Tema 4 Español

Proyecciones
MBA Renzo Rivero Fernádez
1
4
Previsión
Presentación de PowerPoint para acompañar

Heizer y Render
Dirección de Operaciones, Undécima Edición
Principios de Gestión de Operaciones, Novena
Edición
Diapositivas de PowerPoint por Jeff Heyl
© 2014 Pearson Education, Inc.

Outline
Perfil Global de la compañía: Walt Disney Parks
& Resorts
▶
¿Qué es la previsión?
La importancia estratégica de la
previsión
Siete pasos en el sistema de pronóstico
Enfoques de pronóstico
▶
Esquema - Continuación
Pronóstico de series temporales

Métodos de pronóstico asociativo:
regresión y análisis de correlación
Seguimiento y control de las previsiones
Previsiones en el sector servicios
▶
Objetivos de aprendizaje
Cuando complete este capítulo, usted

debería ser capaz de:
Comprender los tres horizontes
temporales y qué modelos se aplican para
cada uso
Explicar cuándo usar cada uno de los
cuatro modelos cualitativos
Aplicar los métodos ingenuo, de media
móvil, suavizado exponencial y tendencia
1.
Objetivos de aprendizaje
Cuando complete este capítulo, usted

debería ser capaz de:
Calcular tres medidas de precisión de
pronóstico
Desarrollar índices estacionales
Realizar un análisis de regresión y
correlación
Usar una señal de seguimiento
4.
El pronóstico proporciona una
ventaja competitiva para Disney
La cartera global incluye parques en Hong

Kong, París, Tokio, Orlando y Anaheim
Los ingresos se derivan de las personas:
cuántos visitantes y cómo gastan su dinero
El informe diario de gestión contiene solo el
pronóstico y la asistencia real a cada parque
►

Disney genera pronósticos diarios, semanales,

mensuales, anuales y a 5 años
Pronóstico utilizado por la administración de
mano de obra, mantenimiento, operaciones,
finanzas y programación de parques
Pronóstico utilizado para ajustar los horarios de
apertura, las atracciones, los espectáculos, los
niveles de personal y los invitados admitidos
►
El 20% de los clientes provienen de fuera de los

EE.UU.
El modelo económico incluye el producto interno
bruto, los tipos de cambio cruzados, las llegadas a
los EE.UU.
Un equipo de 35 analistas y 70 personas de campo
encuestan a 1 millón de visitantes, empleados y
profesionales de viajes del parque cada año.
►

Las entradas al modelo de pronóstico incluyen

especiales de aerolíneas, políticas de la
Reserva Federal, tendencias de Wall Street,
horarios de vacaciones / vacaciones para 3,000
distritos escolares de todo el mundo.
El error de pronóstico promedio para el
pronóstico de 5 años es del 5%
El error de pronóstico promedio para los
pronósticos anuales está entre 0% y 3%
►
¿Qué es la previsión?
Proceso de predicción de
un evento futuro
Base subyacente de todas
las decisiones
empresariales
??
Producción
Inventario
Personal
► Instalaciones
Previsión de horizontes temporales
Pronóstico a corto plazo
Hasta 1 año, generalmente menos de 3 meses
Compras, programación de trabajos, niveles de
fuerza laboral, asignaciones de trabajo, niveles de
producción
Pronóstico a medio plazo
3 meses a 3 años
Planificación de ventas y producción, presupuestos
Pronóstico a largo plazo
3+ años
Planificación de nuevos productos, ubicación de
instalaciones, investigación y desarrollo
•
Diferencias distintivas
Las previsiones a medio/largo plazo se ocupan

de cuestiones más completas y apoyan las
decisiones de gestión relativas a la
planificación y los productos, las plantas y los
procesos.
El pronóstico a corto plazo generalmente
emplea metodologías diferentes a las
previsiones a largo plazo.
Los pronósticos a corto plazo tienden a ser más
precisos que los pronósticos a largo plazo
1.
Influencia del ciclo de vida del
producto
Introducción – Crecimiento – Madurez – Declive
1. La introducción y el crecimiento requieren

pronósticos más largos que la madurez y el
declive.
2. A medida que el producto pasa a través del ciclo
de vida, los pronósticos son útiles para proyectar
3. Niveles de dotación de personal
4. Niveles de inventario
• Capacidad de fábrica
Ciclo de vida del producto
Introducción Crecimiento Madurez Declive
Mejor período para Práctico para Mal momento para Control de

aumentar la cuota cambiar precio o cambiar la imagen, costos crítico
de mercado calidad de imagen el precio o la
Estrategia/Problemas de la empresa
calidad
La ingeniería de Fortalecer nicho
investigación y Los costos
desarrollo es competitivos se
crítica vuelven críticos
Adm
Motores de búsqueda Defender la Restaurantes
en Internet posición en el
mercado DVDs
Xbox 360
iPods
Boeing 787
Sales
3D printers
3-D game Televisores

players Vehículos
analógicos
eléctricos
Figure 2.5
Product Life Cycle
Introducción Crecimiento Madurez Declive
Diseño y desarrollo Pronóstico crítico Normalización Poca

de productos Fiabilidad de Menos cambios de diferenciación
críticos productos y producto, más de productos
Cambios procesos cambios menores Minimización
frecuentes en el Mejoras y opciones Capacidad óptima de costes
diseño de competitivas de Aumento de la Exceso de
Estrategia/Problemas de OM
productos y productos estabilidad del capacidad en la

procesos Aumentar la proceso industria
Tiradas de capacidad Largas tiradas de Podar la línea
producción cortas Cambio hacia el producción para eliminar
Altos costes de enfoque en el Mejora del los artículos
producción producto producto y que no
Modelos limitados Mejorar la reducción de devuelven un
Atención a la distribución costes buen margen
calidad Reducir la
capacidad
Figure 2.5
Tipos de pronósticos
Previsiones económicas
Abordar el ciclo económico: tasa de inflación,
oferta monetaria, inicios de viviendas, etc.
Previsiones tecnológicas
Predecir la tasa de progreso tecnológico
Impacta el desarrollo de nuevos productos
Previsiones de demanda
Predecir las ventas de productos y servicios
existentes
•
Importancia estratégica de la
previsión
Gestión de la cadena de suministro: buenas

relaciones con los proveedores, ventajas en
la innovación de productos, costo y
velocidad de comercialización
Recursos Humanos – Contratación,
capacitación, despido de trabajadores
Capacidad: la escasez de capacidad puede
resultar en una entrega poco confiable,
pérdida de clientes, pérdida de participación
de mercado
Siete pasos en la previsión
Determinar el uso del pronóstico

