Ingeniera Industrial PCP I Estimacin de la demanda y Pronsticos cuantitativos 2 Qu es pronosticar?
Pronosticar es el arte y la ciencia de predecir los eventos futuros. Puede implicar el empleo de datos histricos y su proyeccin hacia el futuro mediante algn tipo de modelo matemtico. Puede ser una prediccin subjetiva o intuitiva; o puede ser una combinacin de stas es decir, un modelo matemtico ajustado mediante el buen juicio del administrador. 3 Horizontes de tiempo del pronstico Por lo general, un pronstico se clasifica por el horizonte de tiempo futuro que cubre. El horizonte de tiempo se clasifica en tres categoras: 1. Pronstico a corto plazo: Este pronstico tiene una extensin de tiempo de hasta 1 ao, pero casi siempre es menor a 3 meses. Se usa para planear las compras, programar el trabajo, determinar niveles de mano de obra, asignar el trabajo, y decidir los niveles de produccin. 2. Pronstico a mediano plazo: Por lo general, un pronstico a mediano plazo, o a plazo intermedio, tiene una extensin de entre 3 meses y 3 aos. Se utiliza para planear las ventas, la produccin, el presupuesto y el flujo de efectivo, as como para analizar diferentes planes operativos. 3. Pronstico a largo plazo. Casi siempre su extensin es de 3 aos o ms. Los pronsticos a largo plazo se emplean para planear la fabricacin de nuevos productos, gastos de capital, ubicacin o expansin de las instalaciones, y para investigacin y desarrollo. 4 La influencia del ciclo de vida del producto
Otro factor que debe considerarse cuando se desarrollan pronsticos de ventas, en especial los largos, es el ciclo de vida del producto. Los productos, e incluso los servicios, no se venden a un nivel constante a lo largo de su vida. Los productos ms exitosos pasan por cuatro etapas: (1) introduccin; (2) crecimiento; (3) madurez, y (4) declinacin. 5 Enfoques de Pronsticos
Hay dos enfoques generales para pronosticar, de la misma forma que existen dos maneras de abordar todos los modelos de decisin. Un enfoque es el anlisis cuantitativo; el otro es el enfoque cualitativo. Los pronsticos cuantitativos utilizan una variedad de modelos matemticos que se apoyan en datos histricos y/o en variables causales para pronosticar la demanda. Los pronsticos cualitativos o subjetivos incorporan factores como la intuicin, las emociones, las experiencias personales y el sistema de valores de quien toma las decisiones para llegar a un pronstico. Algunas empresas emplean un enfoque y otras el otro. En la prctica, la combinacin de ambos resulta ms efectiva en la mayora de los casos. 6 Panorama de los mtodos cuantitativos
En este captulo se describen cinco mtodos de pronsticos cuantitativos que emplean datos histricos. Los mtodos caen en dos categoras: 7 Modelos de series de tiempo Los modelos de series de tiempo predicen bajo el supuesto de que el futuro es una funcin del pasado. En otras palabras, observan lo que ha ocurrido durante un periodo y usan una serie de datos histricos para hacer un pronstico. Si estamos pronosticando las ventas semanales de cortadoras de csped, utilizamos datos de las ventas pasadas de cortadoras de csped para hacer el pronstico. 8 Modelos asociativos Los modelos asociativos, como la regresin lineal, incorporan las variables o los factores que pueden influir en la cantidad por pronosticar. Por ejemplo, un modelo asociativo sobre las ventas de cortadoras de csped incluye factores como la construccin de nuevas viviendas, el presupuesto de publicidad y los precios de los competidores. 9 Pronsticos de series de tiempo
Una serie de tiempo se basa en una secuencia de datos puntuales igualmente espaciados (semanales, mensuales, trimestrales, etc.). Los ejemplos incluyen las ventas semanales de Nike Air Jordans, los informes de ingresos trimestrales en Microsoft, los embarques diarios de cerveza Coors, y los ndices anuales de precios al consumidor. Los datos para pronsticos de series de tiempo implican que los valores futuros se predicen solamente a partir de los valores pasados y que se pueden ignorar otras variables, sin importar qu tan potencialmente valiosas sean.
