóstico Componentes de un Pronóstico de Demanda Proceso de Predicción Métodos de Previsión Cuantitativos: Métodos de Análisis Individual de Series Temporales Exactitud del pronóstico Control de pronóstico q q Métodos de Previsión Cuantitativos: Modelos de Relaciones entre Variables Métodos de Previsión Cuanlitativos .

TQM : Total Quality Management .Rol Estratégico del Pronóstico q Actualmente el Planeamiento y Diseño Estratégico apunta a: 1. Gestión de la Cadena de Suministro 2.

Rol Estratégico del Pronóstico 1.Gestión de la CS q Planificación LARGO PLAZO: Nuevos productos Nuevos Mercados Emergentes Nuevas Tecnologías Son críticos para el diseño estratégico de la C de S de una compañía .

Gestión de la CS q Planificación CORTO PLAZO: Inventarios Producción a lo largo de la C de S Compras Stocks  costos↑ vs.Rol Estratégico del Pronóstico 1. Faltante  TQM ↓ Previsión de Demanda q Previsión incorrecta ² .

El momento en el que es deseado 3 . sin defectos .La calidad deseada ² 1 y 2 Dependen de Previsiones ² 3 .Rol Estratégico del Pronóstico en 2-TQM : Total Quality Management q TQM ² 1 .Proceso de producción eficiente.Determinar el producto deseado 2 .

Pronóstico -Predicción-Previsión q q q q q Introducción Rol estratégico del pronóstico Componentes de un Pronóstico de Demanda Proceso de Predicción Métodos de Previsión Cuantitativos: Métodos de Análisis Individual de Series Temporales Exactitud del pronóstico Control de pronóstico q q Métodos de Previsión Cuantitativos: Modelos de Relaciones entre Variables Métodos de Previsión Cuanlitativos .

mediano y largo plazo q Comportamiento de la demanda Impredecible ⇒ aleatorio.4 .Componentes de un Pronóstico de Demanda q Horizonte de Tiempo (Time Frame ) corto. irregular Predecible ⇒ PATRONES Ch 10 .

Horizonte de Tiempo Mediano y corto plazo Pronósticos de Demandas: diario. tecnologías Desde 2 a 10 años futuros q . mensual hasta 2 años futuros q Largo plazo Planificación estratégica: productos. mercados. semanal.

q Movimientos aleatorios sin un patrón Ch 10 .Comportamiento de la Demanda tendencia (Trend) crecimiento o decrecimiento gradual a largo plazo q ciclos (Cycle) movimientos crecientes y decrecientes que se repiten en largos horizontes de tiempo q patrones estacionales (Seasonal pattern) oscilaciones periódicas de la demanda que se repiten a lo largo de un año.6 q .

Formas de comportamiento de la Demanda Demanda Demanda Variaciones aleatorias Tiempo [mes] Tiempo [años] Tendencia Ciclos Demanda Demanda Patrón estacional Tendencia y patrón estacional Tiempo [mes] Tiempo [mes] .

Pronóstico -Predicción-Previsión q q q q q Introducción Rol estratégico del pronóstico Componentes de un Pronóstico de Demanda Proceso de Predicción Métodos de Previsión Cuantitativos: Métodos de Análisis Individual de Series Temporales Exactitud del pronóstico Control de pronóstico q q Métodos de Previsión Cuantitativos: Modelos de Relaciones entre Variables Métodos de Previsión Cuanlitativos .

Elegir modelo de pronóstico 6. Evaluar la exactitud del pronóstico c/ dif métodos 8. La exactitud del pronóstico es aceptable ? 10. Ajustar los parámetroas del modelo o Cambiar el modelo de pronóstico 7. Graficar datos e identificar patrones. Colectar datos históricos 5. Pronosticar el próximo período . 4. Monitorear resultados y medir exactitud del pronóstico 9. Ajustar el pronóstico con información cualitativa adicional o subjetividad 11. Calcular el pronóstico para los períodos históricos 3. Identificar el objetivo del pronóstico 2.Proceso de Predicción 1.