Seleccione los elementos que se van a
pronosticar
Determinar el horizonte temporal del pronóstico
Seleccione los modelos de previsión
Recopilar los datos necesarios para hacer el
pronóstico
Hacer el pronóstico
1. Validar e implementar resultados
¡Las realidades!
Los pronósticos rara vez son perfectos,

factores externos impredecibles pueden
afectar el pronóstico
La mayoría de las técnicas asumen una
estabilidad subyacente en el sistema.
Los pronósticos agregados y de familia de
productos son más precisos que los
pronósticos de productos individuales
►
Métodos cualitativos
Se utiliza cuando la situación es vaga y

existen pocos datos
Nuevos productos
Nuevas tecnologías
Implica intuición, experiencia
por ejemplo, previsión de ventas en
Internet
►
Métodos cuantitativos
Se utiliza cuando la situación es
"estable" y existen datos históricos
Productos existentes
Tecnología actual
Involucra técnicas matemáticas
► por ejemplo, pronosticar las
ventas de televisores en color
https://www.youtube.com/watch?v=rinIQg4zOW8
Visión general de los métodos
cualitativos
Jurado de opinión ejecutiva

Reunir opiniones de expertos de alto nivel, a
veces aumentadas por modelos estadísticos
Método Delphi
1. Grupo de expertos, consultado
iterativamente
Visión general de los métodos
cualitativos
Compuesto de fuerza de ventas

Las estimaciones de los vendedores
individuales se revisan para determinar su
razonabilidad y luego se agregan.
Estudio de mercado
3. Pregunte al cliente
Jurado de Opinión Ejecutiva
Involucra a un pequeño grupo de expertos y

gerentes de alto nivel
El grupo estima la demanda trabajando juntos
Combina la experiencia gerencial con modelos
estadísticos
Relativamente rápido
'Pensamiento grupal'
desventaja
►
Método Delphi
Proceso de grupo
iterativo, continúa hasta Responsables de la
que se alcanza el toma de decisiones
consenso (Evaluar las
respuestas y tomar
decisiones)
3 tipos de participantes
Responsables de la toma
de decisiones
Personal
Staff
Encuestados (Administering
Encuestados
survey)
► (Personas que pueden
hacer juicios valiosos)
Compuesto de Fuerza de Ventas
Cada vendedor proyecta sus ventas

Combinados a nivel distrital y nacional
Los representantes de ventas conocen
los deseos de los clientes
Puede ser demasiado optimista
►
Estudio de mercado
Pregunte a los clientes sobre la compra

de planes
Útil para el diseño y la planificación de la
demanda y el producto
Lo que dicen los consumidores y lo que
realmente hacen puede ser diferente
Puede ser demasiado optimista
►
Visión general de los enfoques
cuantitativos
Enfoque ingenuo
Medias móviles
Suavizado exponencial
Modelos de
1. Proyección de tendencias
series
temporales
Regresión lineal Modelo
asociativo
Pronóstico de series temporales
Conjunto de datos numéricos espaciados

uniformemente
Obtenido mediante la observación de la variable
de respuesta en períodos de tiempo regulares
Pronóstico basado solo en valores pasados, sin
otras variables importantes
Asume que los factores que influyen en el
pasado y el presente continuarán influyendo en
el futuro
https://www.youtube.com/watch?v=iVuwEWLKMFc
►
Componentes de series temporales
Tendencia Cíclico
Estacional Aleatorio
Componentes de la demanda
Trend
component
Demand for product or service

Seasonal peaks
Actual demand
line
Average demand
over 4 years
Random variation
| | | |
1 2 3 4
Time (years)
Figure 4.1
Componente de tendencia
Patrón persistente, general hacia arriba o

hacia abajo
Cambios debidos a la población,
tecnología, edad, cultura, etc.
Normalmente varios años de duración
►
Seasonal Component
Patrón regular de fluctuaciones hacia
arriba y hacia abajo
Debido al clima, costumbres, etc.
► Ocurre dentro de un solo año
DURACIÓN DEL “TEMPORADA" NÚMERO DE "ESTACIONES" EN
PERÍODO DURACIÓN PATRÓN
Semana Día 7
Mes Semana 4 – 4.5
Mes Día 28 – 31
Año Cuarto 4
Año Mes 12
Año Semana 52
Cyclical Component
Repetir movimientos hacia arriba y hacia
abajo
Afectados por factores del ciclo económico,
políticos y económicos
Duración de varios años
► A menudo relaciones causales o
asociativas
0 5 10 15 20
Random Component
Fluctuaciones erráticas, no sistemáticas,
"residuales"
Debido a variaciones aleatorias o eventos
imprevistos
► Corta duración y no repetitivo
M T W T
F
Enfoque ingenuo
Asume que la demanda en el próximo

período es la misma que la demanda
en el período más reciente
por ejemplo, si las ventas de enero
fueron de 68, entonces las ventas de
febrero serán de 68
A veces rentable y eficiente
Puede ser un buen punto de partida
►
Método de media móvil
MA es una serie de medias aritméticas

