Unidad I IO UAC

UNIDAD I: LAS OPERACIONES COMO FUENTE DE
VENTAJA COMPETITIVA
PROFESOR:
PHD© CAMILO ADOLFO CAMPOS VALDÉS
TALCA, ABRIL DE 2023

Camilo Campos Valdés 1 / XX
Métodos de pronó stico
Conceptos clave
Servicio
al cliente
ESTRATÉGICO
Diseño del Estrategia de
canal la red
TÁCTICO
Diseño de Gestión del Gestión de
depósitos y transporte materiales
operaciones
OPERATIVO
Políticas y Equipamiento Organización
Sistema de
procedimientos e instalaciones y gestión del
información
cambio
IMPLEMENTACIÓN

Objetivos
1. Entender el papel del pronó stico en SCM.
2. Identificar los componentes del pronó stico de la demanda.
3. Pronosticar demanda de una cadena de suministros dada la

informació n histó rica de la demanda, empleando metodologías de
series de tiempo.
4. Analizar los pronó sticos para estimar el error de los mismos.

Conceptos clave
Pronó stico de Demanda

• El pronó stico es la base de la planeació n corporativa a
largo plazo y tiene impacto directo en el mediano y corto
plazo
• Es importante ver el horizonte y el nivel de agregació n

que se requiere para el pronó stico de demanda
• Nivel Estratégico: Largo Plazo
• Nivel Tá ctico: Mediano Plazo
• Nivel Operacional: Corto Plazo.

• Ejemplo SUPERMERCADO
Camilo Campos Valdés 4

Conceptos clave
Pronóstico de Demanda
Horizonte de Exactitud Número de Nivel Método de

Uso
tiempo Necesaria Productos Gerencial Pronóstico
Cualitativos y
Diseño del Proceso Largo Media Unos o Pocos Alto
Causales
Planeación de la Capacidad Cualitativos y
Largo Media Unos o Pocos Alto
de Instalaciones Causales
Causales y de
Planeación Agregrada Mediano Alta Pocos Mediano
Series de Tiempo
Programación Corto La más Alta Muchos Más Bajo Series de Tiempo
Administración de
Corto La más Alta Muchos Más Bajo Series de Tiempo
Inventarios

Conceptos clave
Pronó stico de Demanda

• Un pronó stico perfecto es imposible
• Hay demasiados factores que no se pueden pronosticar con certeza
• Revisió n continua de los pronó sticos
• Aprender a vivir con pronó sticos imprecisos
• Flexibilidad de reacció n
• Utilizar dos o tres mé todos

• Aná lisis de sensibilidad del pronó stico
• No es un nú mero sino un rango

Pronó sticos
Base de toda planificació n en la SC.

Caso Coca-Cola.
Á rea comercial, decide con base en el pronó stico, lanzar promociones
para su pró ximo trimestre.
Actualizar la demanda segú n lo anterior es esencial para la secció n de
embotellado.
Decisiones de capacidad y de producción.
Productos maduros con demanda estable, son fá ciles de pronosticar.
¿Qué pasa cuando es altamente impredecible la oferta de materia prima

(commodity) ?

Pronó sticos
• Los bienes de moda y altamente tecnoló gicos son difíciles de

pronosticar.
• Clave es un buen pronó stico.
• Si se produce mucho, o muy poco, existen escasas posibilidades de

recuperarse.
• En contraste, para artículos con demanda estable, el impacto de un

error en el pronó stico es menos significativo.

Características de los Pronó sticos
Los pronósticos siempre están equivocados y por tanto se debe incluir el valor
esperado del pronóstico como medida de error mismo.
Ej: Considere dos distribuidores de autos A y B
A: Espera que las ventas fluctú en entre 100 y 1900 unidades.

B: Espera que las ventas fluctú en entre 900 y 1100 unidades.
¿Cómo deberían ser las políticas de adquisición de cada distribuidor si en

promedio prevén las mismas ventas?