Pronóstico -Predicción-Previsión q q q q q Introducción Rol estratégico del pronóstico Componentes de un Pronóstico de Demanda Proceso de Predicción Métodos de Previsión Cuantitativos: Métodos de Análisis Individual de Series Temporales Exactitud del pronóstico Control de pronóstico q q Métodos de Previsión Cuantitativos: Modelos de Relaciones entre Variables Métodos de Previsión Cuanlitativos .

S.Análisis de Series de Tiempo Técnicas estadísticas que usan datos históricos q Asumen que el pasado seguirá ocurriendo q Estrategia: el factor explicativo es el tiempo q Enfoque tradicional supone 4 componentes q T: tendencia.C.I Esquema aditivo: y=T+S+C+I Ch 10 . I: variaciones irregulares Esquema multiplicativo: y=T. C: movimientos cíclicos S: estacionalidad.10 .

Métodos Simples de Análisis de Series de Tiempo q q q Método ingenuo (naive) Medias móviles ( moving average) Alisado exponencial (exponential smoothing) Ajuste lineal de tendencia (linear trend line) q .

Σ n Di n q q q Promedia n períodos de tiempo Amortigua los cambios Se usa para demanda estable.Medias móviles MAn = donde. sin tendencia ni estacionalidad i=1 n = número de períodos Di= demanda en el período i .

0 105.0 3 100 + 90 +120 = = 103 .Medias Móviles: ejemplo Month Jan Feb Mar Apr May June July Aug Sept Oct Nov Orders 120 90 100 75 110 50 75 130 110 90 3-mo 103.3 95.0 78.0 95.3 88.0 110.0 82.3 3 MA 3 = ∑D i =1 3 i = 5 90 + 110 + 130 + 75 + 50 = = 91 5 MA 5 = ∑D i =1 5 i .0 88.0 91.3 78.0 5-mo 99.3 85.0 85.

Efecto de alisado Longer-period moving averages react more slowly .

14 .Media Móvil Ponderada q Adjusts moving average method to more closely reflect data fluctuations WMAn = Σ Wi Di i=1 where. Wi = the weight for period i.00 Ch 10 . between 0 and 100 percent Σ Wi = 1.

50 )( 90 ) + ( 0.17 )(130 ) = 103 .Media móvil ponderada: ejemplo Month Weight August 17% September 33% October 50% November forecast Data 130 110 90 i =1 = ( 0.4 WMA 3 = ∑ W iDi 3 .33 )(110 ) + (0.

Alisado Exponencial q q q Método de ponderación Mayor peso a los datos más recientes Reacciona a los cambios más recientes Ft+1 = α Dt + (1 .α )Ft donde. Ft+1 = pronóstico para el siguiente período Dt = demanda del periodo actual Ft = pronóstico previamente determinado para el período actual α = peso o constante de alisado .

8 Ft then Ft+1 = 0. If α = 0.0 <= α <= 1.0.2.2 Dt + 0.0 then Ft+1 = 0.Efecto de la constante de alisado Ft+1 = α Dt + (1 .17 . 0.α )Ft If α = 0.0.0 Dt + 0 Ft = Dt Basado sólo en datos recientes Ch 10 . then Ft+1 = 1.0 Dt + 1 Ft = Ft No refleja los datos recientes If α = 1.

5) 37 -40 37.61 F2 = α D1 + (1 .30 45.42 56 44.50 37 38.84 47 43.α )F2 = (0.81 50.28 38.9 F13 = α D12 + (1-α )F12 = (.75 45 38.3) Fcst (α =0.14 44.30)(54) + (.30)(37) + (0.70)(50.70)(37) = 37.06 51.84 53.00 41 37.79 53.71 52 47.79 .83 39.37 50 40.68 43 43.21 51.Alisado Exponencial: ejemplo Per 1 2 3 4 5 6 7 8 9 10 11 12 13 Month Jan Feb Mar Apr May Jun Jul Aug Sep Oct Nov Dec Jan Dem Fcst (α =0.85 55 49.29 41.20 45.42 54 50.30)(40) + (0.84) = 51.00 37.α )F1 = (0.70)(37) = 37 F3 = α D2 + (1 .90 38.