Se usa si hay poca o ninguna tendencia
Se usa a menudo para suavizar
Proporciona una impresión general de los
datos a lo largo del tiempo
►
Ejemplo de media móvil
MONTH ACTUAL SHED SALES 3-MONTH MOVING AVERAGE

January 10
February 12
12
March 13
13
April 16 (10 + 12 + 13)/3 = 11 2/3
May 19 (12 + 13 + 16)/3 = 13 2/3
June 23 (13 + 16 + 19)/3 = 16
July 26 (16 + 19 + 23)/3 = 19 1/3
August 30
(19 + 23 + 26)/3 = 22 2/3
September 28
(23 + 26 + 30)/3 = 26 1/3
October 18
November 16 (26 + 30 + 28)/3 = 28
December 14 (30 + 28 + 18)/3 = 25 1/3

(28 + 18 + 16)/3 = 20 2/3
Media móvil ponderada
Se utiliza cuando alguna tendencia puede

estar presente
Los datos más antiguos suelen ser menos
importantes
Pesos basados en la experiencia y la
intuición
►
Media
móvil
ponderada
MONTH ACTUAL SHED SALES MEDIA MÓVIL PONDERADA A 3 MESES

January 10
February 12
12
March 13
13
April 16 [(3 x 13) + (2 x 12) + (10)]/6 = 12 1/6
May 19
June PESOS
23 APLICADOS PERIODO
July 26 3 El mes pasado
August 30 2 Hace dos meses
September 28 1 Hace tres meses
October 18 6 Suma de los pesos
November Pronóstico16
para este mes =
December 3 x Ventas
14 el mes pasado + 2 x Ventas hace 2 meses + 1 x Ventas hace 3
meses
Suma de los pesos
MONTH ACTUAL SHED SALES 3-MONTH WEIGHTED MOVING AVERAGE

January 10
February 12
12
March 13
13
April 16 [(3 x 13) + (2 x 12) + (10)]/6 = 12 1/6
May 19 [(3 x 16) + (2 x 13) + (12)]/6 = 14 1/3
June 23
[(3 x 19) + (2 x 16) + (13)]/6 = 17
July 26
[(3 x 23) + (2 x 19) + (16)]/6 = 20 1/2
August 30
[(3 x 26) + (2 x 23) + (19)]/6 = 23 5/6
September 28
[(3 x 30) + (2 x 26) + (23)]/6 = 27 1/2
October 18
November 16 [(3 x 28) + (2 x 30) + (26)]/6 = 28 1/3
December 14 [(3 x 18) + (2 x 28) + (30)]/6 = 23 1/3
[(3 x 16) + (2 x 18) + (28)]/6 = 18 2/3
Problemas potenciales con
Media móvil
El aumento de n suaviza el pronóstico pero lo

hace menos sensible a los cambios.
No pronostica bien las tendencias
Requiere una gran cantidad de datos
históricos
►
Gráfico de medias móviles
30 –
25 –
Demanda de ventas
20 –
Ventas
15 –
reales
10 – Media móvil
5–
| | | | | | | | | | | |
J F M A M J J A S O N D
Figure 4.2 Month
© 2014 Pearson Education, Inc. 4 - 44

► Forma de media móvil ponderada

► Los pesos disminuyen exponencialmente
► Los datos más recientes ponderados son los más
ponderados
► Requiere constante de suavizado ()
► Rangos de 0 a 1
► Elegido subjetivamente
Implica poco mantenimiento de registros de datos

pasados
Nuevo pronóstico = Pronóstico del último período

+ a (Demanda real del último
período – Previsión del último
periodo)
Ft = Ft – 1 + a(At – 1 - Ft – 1)
where Ft = Nuevo pronóstico

Ft – 1 = Pronóstico del período anterior
a = constante de suavizado (o ponderación) (0 ≤ a ≤ 1)
At – 1 = Demanda real del período anterior
Ejemplo de suavizado exponencial
Demanda prevista = 142 Ford Mustangs

Demanda real = 153
Constante de suavizado a = .20


Demanda real = 153
Nuevo pronóstico = 142 + .2(153 – 142)


Demanda real = 153
Nuevo pronóstico = 142 + .2(153 – 142)

= 142 + 2.2
= 144.2 ≈ 144 cars

Efecto de
Constantes de suavizado
Constante de suavizado generalmente .05 ≤ un ≤ .50

▶A medida que aumenta, los valores más antiguos se
vuelven menos significativos
PESO ASIGNADO A
3ER 5º PERIODO
CONSTANTE PERIODO 2º PERIODO PERÍODO 4º PERIODO MÁS
DE MÁS MÁS MÁS MÁS RECIENTE
SUAVIZADO RECIENTE RECIENTE RECIENTE RECIENTE A(1 – a)4
(a) a(1 – a) a(1 – a)2 a(1 – a)3
a = .1 .1 .09 .081 .073 .066
a = .5 .5 .25 .125 .063 .031

Impact of Different 
225 –
Actual a = .5
demand
200 –
Demand
175 –
a = .1
| | | | | | | | |
150 –
1 2 3 4 5 6 7 8 9
Quarter
Impact of Different 
225 –
Actual a = .5
► Chose high of 
values
demand
when
200 – underlying average
Demand
is likely to change
► Choose low values of 
175 –
when underlying average a = .1
is stable
| | | | | | | | |
150 –
1 2 3 4 5 6 7 8 9
Quarter
Elegir 
El objetivo es obtener el pronóstico

más preciso sin importar la técnica
Generalmente hacemos esto

seleccionando el modelo que nos da el
error de pronóstico más bajo.
Error de pronóstico = Demanda real – Valor de pronóstico

= At – Ft
Medidas comunes de error
Desviación absoluta media (MAD)

Determining the MAD
PRONÓSTICO
CUARTO TONELAJE REAL CON
DESCARGADO PRONÓSTICO CON a = .10 a = .50
1 180 175 175
2 168 175.50 = 175.00 + .10(180 – 175) 177.50
3 159 174.75 = 175.50 + .10(168 – 172.75

