Ingeniería de Productos y Servicios

Temario

Pronósticos de Ventas
Sesió n de Aprendizaje: Semana 4 – Sesió n 2
 Motivación

• Vídeo: http://www.youtube.com/watch?v=yUs8_eVHIrk
• ¿Qué se entiende por pronó sticos de ventas?
• ¿Se puede gestionar eficientemente una empresa
sin un pronó stico?
• ¿Có mo elaboran las empresas un pronó stico de
ventas?
• ¿Por qué fallan los pronó sticos de ventas?
Logro de la Sesión

Al término de la sesió n, el estudiante desarrolla un

modelo de pronó stico de ventas basados en modelos
estadísticos, mediante la hoja de cá lculo Excel,
demostrando exactitud en los cá lculos realizados.
 Desarrollo.

1. Conceptos de Pronó sticos.

2. Importancia estratégica del pronó stico.

3. Tipos y métodos de pronó sticos.

4. Evaluació n de pronó sticos.

5. Componentes de la Demanda.

6. Herramientas del Excel para generar pronó sticos.

1. Conceptos de Pronóstico

Horizonte:
- Corto plazo
Pronóstico - Mediano Plazo
- Largo plazo

Técnica Base Ventas Objetivo

Utiliza Estimació n de
Reducir la
experiencias las ventas de un
La planeació n y incertidumbre
pasadas con la producto o
la toma de de lo que pueda
finalidad de servicio durante
decisiones. pasar en el
predecir el un período
futuro.
futuro. futuro.
2. Importancia Estratégica del Pronóstico

- Desarrollo del producto

Planeació n y - Capacidad
decisiones a largo - Estrategias
plazo
Investigació n Diseñ o del
Técnica Producto
- Identificació n PRONÓSTICO DE - Tipo
- Programas - Tecnología
VENTAS - Materiales

Contabilidad, Marketing
Finanzas y
Recursos Operaciones - Ventas y Publicidad
- Nuevos productos
Humanos - Diseñ o del Proceso - Programas
- Capacidad de Instalaciones - Precios
- Planeació n agregada - Distribució n
- Programació n de producció n
- Administració n del inventario
1.2. Mal uso del Pronóstico de Ventas

Malas decisiones de
diseñ o, materiales e
inventario
Es mejor un Malas
mal pronó stico decisiones de
que ninguno MAL USO PRONÓSTICO maquinaria y
DE personal
VENTAS

Dificulta el Faltante de
trabajo de los Servicio partes
Gerentes inadecuado al
cliente: Quejas
3. Tipos y Métodos de Pronósticos

Métodos
Cualitativos
1. Delphi
- Basados en opiniones.
2. Estudios de Mercado
- No usan modelos específicos.
- Cuando faltan datos. 3. Analogía del ciclo de vida
- Datos histó ricos no son confiables. 4. Criterio Informado

1. Promedio: Simple,
Cuantitativos Series de Mó vil y Ponderado
tiempo 2. Suavizació n Exponencial
- Basados en modelos Ft 1  Ft   (x t - Ft )
matemá ticos. 1. Regresió n
- Datos histó ricos son 2. Econométricos
Causales 3. Estacional
confiables.
y   0  1x1   2 x 2  ...   4. De descomposició n
Siete Pasos del Sistema de Pronósticos

1. Determinar el uso.
2. Seleccionar los aspectos a pronosticar.
3. Determinar el horizonte.
4. Seleccionar el modelo de pronó stico.
5. Reunir los datos necesarios para elaborarlo.
6. Obtener el pronó stico.
7. Validar e implantar los resultados.
4. Evaluación de Pronósticos
Todo pronó stico se evalú a por medio de un Error de
pronóstico:

• El Error de pronó stico en el periodo t (et) es la diferencia

entre un valor real (Yt) y su valor de pronó stico (Ý t).

et  yt  yˆ t
Indicadores de la Medición del Error

• Comparar la precisió n de dos o má s técnicas

de pronó sticos.
• Medir la confiabilidad de una técnica de
pronó stico en particular.
• Buscar la técnica má s ó ptima.
Indicadores de la Medición del Error
INDICADOR DESCRIPCIÓN FÓRMULA

* Se usa debido a su sencillez y utilidad para obtener señ ales

Desviación de rastreo.
Absoluta Media * Es valiosa porque, al igual que la desviació n está ndar, mide
(DAM) la dispersió n de un valor observado que se aleja del valor
esperado.

* Da a conocer que tan grande es el error en el pronó stico,

Error Medio cuando el error es má s grande, al elevarlo al cuadrado
Cuadrado (EMC) penaliza cada error, indicando si tengo errores pequeñ os,
moderados o son muy grandes.

% Error Medio * Es ú til para comparar la precisió n de la misma u otra

Absoluto (PEMA) técnica sobre dos series completamente diferentes.

* Determinar si el pronó stico está sesgado o no (orientació n o

tendencia), si no está sesgado, dará un % muy cercano a cero,
que puede ser (+) o (-) .
% Medio de Error * Si el % es (-), está sobrevalorado y debo realizar los ajustes
(PME) pertinentes.
* Si el % es (+), indica que es subvalorado y también debo
realizar los ajustes, para tratar que el % sea el má s cercano a
cero.
Señal de Rastreo (SR)
• Indica si el promedio del pronó stico esta siguiendo el ritmo de un
verdadero cambio ascendente o descendente en la demanda.
• Constituye el nú mero de desviaciones medias absolutas en que el
valor del pronó stico está por arriba o por debajo de los hechos.

SR 
 (y  ý )
t t

DAM
5. Componentes de la Demanda
COMPONENTES DESCRIPCIÓN EJEMPLO

Promedio de un * Planeació n de
* Se basa en un promedio aritmético o ponderado de
inventarios a corto y
periodo un nú mero determinado de datos histó ricos.
mediano plazo.