•Los pronó sticos de largo plazo son menos precisos que los de corto plazo.
- Desviació n está ndar mayor respecto a la media.
• Caso Seven-Eleven Japó n: Proceso de reabastecimiento para surtir pedidos.
• Si se coloca un pedido a las 10 am, este se entrega a las 7 pm del mismo día.
•Por lo tanto, se pronostica lo que se venderá esa noche, 12 horas antes de la venta real.
• Qué ventaja tiene el tiempo de espera corto?

- Considerar informació n actual.
- Mayor precisió n que si tuviera que pronosticar con mayor tiempo de anticipació n.


•Pronó sticos agregados son má s precisos que los desagregados.
- La desviació n está ndar del error respecto a la media es menor.
•Es fá cil pronosticar el PIB (muchas compañ ías) de USA para cierto añ o con un
error menor al 2%.
•Es difícil pronosticar el ingreso anual de una empresa (muchas líneas de

productos) con ese error y aú n má s difícil pronosticar el ingreso de un
producto dado, con ese grado de precisió n.

•En general, mientras má s lejos del consumidor una empresa de la cadena

esté, mayor será la distorsió n de informació n que recibe.
•El mejor y clá sico ejemplo de esto es el efecto lá tigo.
•Pronó sticos colaborativos con base en las ventas al cliente, ayudan a las
empresa de má s arriba de la cadena a reducir el error de pronó stico.

Componentes de los Pronó sticos

•La demanda no surge de la nada.
•Las empresas deben identificar una serie de factores que influyen sobre los
clientes.
•Estudiar la relació n demanda-factores.
•Nuestro enfoque será en mé todos cuantitativos, pero es bueno incluir el

aspecto humano al pronosticar.
•Caso Seven Eleven.

Factores que alteran la demanda

•Demanda Pasada.
•Tiempo de entrega del producto.
•Publicidad planeada o campañ as de marketing.
•Estado de la economía.
•Descuentos de precios planeados.
•Acciones que los competidores han tomado.
•Entre otros.
Clasificació n de métodos de pronó sticos

1. Cualitativos: Má s subjetivos y apoyados por juicios humanos. Sirven en
ausencia de informació n histó rica, pocos datos o resultados de un estudio de
mercado que afecte al pronó stico. Pueden ser ú tiles para pronosticar a varios
añ os en una nueva industria.
2. Series de tiempo: Utilizan la demanda histó rica para pronosticar. Se basan

en el supuesto de que la demanda pasada es buen indicador para demanda
futura. Sirven cuando los patrones de demanda no varían significativamente
entre periodos. Son métodos fá ciles de implementar.

Clasificació n de métodos de pronó sticos

3. Causales: Suponen que el pronó stico está altamente correlacionado con ciertos
factores ambientales (economía, tasas de interés, etc). Por ej. La fijació n de precios de
los productos, esta fuertemente correlacionada con la demanda, por ende, se usan
estos métodos para determinar el impacto de promociones de precios.
4. Simulación: Buscan imitar las elecciones del cliente que dan origen a la demanda
para llegar a un pronó stico. Combina los mé todos de series de tiempo y causales para
responder a preguntas tipo, qué pasaría si? Ej: Las aerolíneas simulan comportamiento
de compra de clientes para pronosticar demanda de asientos de tarifa alta, cuando no
hay disponibilidad de los de tarifa baja.