175.50)
4 175 173.18 = 174.75 + .10(159 – 165.88
174.75)
5 190 173.36 = 173.18 + .10(175 – 170.44
173.18)
6 205 175.02 = 173.36 + .10(190 – 180.22
173.36)
7 180 178.02 = 175.02 + .10(205 – 192.61
175.02)
8 182 178.22 = 178.02 + .10(180 – 186.30
178.02)
9 ? 178.59 = 178.22 + .10(182 – 184.15
178.22)
Determining
the MAD
PRONÓSTICO PRONÓSTICO PRONÓSCO PRONÓSTICO PRONÓSTICO PRONÓSTICO
CON CON CON CON CON CON
a = .10 a = .10 a = .10 a = .10 a = .10 a = .10
DESVIACIÓN DESVIACIÓN DESVIACIÓN DESVIACIÓN DESVIACIÓN DESVIACIÓN
ABSOLUTA ABSOLUTA ABSOLUTA ABSOLUTA ABSOLUTA ABSOLUTA
PARA A = .10 PARA A = .10 PARA A = .10 PARA A = .10 PARA A = .10 PARA A = .10
PRONÓSTICO PRONÓSTICO PRONÓSTICO PRONÓSTICO PRONÓSTICO PRONÓSTICO
CON CON CON CON CON CON
a = .50 a = .50 a = .50 a = .50 a = .50 a = .50
DESVIACIÓN DESVIACIÓN DESVIACIÓN DESVIACIÓN DESVIACIÓN DESVIACIÓN
ABSOLUTA ABSOLUTA ABSOLUTA ABSOLUTA ABSOLUTA ABSOLUTA
PARA A = .50 PARA A = .50 PARA A = .50 PARA A = .50 PARA A = .50 PARA A = .50
1 180 175 5.00 175 5.00
2 168 175.50 7.50 177.50 9.50
3 159 174.75 15.75 172.75 13.75
4 175 173.18 1.82 165.88 9.12
5 190 173.36 16.64 170.44 19.56
6 205 175.02 29.98 180.22 24.78
7 180 178.02 1.98 192.61 12.61
8 182 178.22 3.78 186.30 4.30

Medidas comunes de error
Error cuadrático medio (MSE)

Determining the MSE
ACTUAL
TONNAGE FORECAST FOR
QUARTER UNLOADED a = .10 (ERROR)2
1 180 175 52 = 25
2 168 175.50 (–7.5)2 = 56.25
3 159 174.75 (–15.75)2 = 248.06
4 175 173.18 (1.82)2 = 3.31
5 190 173.36 (16.64)2 = 276.89
6 205 175.02 (29.98)2 = 898.80
7 180 178.02 (1.98)2 = 3.92
8 182 178.22 (3.78)2 = 14.29
Sum of errors squared = 1,526.52
Common Measures of Error
Mean Absolute Percent Error (MAPE)

Determinación del MAPE
ACTUAL
TONNAGE FORECAST FOR ABSOLUTE PERCENT ERROR
QUARTER UNLOADED a = .10 100(ERROR/ACTUAL)
1 180 175.00 100(5/180) = 2.78%
2 168 175.50 100(7.5/168) = 4.46%
3 159 174.75 100(15.75/159) = 9.90%
4 175 173.18 100(1.82/175) = 1.05%
5 190 173.36 100(16.64/190) = 8.76%
6 205 175.02 100(29.98/205) = 14.62%
7 180 178.02 100(1.98/180) = 1.10%
8 182 178.22 100(3.78/182) = 2.08%
Sum of % errors = 44.75%
Comparison of Forecast Error
Rounded Absolute Rounded Absolute
Actual Forecast Deviation Forecast Deviation
Tonnage with for with for
Quarter Unloaded a = .10 a = .10 a = .50 a = .50
1 180 175 5.00 175 5.00
2 168 175.5 7.50 177.50 9.50
3 159 174.75 15.75 172.75 13.75
4 175 173.18 1.82 165.88 9.12
5 190 173.36 16.64 170.44 19.56
6 205 175.02 29.98 180.22 24.78
7 180 178.02 1.98 192.61 12.61
8 182 178.22 3.78 186.30 4.30
82.45 98.62
∑
Actual
|deviations|
Rounded
Forecast
Absolute
Deviation
Rounded
Forecast
Absolute
Deviation
MADTonnage
= with for with for
Quarter Unloaded n
a = .10 a = .10 a = .50 a = .50
1 For a180
= .10 175 5.00 175 5.00
2 168 175.5 7.50 177.50 9.50
3 159 = 82.45/8
174.75 = 10.31
15.75 172.75 13.75
4 175 173.18 1.82 165.88 9.12
5 For a190
= .50 173.36 16.64 170.44 19.56
6 205 = 98.62/8
175.02 = 29.98
12.33 180.22 24.78
7 180 178.02 1.98 192.61 12.61
8 182 178.22 3.78 186.30 4.30
82.45 98.62
∑ (forecast errors)
Rounded 2
Absolute Rounded Absolute
MSE = Tonnage
Quarter Unloaded
n
with
a = .10
for
a = .10
with
a = .50
for
a = .50
1 For a180
= .10 175 5.00 175 5.00
2 168 175.5 7.50 177.50 9.50
3 = 1,526.54/8
159 174.75 = 190.82
15.75 172.75 13.75
4 175 173.18 1.82 165.88 9.12
5 For a190
= .50 173.36 16.64 170.44 19.56
6 205 175.02
= 1,561.91/8 = 29.98
195.24 180.22 24.78
7 180 178.02 1.98 192.61 12.61
8 182 178.22 3.78 186.30 4.30
82.45 98.62
MAD 10.31 12.33
n
∑
Actual
100|deviation
Rounded
Forecast i |/actual
Absolute
Deviation i
Rounded
Forecast
Absolute
Deviation
MAPE = i=1
Quarter Unloaded a = .10 n a = .10 a = .50 a = .50
1 a = .10 175
For 180 5.00 175 5.00
2 168 175.5 7.50 177.50 9.50
3 159 = 44.75/8
174.75 =15.75
5.59% 172.75 13.75
4 175 173.18 1.82 165.88 9.12
5 For a=
190 .50 173.36 16.64 170.44 19.56
6 205 175.02
= 54.05/8 =29.98
6.76% 180.22 24.78
7 180 178.02 1.98 192.61 12.61
8 182 178.22 3.78 186.30 4.30
82.45 98.62
MAD 10.31 12.33
MSE 190.82 195.24
Rounded Absolute Rounded Absolute
Quarter Unloaded a = .10 a = .10 a = .50 a = .50
1 180 175 5.00 175 5.00
2 168 175.5 7.50 177.50 9.50
3 159 174.75 15.75 172.75 13.75
4 175 173.18 1.82 165.88 9.12
5 190 173.36 16.64 170.44 19.56
6 205 175.02 29.98 180.22 24.78
7 180 178.02 1.98 192.61 12.61
8 182 178.22 3.78 186.30 4.30
82.45 98.62
MAD 10.31 12.33
MSE 190.82 195.24
MAPE 5.59% 6.76%
Exponential Smoothing with Trend
Adjustment
When a trend is present, exponential