Alisado Exponencial © 1998 by Prentice-Hall Inc Russell/Taylor Oper Mgt 2/e Ch 10 .19 .

Ft) + (1 .α )Ft Tt+1 = β (Ft+1 .0 <= α <= 1.Alisado Ajustado con un Factor de Tendencia Exponencialmente Alisado AFt+1 =Ft+1 + Tt+1 Ft+1 = α Dt + (1 .0 β = constante de alisado de la tendencia T = factor de tendencia exponencialmente alisado Tt = factor de tendencia del último período Ch 10 .β ) Tt donde 0.20 .

0) + (0.61 Tt+1 0.13 53.70)(1.36 AF13 = F13 + T13 = 53.97 0.β ) T2 =(0.61 .44 38.75 38.45 = 38.37.β ) T12 =(0.76 1.00 38.95 T13 = β (F13 .00 38.F12 ) + (1 .28 1.37 41.5 .Alisado Ajustado con un Factor de Tendencia Exponencialmente Alisado Per Month Dem 1 2 3 4 5 6 7 8 9 10 11 12 13 Jan Feb Mar Apr May Jun Jul Aug Sep Oct Nov Dec Jan 37 40 41 37 45 50 43 47 56 52 55 54 Ft+1 37.76 58.5 + 0.36 AFt+1 37.44 42.69 0.73 47.77) =1.96 T3 = β (F3 .50 39.84 44.98 54.21 53.53.68 45.85 51.42 53.45 0.95 1.F2) + (1 .96 .70)(0) = 0.00 37.82 45.95 40.04 1.61 + 1.07 1.37 46.19 54.05 2.42 45.30)(38.30)(53.45 AF3 = F3 + T3 = 38.21) + (0.77 1.36 = 54.71 50.00 0.

Ajuste de Tendencia de una Serie .

exponenciales. Es más estable a mayor número de términos de la media móvil q Ajustar a los datos una f(t) matemática recta. pendiente/media móvil. . . curvas S Selección de f(t): análisis gráfico.Mecanismos para calcular la tendencia q Medias móviles o alisado genera una tendencia variable a lo largo de la serie. polinomios...

t^2 + c3.t^3. ...t + c2..Ajuste Lineal de Tendencia q q q yt = a + b.. Permite representar una variable dependiente o endógena con varias variables independientes. explicativas o exógenas. t+2....cKxKt Reducir a lineal un polinomio de ajuste de grado n q yt= c0 + c1. x2t = =t^2. x1t=t. yt=c0+c1x1t+..t Permite extrapolar fácilmente al futuro una tendencia regular sustituyendo t por t+1.

n = número de períodos x = Σ x .nx 2 Σ a =y-bx donde.Ajuste Lineal de Tendencia con Regresión Lineal de Cuadrados Mínimos y = a + bx donde. a b x y b= = ordenada origen = pendiente = período de tiempo = pronóstico para el período x Σ xy nxy x2. valor medio x n y = Σ n y . valor medio y .

72(13) = 57.5 12 557 y= = 46.2 y = 35.42 − (1.Ajuste Lineal de Tendencia con Cuadrados Mín: Ejemplo x y xyx2 1 37 371 2 40 804 3 41123 4 37148 5 45225 6 50300 7 43301 8 47376 9 56504 10 52520 11 55605 12 54648 78 5573867 9 16 25 36 49 64 81 100 121 144 650 78 = 6.72 b= x 2 − nx 2 650 − 12(6.2 + 1.56 Ch 10 .72 x y13 = 35.5) = 35.42 12 ∑ xy − nxy = 3.23 .867 − (12)(6.2 + 1.5) 2 ∑ x= a = y − bx = 46.72)(6.5)(46.42) = 1.

24 .Linear Trend Line: example © 1998 by Prentice-Hall Inc Russell/Taylor Oper Mgt 2/e Ch 10 .