Métodos Cualitativos
 Existen varios tipos de métodos cualitativos:
 Técnicas Acumulativas
 Investigació n de Mercados
 Grupos de Consenso
 Analogía Histó rica
 Método de Delphi
17
Mé todos Cualitativos:
Técnicas Acumulativas
 Deriva pronó stico a través de la compilació n de
entradas de aquellos que se encuentran al final de la
jerarquía.
 Supuesto: La persona que está má s cerca del cliente conoce
mejor sus necesidades futuras.
 Pronó sticos se suman y se llevan a nivel má s alto.
 EJ: Almacén local trata con cada uno de los vendedores. Suma
el total, agrega inventario de seguridad y efectos de pedir en
cantidad. Luego se lleva al almacén regional, quien suma la
cantidad de cada almacén local, etc.
18
Investigació n de Mercados
 Se utiliza sobre todo para la investigació n de nuevos
productos
 Mé todos de recopilació n: Encuestas, Entrevistas, Focus
Group, etc.
19
Grupos de Consenso
 “Dos cabezas piensan má s que una”
 Grupo de personas con diversas posiciones en la empresa
 Reuniones abiertas con intercambio libre de ideas
 Algunas personas pueden sentirse intimidadas y no hablar
libremente
20
Analogía Histó rica
 Producto General o Existente como modelo.
 Productos complementarios, sustituibles o
competitivos
 Ej: Tostador y Cafetera (NY-Wisconsin)
21
Método de Delphi
 Similar a grupos de consenso pero en forma de
cuestionario
 Se elige a los expertos a participar
 Por medio de un cuestionario se obtienen proyecciones
 Se resumen los resultados, se modifica el cuestionario y se
vuelve a repartir
 Nuevamente se resumen los resultados, se refinan
proyecciones y se plantean preguntas nuevas
 Si es necesario se vuelve a repetir el paso anterior
 Por lo regular se requieren tres rondas

 Elimina el problema de la intimidació n
22
Revisar material de apoyo
Estudiar (como buenos estudiantes de Ingeniería saben que esto significa leer y
desarrollar los ejercicios) capítulo 15, Administración y Pronóstico de la
demanda, de libro Administración de Operaciones: Producción y cadena de
suministros. 13ra Edición. De los autores Jacobs, R. & Chase, R.
En caso de no contar con ú ltima edició n, pueden utilizar ediciones anteriores del
mismo capítulo.
23
•Es difícil decidir cuá l método es el má s apropiado para pronosticar. Emplear

mú ltiples mé todos de pronó sticos para crear un pronó stico combinado es mucho
má s efectivo que emplear cualquier otro en solitario.
•En cualquier método de pronó stico existe siempre el elemento aleatorio que no
puede ser explicado con los patrones de la demanda histó rica.
Demanda Observada (O) = componente sistemá tico (s) + componente aleatorio (r)

¿Có mo entender el comportamiento de una serie de tiempo?

• Existen dos mecanismos principales:
1. La descomposició n clá sica es un mé todo
que se basa en la suposició n de que se
pueden descomponer en componentes
como horizontal tendencia, ciclo,
estacionalidad e irregularidad.
•Una predicció n se hace mediante la
combinació n de las proyecciones de
cada componente individual.
2. Otro enfoque, denominado análisis de
autocorrelación, también se puede
emplear para identificar componentes y
patrones de datos.
•El componente sistemá tico (s) mide el valor esperado de la demanda a

partir del estudio de las formas de las series de tiempos.
•El componente aleatorio (r) es la parte que se desvía de la parte

sistemá tica, no se pronostica, sino que se busca aminorar.
•El objetivo del pronó stico es filtrar y eliminar el componente aleatorio

(ruido) y estimar el componente sistemá tico. El error de pronó stico va a
medir la diferencia entre lo pronosticado y lo que actualmente se tiene.

Componentes de las series de tiempo
• Con frecuencia se realizan observaciones de datos a

través del tiempo.
Una serie de tiempo consta de datos que se reúnen, registran u observan

sobre incrementos sucesivos de tiempo.

El componente aleatorio mide la variabilidad de las series de tiempo después de

retirar los otros componentes
• Contabiliza la variabilidad aleatoria ocasionada por factores imprevistos y no recurrentes.

• La mayoría de los componentes irregulares se conforman de variabilidad aleatoria.
• Sin embargo, ciertos sucesos a veces impredecibles como huelgas, cambios de clima
(sequías, inundaciones o terremotos), elecciones, conflictos armados o la aprobació n de
asuntos legislativos, pueden causar irregularidades en una variable.