smoothing must be modified
MONTH ACTUAL DEMAND FORECAST (Ft) FOR MONTHS 1 – 5
1 100 Ft = 100 (given)
2 200 Ft = F1 + a(A1 – F1) = 100 + .4(100 – 100) = 100

3 300 Ft = F2 + a(A2 – F2) = 100 + .4(200 – 100) = 140
4 400 Ft = F3 + a(A3 – F3) = 140 + .4(300 – 140) = 204
5 500 Ft = F4 + a(A4 – F4) = 204 + .4(400 – 204) = 282
Adjustment
Forecast Exponentially Exponentially
including (FITt) = smoothed (Ft) + smoothed (Tt)
trend forecast trend
Ft = a(At - 1) + (1 - a)(Ft - 1 + Tt - 1)
Tt = b(Ft - Ft - 1) + (1 - b)Tt - 1
where Ft = exponentially smoothed forecast average
Tt = exponentially smoothed trend
At = actual demand
a = smoothing constant for average (0 ≤ a ≤ 1)
b = smoothing constant for trend (0 ≤ b ≤ 1)
Adjustment
Step 1: Compute Ft
Step 2: Compute Tt
Step 3: Calculate the forecast FITt = Ft + Tt
Adjustment Example
MONTH (t) ACTUAL DEMAND (At) MONTH (t) ACTUAL DEMAND (At)
1 12 6 21
2 17 7 31
3 20 8 28
4 19 9 36
5 24 10 ?
a = .2 b = .4
Adjustment Example
TABLE 4.1 Forecast with a - .2 and b = .4
SMOOTHED FORECAST
FORECAST SMOOTHED INCLUDING TREND,
MONTH ACTUAL DEMAND AVERAGE, Ft TREND, Tt FITt
1 12 11 2 13.00
2 17 12.80
3 20
4 19
Step 1: Average for Month 2
5 24
6 21
F2 = aA1 + (1 – a)(F1 + T1)
7 31
8 28 F2 = (.2)(12) + (1 – .2)(11 + 2)
9 36
10 — = 2.4 + (.8)(13) = 2.4 + 10.4
= 12.8 units
Adjustment Example
SMOOTHED FORECAST
1 12 11 2 13.00
2 17 12.80 1.92
3 20
4 19
5 24 Step 2: Trend for Month 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
Adjustment Example
SMOOTHED FORECAST
1 12 11 2 13.00
2 17 12.80 1.92 14.72
3 20
4 19
5 24 Step 3: Calculate FIT for Month 2
6 21
7 31 FIT2 = F2 + T2
8 28
9 36 FIT2 = 12.8 + 1.92
10 —
= 14.72 units
Adjustment Example
SMOOTHED FORECAST
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
Adjustment Example
40 – Figure 4.3
35 – Actual demand (At)

30 –
Product demand
25 –
20 –
15 –
10 – Forecast including trend (FITt)
5 – with  = .2 and  = .4
0 –
| | | | | | | | |
1 2 3 4 5 6 7 8 9
Time (months)
Trend Projections
Fitting a trend line to historical data points to
project into the medium to long-range
Linear trends can be found using the least
squares technique
y^ = a + bx
^ where y = computed value of the variable to be
predicted (dependent variable)
a = y-axis intercept
b = slope of the regression line
x = the independent variable
Least Squares Method
Values of Dependent Variable (y-values)

Actual observation Deviation7
(y-value)
Deviation5 Deviation6
Deviation3
Least squares method minimizes the
sum of Deviation
the squared
4
errors (deviations)
Deviation1
(error) Deviation2
Trend line, y^ = a + bx
| | | | | | |
1 2 3 4 5 6 7
Figure 4.4
Time period
Least Squares Method
Equations to calculate the regression variables