10 Descomposicin de una serie de tiempo
Analizar una serie de tiempo significa desglosar los datos histricos en componentes y despus proyectarlos al futuro. Una serie de tiempo tiene cuatro componentes: 1. La tendencia es el movimiento gradual, hacia arriba o hacia abajo, de los datos en el tiempo. Los cambios en el ingreso, la poblacin, la distribucin de edades o los puntos de vista culturales pueden ser causantes del movimiento en una tendencia. 2. La estacionalidad es un patrn de datos que se repite despus de un periodo de das, semanas, meses o trimestres. Los restaurantes, discotecas, por ejemplo, experimentan estaciones semanales, donde los sbados son el pico del negocio. 11 Descomposicin de una serie de tiempo 3. Los ciclos son patrones, detectados en los datos, que ocurren cada cierta cantidad de aos. Usualmente estn sujetos al ciclo comercial y son de gran importancia para el anlisis y la planeacin del negocio a corto plazo. La prediccin de los ciclos de negocio es difcil porque stos pueden verse afectados por los acontecimientos polticos o la turbulencia internacional. 4. Las variaciones aleatorias son seales generadas en los datos por casualidad o por situaciones inusuales. No siguen ningn patrn discernible y, por lo tanto, no se pueden predecir. 12 1.Enfoque intuitivo
La forma ms simple de pronosticar es suponer que la demanda del siguiente periodo ser igual a la demanda del periodo ms reciente. Grfica de la demanda de un producto durante cuatro aos, la cual indica una tendencia creciente y una estacionalidad 13 2.1 Promedios mviles - simple
El pronstico de promedios mviles usa un nmero de valores de datos histricos reales para generar un pronstico. Los promedios mviles son tiles si podemos suponer que la demanda del mercado permanecer relativamente estable en el tiempo. Un promedio mvil de 4 meses se encuentra simplemente al sumar la demanda medida durante los ltimos 4 meses y dividindola entre cuatro. Al concluir cada mes, los datos del mes ms reciente se agregan a la suma de los 3 meses previos y se elimina el dato del mes ms antiguo. Esta prctica tiende a suavizar las irregularidades del corto plazo en las series de datos. 14 Promedio mvil Matemticamente, el promedio mvil simple (que sirve como estimacin de la demanda del siguiente periodo) se expresa como: Donde n es el nmero de periodos incluidos en el promedio mvil Ejemplo 1 15
16 Tarea 1
17 2.2.Promedio mvil ponderado Cuando se presenta una tendencia o un patrn localizable, pueden utilizarse ponderaciones para dar ms nfasis a los valores recientes. Esta prctica permite que las tcnicas de pronstico respondan ms rpido a los cambios, puesto que puede darse mayor peso a los periodos ms recientes. La eleccin de las ponderaciones es un tanto arbitraria porque no existe una frmula establecida para determinarlas. Por lo tanto, decidir qu ponderaciones emplear requiere cierta experiencia. Por ejemplo, si el ltimo mes o periodo se pondera demasiado alto, el pronstico puede reflejar un cambio grande inusual, demasiado rpido en el patrn de demanda o de ventas. Se expresa como: 18 Ejemplo 2
19
20 Tarea 2 21 Retrazo de los modelos Tanto los promedios mviles simples como los ponderados son efectivos para suavizar las fluctuaciones repentinas en el patrn de la demanda con el fin de obtener estimaciones estables. Sin embargo, los promedios mviles presentan tres problemas: 1. Aumentar el tamao de n (el nmero de periodos promediados) suaviza de mejor manera las fluctuaciones, pero resta sensibilidad al mtodo ante cambios reales en los datos. 2. Los promedios mviles no reflejan muy bien las tendencias. Porque son promedios, siempre se quedarn en niveles pasados, no predicen los cambios hacia niveles ms altos ni ms bajos. Es decir, retrasan los valores reales. 3. Los promedios mviles requieren amplios registros de datos histricos. 22 3.1 Suavizamiento exponencial
El suavizamiento exponencial es un sofisticado mtodo de pronstico de promedios mviles ponderado que sigue siendo bastante fcil de usar. Implica mantener muy pocos registros de datos histricos. La frmula bsica para el suavizamiento exponencial se expresa como sigue: Nuevo pronstico = Pronstico del periodo anterior + (Demanda real del mes anterior Pronstico del periodo anterior) Donde es la ponderacin, o constante de suavizamiento, elegida por quien pronostica, que tiene un valor de entre 0 y 1 23 Suavizamiento exponencial Tambin puede escribirse matemticamente como:
El concepto no es complicado. La ltima estimacin de la demanda es igual a la estimacin anterior ajustada por una fraccin de la diferencia entre la demanda real del ltimo periodo y la estimacin anterior. La constante de suavizamiento, , se encuentra generalmente en un intervalo de .05 a .50 para aplicaciones de negocios. Puede cambiarse para dar ms peso a datos recientes (cuando es alta) o ms peso a datos anteriores (si es baja). 24
25 Seleccin de la constante de suavizamiento El enfoque de suavizamiento exponencial es fcil de usar y se ha aplicado con xito en prcticamente todo tipo de negocios. Sin embargo, el valor apropiado de la constante de suavizamiento, , puede hacer la diferencia entre un pronstico preciso y uno impreciso. Se eligen valores altos de cuando el promedio subyacente tiene probabilidades de cambiar. Se emplean valores bajos de cuando el promedio en que se basa es bastante estable. Al elegir los valores de la constante de suavizamiento, el objetivo es obtener el pronstico ms preciso. 26 Para este periodo bibliografa bsica En dos CD