La tendencia de una serie de tiempo es el componente de largo plazo que

representa el crecimiento o disminució n en la serie sobre un periodo amplio
•Muchas variables macroeconó micas, como el

Producto Nacional Bruto (PNB), el empleo y
la producció n industrial está n dominadas por
una fuerte tendencia.
•Las fuerzas bá sicas que ayudan a explicar la

tendencia de una serie son el crecimiento de
la població n, la inflació n de precios, el
cambio tecnoló gico y los incrementos en
productividad.

El componente estacional es un patró n de cambio que se repite a

sí mismo añ o tras añ o
• En el caso de las series mensuales, el componente

estacional mide la variabilidad de las series cada
enero, febrero, etc.
• En las series trimestrales hay cuatro elementos

estacionales, uno para cada trimestre.
• La variació n estacional puede reflejar condiciones

de clima, días festivos o la longitud de los meses
calendario.
El componente cíclico es la fluctuació n en forma de onda alrededor de la

tendencia.
Esta fluctuació n es afectada por lo regular por las condiciones econó micas generales.
Los patrones cíclicos tienden a repetirse en los datos aproximadamente cada dos,
tres o má s añ os.
Es comú n que las fluctuaciones cíclicas esté n influidas por cambios de expansió n y
contracció n econó mica, a los que comú nmente se hace referencia como el ciclo de los
negocios.
EXPLORACIÓ N DE PATRONES DE DATOS MEDIANTE ANÁ LISIS DE

AUTOCORRELACIÓ N
Autocorrelación es la correlació n existente entre una variable desfasada uno o
má s periodos y la misma variable.
• Cuando se mide una variable a travé s del tiempo, con frecuencia está correlacionada
consigo misma cuando se desfasa uno o má s periodos.
• Esta correlació n se mide mediante el coeficiente de autocorrelació n.
• Los patrones de datos que incluyen componentes como tendencia, estacionalidad e

irregularidad se pueden estudiar usando el enfoque del aná lisis de autocorrelació n.
• Los coeficientes de autocorrelació n para diferentes desfases de tiempo de una variable
se emplean para identificar patrones en las series de tiempo de datos.


Coeficiente de Correlació n de primer orden
Coeficiente de Correlació n de orden k



El correlograma es una herramienta grá fica que se emplea para exhibir las
autocorrelaciones para varios desfases en una serie de tiempo.

Métodos Cuantitativos:
Análisis de Series de Tiempo
 Predecir el futuro con información del pasado
 Varios modelos:
 Promedio Móvil Simple
 Promedio Móvil Ponderado
 Suavización Exponencial
 Análisis de Regresión Lineal
 Series de Tiempo
 Proyecciones de Tendencia

Métodos Cuantitativos: Análisis de Series de Tiempo

Promedio Móvil Simple
 Útil cuando la demanda no crece ni baja con rapidez
y no tiene características estacionales
= Pronóstico para el periodo t

= Demanda real del periodo t-1
= Número de periodos a promediar
 Varios efectos conflictivos de distintos periodos

 Mientras más largo, más se uniformarán los elementos
aleatorios, pero se retrasa la tendencia.


 Ej.: Periodos de 3 y 9 semanas
Semana Demanda 3 Semanas 9 Semanas Semana Demanda 3 Semanas 9 Semanas
1 800 16 1.700 2.200 1.811
2 1.400 17 1.800 2.000 1.800
3 1.000 18 2.200 1.833 1.811
4 1.500 1.067 19 1.900 1.900 1.911
5 1.500 1.300 20 2.400 1.967 1.933
6 1.300 1.333 21 2.400 2.167 2.011
7 1.800 1.433 22 2.600 2.233 2.111
8 1.700 1.533 23 2.000 2.467 2.144
9 1.300 1.600 24 2.500 2.333 2.111
10 1.700 1.600 1.367 25 2.600 2.367 2.167
11 1.700 1.567 1.467 26 2.200 2.367 2.267
12 1.500 1.567 1.500 27 2.200 2.433 2.311
13 2.300 1.633 1.556 28 2.500 2.333 2.311
14 2.300 1.833 1.644 29 2.400 2.300 2.378
15 2.000 2.033 1.733 30 2.100 2.367 2.378