Least Squares Example
ELECTRICAL ELECTRICAL
YEAR POWER DEMAND YEAR POWER DEMAND
1 74 5 105
2 79 6 142
3 80 7 122
4 90
ELECTRICAL POWER
YEAR (x) DEMAND (y) x2 xy
74 1 74
1
79 4 158
2
80 9 240
3
90 16 360
4
105 25 525
5
142 36 852
6
122 49 854
7
Σx = 28 Σy = 692 Σx2 = 140 Σxy = 3,063
ELECTRICAL POWER
YEAR (x) DEMAND (y) x2 xy
74 1 74
1
79 4 158
2
80 9 240
3
90 16 360
4
105 25 525
5
142 36 852
6
Demand in year 8 = 56.70 + 10.54(8)
122 49 854
7 = 141.02, or 141 megawatts
Σx = 28 Σy = 692 Σx2 = 140 Σxy = 3,063
Trend line,
160 – y^ = 56.70 + 10.54x
150 –
Power demand (megawatts)
140 –
130 –
120 –
110 –
100 –
90 –
80 –
70 –
60 –
50 –
| | | | | | | | |
1 2 3 4 5 6 7 8 9
Year Figure 4.5
Least Squares Requirements
1. We always plot the data to insure a linear

relationship
2. We do not predict time periods far beyond
the database
3. Deviations around the least squares line
are assumed to be random
Seasonal Variations In Data
The multiplicative
seasonal model can
adjust trend data for
seasonal variations
in demand
Seasonal Variations In Data
Steps in the process for monthly seasons:
1. Find average historical demand for each month

2. Compute the average demand over all months
3. Compute a seasonal index for each month
4. Estimate next year’s total demand
5. Divide this estimate of total demand by the
number of months, then multiply it by the
seasonal index for that month
Seasonal Index Example
DEMAND
AVERAGE AVERAGE
YEARLY MONTHLY SEASONAL
MONTH YEAR 1 YEAR 2 YEAR 3 DEMAND DEMAND INDEX
Jan 80 85 105 90
Feb 70 85 85 80
Mar 80 93 82 85
Apr 90 95 115 100
May 113 125 131 123
June 110 115 120 115
July 100 102 113 105
Aug 88 102 110 100
Sept 85 90 95 90
Oct 77 78 85 80
Nov 75 82 83 80
Dec 82 78 80 80
Total average annual demand = 1,128
DEMAND
AVERAGE AVERAGE
Jan 80 85 105 90 94
Feb 70 85 85 80 94
Mar 80 93 82 85 94
Apr
Average
90 95 115 100 94
May
monthly
113 125 131 123 94
June
demand
110 115 120 115 94
July 100 102 113 105 94
Aug 88 102 110 100 94
Sept 85 90 95 90 94
Oct 77 78 85 80 94
Nov 75 82 83 80 94
Dec 82 78 80 80 94
DEMAND
AVERAGE AVERAGE
Jan 80 85 105 90 94 .957( = 90/94)
Feb 70 85 85 80 94
Mar 80 93 82 85 94
Apr 90 95 115 100 94
May 113 125 131 123 94
Seasonal110
June 115 120 115 94
July index 100 102 113 105 94
Aug 88 102 110 100 94
Sept 85 90 95 90 94
Oct 77 78 85 80 94
Nov 75 82 83 80 94
Dec 82 78 80 80 94
DEMAND
AVERAGE AVERAGE
Jan 80 85 105 90 94 .957( = 90/94)
Feb 70 85 85 80 94 .851( = 80/94)
Mar 80 93 82 85 94 .904( = 85/94)
Apr 90 95 115 100 94 1.064( = 100/94)
May 113 125 131 123 94 1.309( = 123/94)
June 110 115 120 115 94 1.223( = 115/94)
July 100 102 113 105 94 1.117( = 105/94)
Aug 88 102 110 100 94 1.064( = 100/94)
Sept 85 90 95 90 94 .957( = 90/94)
Oct 77 78 85 80 94 .851( = 80/94)
Nov 75 82 83 80 94 .851( = 80/94)
Dec 82 78 80 80 94 .851( = 80/94)
Seasonal forecast for Year 4
MONTH DEMAND MONTH DEMAND
Jan 1,200 July 1,200

x .957 = 96 x 1.117 = 112
12 12
Feb 1,200 Aug 1,200
x .851 = 85 x 1.064 = 106
12 12
Mar 1,200 Sept 1,200
x .904 = 90 x .957 = 96
12 12
Apr 1,200 Oct 1,200
x 1.064 = 106 x .851 = 85
12 12
May 1,200 Nov 1,200
x 1.309 = 131 x .851 = 85
12 12
June 1,200 Dec 1,200
x 1.223 = 122 x .851 = 85
12 12
Year 4 Forecast
140 – Year 3 Demand
130 – Year 2 Demand
Year 1 Demand
120 –
Demand
110 –
100 –
90 –
80 –
70 –
| | | | | | | | | | | |
J F M A M J J A S O N D
Time
San Diego Hospital
Trend Data Figure 4.6
10,200 –
10,000 –
Inpatient Days
9745
9,800 – 9659 9702
9573 9616 9766
9,600 – 9530 9680 9724
9594 9637
9551
9,400 –
9,200 –
| | | | | | | | | | | |
9,000 –
Jan Feb Mar Apr May June July Aug Sept Oct Nov Dec
67 68 69 70 71 72 73 74 75 76 77 78
Month
San Diego Hospital
Seasonality Indices for Adult Inpatient Days at San Diego Hospital
MONTH SEASONALITY INDEX MONTH SEASONALITY INDEX
January 1.04 July 1.03
February 0.97 August 1.04
March 1.02 September 0.97
April 1.01 October 1.00
May 0.99 November 0.96
June 0.99 December 0.98

San Diego Hospital
Seasonal Indices Figure 4.7
1.06 –
1.04 1.04
Index for Inpatient Days
1.04 – 1.03
1.02
1.02 – 1.01
1.00
1.00 – 0.99
0.98
0.98 – 0.99
0.96 – 0.97 0.97
0.96
0.94 –
| | | | | | | | | | | |
0.92 –
67 68 69 70 71 72 73 74 75 76 77 78
Month
San Diego Hospital
Period 67 68 69 70 71 72
Month Jan Feb Mar Apr May June
Forecast with 9,911 9,265 9,164 9,691 9,520 9,542

Trend &
Seasonality
Period 73 74 75 76 77 78
Month July Aug Sept Oct Nov Dec
Forecast with 9,949 10,068 9,411 9,724 9,355 9,572