* Componente de largo plazo que representa el * Ventas a largo plazo,

La Tendencia crecimiento o disminució n en la serie sobre un oferta de empleo, precio
periodo amplio. de acciones.

El elemento * Ventas en navidad,

* Componente que se caracteriza por periodos repetibles consumos en estaciones
estacional de altas y bajas a lo largo de periodos cortos.
del añ o.

Los elementos * Es la fluctuació n ascendente y descendente en * Empleo, la

forma de onda alrededor de la tendencia en producció n, precio de
cíclicos periodos mayores a un añ o. acciones.

La variación * Mide la variabilidad inexplicable de una serie de * Guerras, elecciones

políticas, huelgas,
aleatoria tiempo después de retirar los otros componentes.
desastres naturales.

* Es el grado de asociació n o afinidad entre las * Coeficiente de

La correlación variables cuantitativas. correlació n (r)
Líneas de Tendencia
Componente Cíclico, Estacional y Aleatoria
 Análisis de Regresión
• Regresión: nos permite ajustar una nube de puntos a una recta
(ajuste lineal) o curva (ajuste no lineal), lo que equivale a conocer
la forma en la que se relacionan las variables. De otra manera, la
regresió n determina la mejor de las rectas o curvas.

Ý = Variable dependiente o valor pronosticado en un periodo X

a = Es la intersecció n Y o valor de la tendencia cuando X = 0
b = Pendiente de la recta de tendencia
X = Variable independiente o periodo (codificado)

Y  A  BX
Tendencia Lineal
El método má s empleado para describir una tendencia lineal es
el de Mínimos Cuadrados, para encontrar una línea de mejor
ajuste para un conjunto de puntos.

Y  A  BX
n xy   x  y
B
n x   x 
2 2

A  y
B  x
n n
Análisis de Correlación
El coeficiente de correlación de Pearson (r), es un nú mero que
indica el grado o intensidad de asociació n entre las variables X e
Y. Su valor varía entre -1 y +1.
Por tanto tan importante será conocer la forma en que se
relacionan las variables (de eso se ocupa la regresió n), como
conocer el grado de asociació n/dependencia de dichas variables
(de esto se ocupa la correlació n).
n n n
n X iYi   X i  Yi
r n
i 1
n
i 1
n
i 1
n
n X  ( X i )
i
2 2
n Yi  ( Y1 ) 2 2

i 1 i 1 i 1 i 1
Interpretación de (R)

Si 0.00 ≤ r < ±0.20 existe correlació n no significativa.

Si ±0.20 ≤ r < ±0.40 existe una correlació n baja.

Si ±0.40 ≤ r < ±0.70 existe una correlació n significativa.

Si ±0.70 ≤ r < ±1.00 existe un alto grado de correlació n.

Si r = 1 existe una correlació n perfecta positiva.

Si r = 0 no existe correlació n.

Si r = -1 existe una correlació n perfecta negativa.

Correlación
Coeficiente de Determinación (r2)

El coeficiente de determinación (r2), es para evaluar qué tan

correcta es la estimació n de la recta de regresió n.

n xy   x  y 
2

n x   x n y   y  
2
r  2 2 2 2

El coeficiente de determinació n toma valores entre 0 y 1.

Interpretación de (r2)

• Si toma el valor “0”, la regresió n no explica nada de la

variabilidad de los valores observados y por lo tanto el
ajuste obtenido no modeliza la relació n entre variables.

• Si toma el valor “1”, es cuando el ajuste efectuado recoge

toda la variabilidad de la variable original, y por tanto el
ajuste es perfecto.

• Si toma valores entre “0” y “1”, el ajuste es tanto mejor

cuanto má s se aproxima a 1. Los ajustes se consideran
razonables cuando r2 ≥ 0.75
6. Herramientas del Excel para generar Pronósticos

70 Demanda (D)

60 f(x) = 0.38961038961039 x² − 2.18381618381618 x + 31.0909090909091

R² = 0.800471417982939
50 f(x) = 2.88111888111888 x + 19.2727272727273
R² = 0.683767845058168
40

30 Demanda (D)
20 Linear (Demanda (D) )

10 Polynomial (Demanda
(D) )
0
... re ... ... ro ro zo ril o io lio to
m b m m e re ar Ab ay n u s
ptie c tu
ovie ici e En
F eb M M Ju J
Ag
o
Se O N D
 Conclusión
1. ¿Qué aprendimos hoy?
2. ¿Para qué me sirven los pronó sticos de ventas
cuantitativos?
3. ¿Por qué son importantes los pronó sticos de ventas?
4. Sustenta el modelo de pronó stico de la demanda
encontrado en prá ctica de aula.
5. ¿Có mo aplicaré este conocimiento en mi carrera?
 Reflexión

“La predicción es muy difícil,

especialmente cuando es
acerca del futuro”.
Niels Bohr, Premio Nobel de Física
 PRÓXIMA CLASE APLICACION

De acuerdo a lo aprendido:
• Desarrollar el pronó stico de ventas de los ejercicios
propuestos - Sesió n 2.
• Investigar en equipos de trabajo la demanda anual de la
Empresa en estudio y elaborar el pronó stico de ventas
con su respectiva evaluació n y aná lisis.
 Bibliografía
• Chapman, Stephen (2006), Planificació n y Control de la
Producció n, primera edició n, Editorial Pearson
Educació n.
• Chase, Jacobs y Aquilano (2005), Administració n de la
Producció n y Operaciones para una ventaja competitiva,
décima edició n, Editorial McGraw-Hill.
• D´Alessio, Fernando (2004), Administració n y Direcció n
de la Producció n, segunda edició n, Editorial Pearson
Educació n.