 Ej.: Periodos de 3 y 9 semanas
3.000
2.500
2.000
1.500
1.000
Demanda Real
500
Pronóstico Móvil Simple con 3 semanas
Pronóstico Mövil Simple con 9 semanas
0
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30


Promedio Móvil Ponderado
 Asigna importancia a los distintos elementos
= Pronóstico para el periodo t

= Ponderación dada a la demanda real para el periodo t-1
= Número total de periodos en el pronóstico


Promedio Móvil Ponderado
 Asigna importancia a los distintos elementos
 Experiencia
 Prueba
 Por regla general: Más importante el pasado más reciente
 Si los datos son estacionales: Ponderar según
estacionalidad
• Ej: trajes de baño


Suavización Exponencial
 Cada incremento en el pasado se reduce 1 – a
= Pronóstico suavizado exponencialmente para el periodo t

= Constante de suavización
 La suavización exponencial es la más utilizada en las

técnicas de pronóstico.


 Se acepta en forma generalizada por seis razones:
 Sorprendentemente preciso
 Relativamente fácil de formular
 Modelo fácil de entender
 Se requieren pocos cálculos
 Bajo requerimiento de almacenamiento de datos
 Fácil de calcular pruebas de precisión de desempeño


 La razón por la que se llama suavización exponencial
es que cada incremento en el pasado se reduce (1 –
a)


 Cada incremento en el pasado se reduce 1 – a
 Dato más reciente:

 Dato de un periodo anterior:
 Dato de dos periodos antes:


 Solo se requieren 3 piezas de datos para pronosticar
el futuro
 El pronóstico más reciente
 La demanda real que ocurrió durante el periodo de
pronóstico
 Una constante de suavización
 La constante de suavización determina el nivel de

uniformidad y la velocidad de reacción a las
diferencias entre los pronósticos y las ocurrencias
reales.


• Suavización Exponencial con Tendencia:
• Donde Tt es la tendencia.


• Suavización Exponencial con Estacionalidad de Largo L:
• Donde Rt es el factor de estacionalidad.


• Suavización Exponencial con Estacionalidad de Largo L
y tendencia:


Análisis de Regresión Lineal
 Relación Funcional entre dos o más variables
correlacionadas.
 Se pronostica una variable en base a la otra.
 Se realiza a partir de datos observados.
 Se grafican los datos
= Variable Dependiente
= Secante
= Pendiente
= Variable Independiente (En este caso el tiempo)

Camilo Campos Valdés



 Útil para el pronóstico a largo plazo de eventos
importantes, así como la planeación agregada.
 Supone que los datos del pasado, y los pronósticos
futuros caen sobre una recta.
 Pueden usarse periodos más cortos.
 Se utiliza tanto para Análisis de Series de Tiempo
como para Relaciones Causales, en cuyo caso una
variable es dependiente de la otra.


188
Sales
168
148
128
Sales
108
Sales
Regression
88
1 3 5 7 9 11 13 15 17
17 19
19 21
21 23
23 25
25 27
27 29
29
Week
55

Series de Tiempo Shiskin
 Puede definirse una serie temporal como datos
ordenados en forma cronológica que pueden tener
uno o más componentes de la demanda:
 Tendencia
 Estacional
 Cíclico
 Autocorrelación
 Aleatorio
 La descomposición de una serie temporal significa
identificar y separar los datos de la serie temporal
en estos componentes.