Trend &
Seasonality

San Diego Hospital
Combined Trend and Seasonal Forecast Figure 4.8
10,200 – 10068
9949
10,000 – 9911
Inpatient Days
9764 9724
9,800 – 9691
9572
9,600 –
9520 9542
9,400 –
9411
9265 9355
9,200 –
| | | | | | | | | | | |
9,000 –
67 68 69 70 71 72 73 74 75 76 77 78
Month
Adjusting Trend Data
Quarter I:
Quarter II:
Quarter III:
Quarter IV:

Associative Forecasting
Used when changes in one or more independent

variables can be used to predict the changes in
the dependent variable
Most common technique is linear

regression analysis
We apply this technique just as we did

in the time-series example
Associative Forecasting
Forecasting an outcome based on predictor
variables using the least squares technique
^
y = a + bx
^ where y = value of the dependent variable (in our
example, sales)
a = y-axis intercept
b = slope of the regression line
x = the independent variable
Associative Forecasting Example
NODEL’S SALES AREA PAYROLL NODEL’S SALES AREA PAYROLL
(IN $ MILLIONS), y (IN $ BILLIONS), x (IN $ MILLIONS), y (IN $ BILLIONS), x
2.0 1 2.0 2
3.0 3 2.0 1
2.5 4 3.5 7
4.0 –
Nodel’s sales
(in$ millions)
3.0 –
2.0 –
1.0 –
| | | | | | |
0 1 2 3 4 5 6 7
Area payroll (in $ billions)
SALES, y PAYROLL, x x2 xy
2.0 1 1 2.0
3.0 3 9 9.0
2.5 4 16 10.0
2.0 2 4 4.0
2.0 1 1 2.0
3.5 7 49 24.5
Σy = 15.0 Σx = 18 Σx2 = 80 Σxy = 51.5
2.0 1 1 2.0
3.0 3 9 9.0
2.5 4 16 10.0
2.0 2 4 4.0
2.0 1 1 2.0
3.5 7 49 24.5
Σy = 15.0 Σx = 18 Σx2 = 80 Σxy = 51.5
2.0 1 1 2.0
3.0 4.0 – 3 9 9.0
Nodel’s sales
2.5 4 16 10.0
(in$ millions)
3.0 –
2.0 2 4 4.0
2.0 2.0 – 1 1 2.0
3.5 7 49 24.5
1.0 –
Σy = 15.0 Σx = 18 Σx2 = 80 Σxy = 51.5
| | | | | | |
0 1 2 3 4 5 6 7
If payroll next year is estimated to be $6 billion,

then:
Sales (in $ millions) = 1.75 + .25(6)

= 1.75 + 1.5 = 3.25
Sales = $3,250,000
If payroll4.0
next
–
year is estimated to be $6 billion,
then: 3.25
Nodel’s sales
(in$ millions)
3.0 –
2.0 –
Sales (in$ millions) = 1.75 + .25(6)
1.0 –
= 1.75 + 1.5 = 3.25
| | | | | | |
0 1 2 3 4 5 6 7
Sales = $3,250,000
Standard Error of the Estimate
► A forecast is just a point estimate of a
future value
► This point is
actually the
mean of a 4.0 –
3.25
probability
Nodel’s sales
(in$ millions)
3.0 –
Regression line,
distribution 2.0 –
1.0 –
| | | | | | |
0 1 2 3 4 5 6 7
Figure 4.9 Area payroll (in $ billions)
where y = y-value of each data point

yc = computed value of the dependent
variable, from the regression equation
n = number of data points
Computationally, this equation is

considerably easier to use
We use the standard error to set up

prediction intervals around the point
estimate
4.0 –
3.25
Nodel’s sales
(in$ millions)
3.0 –
The standard error 2.0 –
of the estimate is
1.0 –
$306,000 in sales
| | | | | | |
0 1 2 3 4 5 6 7
Correlation
► How strong is the linear relationship

between the variables?
► Correlation does not necessarily imply
causality!
► Coefficient of correlation, r, measures
degree of association
► Values range from -1 to +1
Correlation Coefficient
Figure 4.10
y y
x x
(a) Perfect negative (e) Perfect positive
correlation y correlation
y
y
x x
(b) Negative correlation (d) Positive correlation
x
(c) No correlation
High Moderate Low Low Moderate High

| | | | | | | | |
–1.0 –0.8 –0.6 –0.4 –0.2 0 0.2 0.4 0.6 0.8 1.0
Correlation coefficient values
y x x2 xy y2
2.0 1 1 2.0 4.0
3.0 3 9 9.0 9.0
2.5 4 16 10.0 6.25
2.0 2 4 4.0 4.0
2.0 1 1 2.0 4.0
3.5 7 49 24.5 12.25
Σy = 15.0 Σx = 18 Σx2 = 80 Σxy = 51.5 Σy2 = 39.5
Correlation
► Coefficient of Determination, r2, measures
the percent of change in y predicted by the
change in x
► Values range from 0 to 1
► Easy to interpret
For the Nodel Construction example:

r = .901
r2 = .81
Multiple-Regression Analysis
If more than one independent variable is to be

used in the model, linear regression can be
extended to multiple regression to accommodate
several independent variables
Computationally, this is quite

complex and generally done on the
computer
Multiple-Regression Analysis
In the Nodel example, including interest rates in the
model gives the new equation:
An improved correlation coefficient of r = .96 suggests

this model does a better job of predicting the change
in construction sales
Sales = 1.80 + .30(6) - 5.0(.12) = 3.00