Ajuste Estacional .

Ajuste Estacional Aumento/disminución repetitiva de la demanda durante un año q Uso de factor estacional para ajustar el pronóstico q factor estacional =S i = D ∑D i .

250.17) = 16.20)(58.9 55.30 x 2005 (año 4) previsión = 40.518.2811.28)(58.28 SF2 = (S2) (F5) = (0.7 SF1 = (S1) (F5) = (0.0 = 0.029.3148.545.68.7 Si 0.17) = 21.73 SF4 = (S4) (F5) = (0.6 Total 42.30 (4) = 58.638.119.37 S1 = D1 = 42.0 2003 14.1 2004 15.317.37)(58.63 SF3 = (S3) (F5) = (0.310.15)(58.6 8.97+ 4.53 .150.200.28 ∑ D 148.653.28 0.110.17 2005 16.6 6.53 Tendencia lineal: y = 40.3 7.Ajuste estacional: ejemplo Demanda (miles de unidades) Año 12 34 Total 2002 12.521.97 + 4.73 21.17) = 11.17) = 8.

Pronóstico -Predicción-Previsión q q q q q Introducción Rol estratégico del pronóstico Componentes de un Pronóstico de Demanda Proceso de Predicción Métodos de Previsión Cuantitativos: Métodos de Análisis Individual de Series Temporales Exactitud del pronóstico Control de pronóstico q q Métodos de Previsión Cuantitativos: Modelos de Relaciones entre Variables Métodos de Previsión Cuanlitativos .

Exactitud del Pronóstico q q q Error = Real – Pronosticado = e Encontrar un modelo que minimice el error Mean Absolute Deviation (MAD) q Desvío absoluto medio q Mean Absolute Percent Deviation (MAPD) q Desvío absoluto medio porcentual q Cumulative Error (E) .

Mean Absolute Deviation (MAD) MAD = Σ | Dt .Ft | n donde. t = período Dt = demanda en el periodo t Ft = pronóstico para el período t n = número total de períodos   = valor absoluto .

70 11.84 3.20 -0.00 Mar 41 37.70 Oct 52 47.72 6.83 1.15 3.20 Aug 47 43.83 -1.39 ∑ Dt −F t n = 4.Mean Absolute Deviation Example Per 1 2 3 4 5 6 7 8 9 10 11 12 Month Dem Fcst (α =0.31 53.14 3.00 3.30 11.06 5.20 0.00 3.3) Error Abs Error Jan 37 37.81 4.86 Sep 56 44.83 MAD = May 45 38.29 .15 557 51.69 = 53 .19 Nov 55 49.86 3.94 Dec 54 50.10 3.94 5.69 9.72 Jun 50 40.39 11 Jul 43 43.28 6.00 Feb 40 37.79 49.10 Apr 37 38.85 Ch 10 .90 3.19 4.29 9.

30 .Otras Medidas de Error q Mean absolute percent deviation (MAPD) ∑ D −F MAPD = ∑D t t t 53.39 = = 0.096 520 q Cumulative error Average error E= ∑ et q ∑et E= n Ch 10 .

14 1.29 MAPD E E 9.02 8.48 8.04 3.50) Aj Tend Exp smooth (α =0. β =0.30) Exp smooth (α =0.81 2.9% - linear trend line Ch 10 .6% 49.Comparación de pronósticos Forecast Exp smooth (α =0.31 .1% 21.30) MAD 4.85 4.5% 33.21 3.31 4.50.92 4.

Pronóstico -Predicción-Previsión q q q q q Introducción Rol estratégico del pronóstico Componentes de un Pronóstico de Demanda Proceso de Predicción Métodos de Previsión Cuantitativos: Métodos de Análisis Individual de Series Temporales Exactitud del pronóstico Control de pronóstico q q Métodos de Previsión Cuantitativos: Modelos de Relaciones entre Variables Métodos de Previsión Cuanlitativos .

Control de pronóstico q Reasons for out-of-control forecasts change in trend appearance of cycle politics weather changes promotions © 1998 by Prentice-Hall Inc Russell/Taylor Oper Mgt 2/e Ch 10 .32 .