Series de Tiempo Shiskin
 Es fácil identificar la tendencia y el componente
estacional.
 Es más difícil identificar los componentes de los
ciclos, la autocorrelación y el aleatorio.
 Cuando se tienen efectos estacionales y de
tendencia al mismo tiempo, pueden relacionarse:
 Variación Estacional Aditiva -> Cantidad estacional es una
constante
 Variación Estacional Multiplicativa -> La tendencia se
multiplica por los factores estacionales
-> Es más común la multiplicativa.
57
Proyecciones de Tendencia
 Ajusta una recta matemática de tendencias a los
puntos de datos y las proyecta en el futuro
Tendencia Líneal Tendencia de curva S
2 2
1,9 1,9
1,8 1,8
1,7 1,7
1,6 1,6
1,5 1,5
1,4 1,4
1,3 1,3
1,2 1,2
1,1 1,1
1 1
0,9 0,9
0,8 0,8
0,7 0,7
0,6 0,6
1 2 3 4 5 6 7 8 9 10 11 12 1 2 3 4 5 6 7 8 9 10 11 12
Tendencia asintótica Tendencia exponencial

2 2
1,9 1,9
1,8 1,8
1,7 1,7
1,6 1,6
1,5 1,5
1,4 1,4
1,3 1,3
1,2 1,2
1,1 1,1
1 1
0,9 0,9
0,8 0,8
0,7 0,7
0,6 0,6
1 2 3 4 5 6 7 8 9 10 11 12 1 2 3 4 5 6 7 8 9 10 11 12
58
Métodos Cuantitativos:
Relaciones Causales
 Tratar de entender el sistema subyacente y que
rodea al elemento que se va a pronosticar
 La gracia es que una variable independiente sea un
indicador guía
 Ej.: La lluvia para la venta de paraguas
 Relación causal -> Una ocurrencia causa la otra
 Es de gran importancia encontrar las ocurrencias
que realmente son la causa
59
MÉ TODOS NO FORMALES
Las té cnicas no formales má s sencillas suponen que los periodos recientes son los
mejores pronosticadores del futuro.
¿Cuá l sería el mé todo má s sencillo en tal sentido?
¿Sirve un modelo así?

Si, si la situació n es estable.
¿Y si hubiera una tendencia?

Este tipos de pronósticos sería adecuado para una serie con este
comportamiento?
¿Cómo podría introducirse una mejora para reconocer este comportamiento?

Medició n de Error en el Pronó stico
Se han ideado diversos métodos para resumir los errores generados por una técnica
particular de pronóstico.
La mayoría de estas mediciones implican promediar alguna función de la diferencia entre el

valor real y su valor de pronóstico.
A menudo se denominan residuales a estas diferencias entre valores observados y los

valores de pronóstico.
Un residual es la diferencia entre un valor real y su valor de pronóstico.
Desviació n Absoluta de la Media (DAM)
•Mide la precisió n de un pronó stico mediante el promedio de la magnitud de los

errores de pronó stico (valores absolutos de cada error).
•La DAM resulta de gran utilidad cuando el analista desea medir el error de
pronó stico en las mismas unidades de la serie original.

Error Medio Cuadrado (EMC)
• Cada error o residual se eleva al cuadrado; luego, estos valores se suman y se divide
entre el nú mero de observaciones.
• Este enfoque penaliza los errores mayores de pronó stico ya que eleva cada uno al
cuadrado.
• Esto es importante pues en ocasiones pudiera ser preferible una té cnica que produzca
errores moderados a otra que por lo regular tenga errores pequeñ os, pero que
ocasionalmente arroje algunos en extremo grandes.
Porcentaje de Error Medio Absoluto (PEMA)
•En ocasiones, resulta má s ú til calcular los errores de pronó stico en términos de porcentaje y no en cantidades.
•Este enfoque es ú til cuando el tamañ o o magnitud de la variable de pronó stico es importante en la evaluació n de la
precisió n del pronó stico.
•El PEMA proporciona una indicació n de qué tan grandes son los errores de pronó stico comparados con los valores
reales de la serie.
•También se puede utilizar el PEMA para comparar la precisió n de la misma u otra técnica sobre dos series
completamente diferentes

Porcentaje Medio de Error (PME)
• A veces resulta necesario determinar si un método de pronó stico está sesgado

(pronó stico consistentemente alto o bajo).
• Si un enfoque de pronó stico no está sesgado, la ecuació n producirá un
porcentaje cercano a cero.
• Si el resultado es un porcentaje negativo grande, el mé todo de pronó stico está
sobrestimando de manera consistente.
• Si el resultado es un porcentaje positivo grande, el mé todo de pronó stico está
subestimando en forma consistente
Pregunta
•Si la Calidad de un Pronóstico se mide por el error…
•Tengo que esperar que el tiempo pase para saber si fue el

método correcto?