Sales = $3,000,000
Monitoring and Controlling Forecasts
Tracking Signal
► Measures how well the forecast is predicting
actual values
► Ratio of cumulative forecast errors to mean
absolute deviation (MAD)
► Good tracking signal has low values
► If forecasts are continually high or low, the
forecast has a bias error
Monitoring and Controlling Forecasts
Tracking Cumulative error

signal =
MAD
Tracking Signal
Figure 4.11
Signal exceeding limit
Tracking signal
Upper control limit
+
Acceptable
0 MADs range
– Lower control limit
Time
Tracking Signal Example
ABSOLUTE CUM ABS TRACKING
ACTUAL FORECAST CUM FORECAST FORECAST SIGNAL (CUM
QTR DEMAND DEMAND ERROR ERROR ERROR ERROR MAD ERROR/MAD)
1 90 100 –10 –10 10 10 10.0 –10/10 = –1
2 95 100 –5 –15 5 15 7.5 –15/7.5 = –2
3 115 100 +15 0 15 30 10. 0/10 = 0
4 100 110 –10 –10 10 40 10. 10/10 = –1
5 125 110 +15 +5 15 55 11.0 +5/11 = +0.5
6 140 110 +30 +35 30 85 14.2 +35/14.2 = +2.5
At the end of quarter 6,

Adaptive Smoothing
► It’s possible to use the computer to

continually monitor forecast error and
adjust the values of the a and b
coefficients used in exponential
smoothing to continually minimize
forecast error
► This technique is called adaptive
smoothing
Focus Forecasting
► Developed at American Hardware Supply,
based on two principles:
1. Sophisticated forecasting models are not
always better than simple ones
2. There is no single technique that should be
used for all products or services
► Uses historical data to test multiple

forecasting models for individual items
► Forecasting model with the lowest error used
to forecast the next demand
Forecasting in the Service Sector
► Presents unusual challenges

► Special need for short term records
► Needs differ greatly as function of industry
and product
► Holidays and other calendar events
► Unusual events
Fast Food Restaurant Forecast
Percentage of sales by hour of day

20% – Figure 4.12
15% –
10% –
5% –
11-12 1-2 3-4 5-6 7-8 9-10

12-1 2-3 4-5 6-7 8-9 10-11
(Lunchtime) (Dinnertime)
Hour of day
FedEx Call Center Forecast
Figure 4.12
12% –
10% –
8% –
6% –
4% –
2% –
0% – 2 4 6 8 10 12 2 4 6 8 10 12
A.M. P.M.
Hour of day
All rights reserved. No part of this publication may be reproduced, stored in a retrieval system, or
transmitted, in any form or by any means, electronic, mechanical, photocopying, recording, or otherwise,
without the prior written permission of the publisher.
Printed in the United States of America.
126
127

Tema 4 Español

Cargado por

Información del documento

Derechos de autor

Formatos disponibles

Compartir este documento

Compartir o incrustar documentos

Opciones para compartir

¿Le pareció útil este documento?

¿Este contenido es inapropiado?

Copyright:

Formatos disponibles

Tema 4 Español

Cargado por

Copyright:

Formatos disponibles

Proyecciones

MBA Renzo Rivero Fernádez

Presentación de PowerPoint para acompañar

© 2014 Pearson Education, Inc.

Pronóstico de series temporales

Cuando complete este capítulo, usted

Cuando complete este capítulo, usted

La cartera global incluye parques en Hong

© 2014 Pearson Education, Inc.

Disney genera pronósticos diarios, semanales,

El 20% de los clientes provienen de fuera de los

© 2014 Pearson Education, Inc.

Las entradas al modelo de pronóstico incluyen

Las previsiones a medio/largo plazo se ocupan

1. La introducción y el crecimiento requieren

Mejor período para Práctico para Mal momento para Control de

3-D game Televisores

Diseño y desarrollo Pronóstico crítico Normalización Poca

productos y productos estabilidad del capacidad en la

Gestión de la cadena de suministro: buenas

Determinar el uso del pronóstico

Los pronósticos rara vez son perfectos,

Se utiliza cuando la situación es vaga y

ventas de televisores en color

Jurado de opinión ejecutiva

Compuesto de fuerza de ventas

Involucra a un pequeño grupo de expertos y

Cada vendedor proyecta sus ventas

Pregunte a los clientes sobre la compra

Conjunto de datos numéricos espaciados

Demand for product or service

Patrón persistente, general hacia arriba o

Asume que la demanda en el próximo

MA es una serie de medias aritméticas

MONTH ACTUAL SHED SALES 3-MONTH MOVING AVERAGE

December 14 (30 + 28 + 18)/3 = 25 1/3

Se utiliza cuando alguna tendencia puede

MONTH ACTUAL SHED SALES MEDIA MÓVIL PONDERADA A 3 MESES

MONTH ACTUAL SHED SALES 3-MONTH WEIGHTED MOVING AVERAGE

El aumento de n suaviza el pronóstico pero lo

© 2014 Pearson Education, Inc. 4 - 44

► Forma de media móvil ponderada

Implica poco mantenimiento de registros de datos

Nuevo pronóstico = Pronóstico del último período

where Ft = Nuevo pronóstico

Demanda prevista = 142 Ford Mustangs

© 2014 Pearson Education, Inc. 4 - 47

Demanda prevista = 142 Ford Mustangs

Nuevo pronóstico = 142 + .2(153 – 142)

© 2014 Pearson Education, Inc. 4 - 48

Demanda prevista = 142 Ford Mustangs

Nuevo pronóstico = 142 + .2(153 – 142)

© 2014 Pearson Education, Inc. 4 - 49

Constante de suavizado generalmente .05 ≤ un ≤ .50

a = .5 .5 .25 .125 .063 .031

El objetivo es obtener el pronóstico

Generalmente hacemos esto

Error de pronóstico = Demanda real – Valor de pronóstico

Desviación absoluta media (MAD)

2 168 175.50 = 175.00 + .10(180 – 175) 177.50

3 159 174.75 = 175.50 + .10(168 – 172.75

1 180 175 5.00 175 5.00

2 168 175.50 7.50 177.50 9.50

3 159 174.75 15.75 172.75 13.75