2 to +/.5 MAD .Tracking Signal Compute each period q Compare to control limits q Forecast is in control if within limits q ∑ ( D t − F t) Trackingsignal = MAD E = MAD MAD ≅ 0.8σ Use control limits of +/.

02 4.19 10.00 7.00 2.00 37.19 8.01 6.23 5.34 .87 4.14 44.62 3.94 46.17 9.06 50. E 3 3.Tracking Signal Values Per Dem 1 37 2 40 3 41 4 37 5 45 6 50 7 43 8 47 9 56 10 52 11 55 12 54 Fcst 37.00 37.01 4.2 20.06 5.69 20.81 49.30 47.68 -0.09 4.7 36.32 MAD 3.99 9.15 49.1 6.66 4.90 38.72 10.20 43.86 24.25 5.83 38.34 11.19 40.85 TS 1.10 -1.29 43.16 © 1998 by Prentice-Hall Inc Russell/Taylor Oper Mgt 2/e Ch 10 .84 Error Cum.05 2.28 40.17 3.00 3.00 1.27 6.48 3.92 5.64 3.00 4.83 4.00 3.04 4.

Tracking Signal Plot .

The Normal Distribution 95 % 99.74 % -1σ -3σ -2σ µ =0 1σ 2σ 3σ Ch 4 .14 .

36 .Monitoring Forecast Errors With Statistical Control Charts σ= σ= 2 ∑ ( D t − F t) n −1 375.12 10 Ch 10 .68 = 6.

Pronóstico -Predicción-Previsión q q q q q Introducción Rol estratégico del pronóstico Componentes de un Pronóstico de Demanda Proceso de Predicción Métodos de Previsión Cuantitativos: Métodos de Análisis Individual de Series Temporales Exactitud del pronóstico Control de pronóstico q q Métodos de Previsión Cuantitativos: Modelos de Relaciones entre Variables Métodos de Previsión Cuanlitativos .

Métodos de regresión q Estudio de la relación entre dos o más variables Variables (dependientes). cuyo valor depende del valor de otras variables (independientes) q .

Regresión lineal
y = a + bx where, a = b= x = y = intercept (at period 0) slope of the line the independent variable forecast for demand given x

Σ xy b= nxy x2- nx 2 Σ a =y-bx where, n = number of periods x = Σ x , mean of x values n y = Σ y , mean of y values n

Regresión lineal: ejemplo
x yxy x2 4 36.3145.2 16 6 40.1240.6 36 6 41.2247.2 36 8 53.0424 64 6 44.0264 36 7 45.6319.2 49 5 39.0195 25 7 47.5332.5 49 49 346.72167.7311
49 = 6.125 8 346 .9 y= = 43.36 8 xy − nxy b= ∑ x2 − nx2 x=

=

2167 .7 − (8)( 6.125 )( 43.36 ) = 4.06 311 − 8(6.125 )2

a = y − bx = 43.36 − (4.06 )( 6.125 ) = 18.46 y = 43.36 + 4.06 x y 7 = 43.36 + 4.06 (7) = 46.88

© 1998 by Prentice-Hall Inc Russell/Taylor Oper Mgt 2/e

Ch 10 - 39

Regresión lineal

© 1998 by Prentice-Hall Inc Russell/Taylor Oper Mgt 2/e

Ch 10 - 40

00 Coeficiente de determinación.00 a +1.Correlación y coeficiente de determinación q Correlación. r Medida de relación lineal entre variables Valores: -1.41 q . r2 Porcentaje de variación en la variable dependiente debido a la variación de la variable independiente Ch 10 .

947 Coefficient of determination r2 = (0.9) [(8)(311) − ( 49 ) ][(8)(15.224 .Cálculo de r y r r= r= 2 [n∑ x n∑ xy − ∑ x ∑ y 2 − (∑ x) 2 ][n∑ y 2 − (∑ y ) 2 ] 2 (8)( 2.9) 2 = 0.7) − ( 49 )(346 .167 .897 .947)2 = 0.7) − (346 .