Unidad I IO UAC

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

Unidad I IO UAC

Cargado por

Copyright:

Formatos disponibles

UNIDAD I: LAS OPERACIONES COMO FUENTE DE

TALCA, ABRIL DE 2023

Camilo Campos Valdés 2 / XX

1. Entender el papel del pronó stico en SCM.

2. Identificar los componentes del pronó stico de la demanda.

3. Pronosticar demanda de una cadena de suministros dada la

4. Analizar los pronó sticos para estimar el error de los mismos.

Camilo Campos Valdés 3 / XX

Pronó stico de Demanda

• Es importante ver el horizonte y el nivel de agregació n

• Nivel Tá ctico: Mediano Plazo

• Nivel Operacional: Corto Plazo.

Camilo Campos Valdés 4

Horizonte de Exactitud Número de Nivel Método de

Camilo Campos Valdés 5

Pronó stico de Demanda

• Aprender a vivir con pronó sticos imprecisos

• Utilizar dos o tres mé todos

Camilo Campos Valdés 6

Base de toda planificació n en la SC.

¿Qué pasa cuando es altamente impredecible la oferta de materia prima

Camilo Campos Valdés 7 / XX

• Los bienes de moda y altamente tecnoló gicos son difíciles de

• Clave es un buen pronó stico.

• Si se produce mucho, o muy poco, existen escasas posibilidades de

• En contraste, para artículos con demanda estable, el impacto de un

Camilo Campos Valdés 8 / XX

Características de los Pronó sticos

Ej: Considere dos distribuidores de autos A y B

A: Espera que las ventas fluctú en entre 100 y 1900 unidades.

¿Cómo deberían ser las políticas de adquisición de cada distribuidor si en

Camilo Campos Valdés 9 / XX

Características de los Pronó sticos

• Caso Seven-Eleven Japó n: Proceso de reabastecimiento para surtir pedidos.

• Qué ventaja tiene el tiempo de espera corto?

Camilo Campos Valdés 10 / XX

Características de los Pronó sticos

•Es difícil pronosticar el ingreso anual de una empresa (muchas líneas de

Camilo Campos Valdés 11 / XX

Características de los Pronó sticos

•En general, mientras má s lejos del consumidor una empresa de la cadena

•El mejor y clá sico ejemplo de esto es el efecto lá tigo.

Camilo Campos Valdés 12 / XX

Componentes de los Pronó sticos

•Estudiar la relació n demanda-factores.

•Nuestro enfoque será en mé todos cuantitativos, pero es bueno incluir el

•Caso Seven Eleven.

Camilo Campos Valdés 13 / XX

Factores que alteran la demanda

•Tiempo de entrega del producto.

•Publicidad planeada o campañ as de marketing.

•Descuentos de precios planeados.

•Acciones que los competidores han tomado.

Clasificació n de métodos de pronó sticos

2. Series de tiempo: Utilizan la demanda histó rica para pronosticar. Se basan

Camilo Campos Valdés 15 / XX

Clasificació n de métodos de pronó sticos

Camilo Campos Valdés 16 / XX

 Ej: Tostador y Cafetera (NY-Wisconsin)

 Por lo regular se requieren tres rondas

Características de los Pronó sticos

•Es difícil decidir cuá l método es el má s apropiado para pronosticar. Emplear

Camilo Campos Valdés 24 / XX

¿Có mo entender el comportamiento de una serie de tiempo?