β 0 β 1 0 +β 1 x1 + β 2 x2 … + β k xk intercept k . β parameters for independent variables x1 .43 .Regresión Múltiple Establece una relación causal de la demanda con dos o más variables independientes y=β where.…. xk independent variables (exógenas o explicativas) © 1998 by Prentice-Hall Inc Russell/Taylor Oper Mgt 2/e Ch 10 .….

β 1 x1t ...… .β 0t .n et2 = (yt .β k xkt)2 (β k se denominan mínimos cuadrados) .Cálculo de los Coeficientes de un Modelo de Regresión Múltiple q A partir de n datos de cada una de la variables explicativas se calculan los β k / minimizan la suma de los errores al cuadrado: Minβ k ∑t=1.

q Modelos multiecuacionles Ej: yt = y1t + y2t y1t = β 0t + β 1 x1t + β 2 x2t 0 y2t = γ +γ 1t x3t + γ 2 x4t ...Modelos Econométricos Cuantifican relaciones entre variables en base a leyes económicas que las sustentan q Modelos uniecuacionales: regresión múltiple estático yt = β 0t + β 1 x1t + … + β k xkt regresión múltiple dinámico yt = β 0t + β 1 x1t + β 2 x1t-1 + … + γ 1 xkt + γ 2 xkt-1+..

Pronóstico -Predicción-Previsión q q q q q Introducción Rol estratégico del pronóstico Componentes de un Pronóstico de Demanda Proceso de Predicción Métodos de Previsión Cuantitativos: Métodos de Análisis Individual de Series Temporales Exactitud del pronóstico Control de pronóstico q q Métodos de Previsión Cuantitativos: Modelos de Relaciones entre Variables Métodos de Previsión Cuanlitativos .

Métodos Cualitativos Base: experiencia. opinión o juicio de individuos o grupos claves Grupos claves: Manager (conocen recursos y mercados) Ventas (conocen las expectativas de clientes) Ingeniería ( tecnología y productos factibles) Marketing (productos y servicios requeridos) USO: procesos de planificación estratégica de largo plazo © 2002 Sistemas de Gestión GIDSATD .

4. 3. Encuestas Diseño de Experimentos Simulación en base a modelos Delphi (Delfos) © 2002 Sistemas de Gestión GIDSATD . 2.Métodos Cualitativos Más Usados 1.

.. el costo..) USO: como variables explicativas de modelos © 2002 Sistemas de Gestión GIDSATD .se mantendrá.... Encuestas q Intención: de compra de bienes. de equipos.... horizonte reducido. la “presentación” puede inducir intención q Expectativas: Cree que (la producción. . puede aplazarse o anularse.) mejorará.1. desmejorará ? q Actitudes: valoración de individuos o instituciones sobre sucesos del entorno ( economía. desempleo.

. representatividad de la muestra.6 .. Yi=C0+C1X1i+.. Diseño de experimento q prueba piloto costosa...2.CKXKi+ei y: variable experimental i: número de experiencias k: “tratamiento” de la experimentación Ej: Vi=C0+C1PRi+C2PUi+ei i=1.... desfase de efectos por duración.

cK y-K q Relaciones causales y=a+b.3.t .. (t : variable explicativa) q Ecuaciones autorregresivas y=c0+c1y-1+..x Modelos Multiecuacionales: ej...XK (suma. Y=X1 +X2 + ...t^b .Simulación en Base a Modelos Identidades Y1=Y2 .. producto.. división) q Ecuaciones de evolución temporal y=a+b. y=a. Forrester q © 2002 Sistemas de Gestión GIDSATD .

4. probabilidad q Respuesta estadística de grupo Variantes: teleconferencia. impacto cruzado . autoevaluación. Delphi e Impactos cruzados Técnica de encuesta a expertos q Selección de expertos: 10 a 30 q Anonimato de las respuestas q Retro-alimentación controlada q Respuestas cuantitativas: valor. valoraciones cualitativas.