Académique Documents
Professionnel Documents
Culture Documents
=
= =
T
i
i t
z
T
z Z E
1
1
) (
= =
T
i
i Z t
z z
T
s Z
1
2 2
) (
1
1
) ( var .
Como se trata de una realizacin de un proceso estocstico estacionario, la varianza
es constante y por lo tanto, no puede haber picos extremos, todos deben estar en un
intervalo alrededor de la media
Grfica 2.1 Muestra una serie de tiempo estacionaria.
Fuente: Elaboracin propia
As, se puede decir que una serie de tiempo consta de datos que se renen, registran
u observan sobre incrementos sucesivos de tiempo.
2.3.1 COMPONENTES DE UNA SERIE DE TIEMPO
En el anlisis de series de tiempo de datos, una tentacin inmediata consiste en intentar
explicar o contabilizar el comportamiento de las series. Para evitar esfuerzos intiles, lo
que se necesita es un enfoque sistemtico para analizar las series. La descomposicin
= ) (
t
Z E
Captulo 2
42
clsica es un mtodo que se basa en la suposicin de que se puedan descomponer en
componentes como tendencia, ciclo, estacionalidad e irregularidad. Una prediccin se
hace mediante la combinacin de las proyecciones de cada componente individual.
Muchas variables macroeconmicas, como el Producto Nacional Bruto (PNB), el
empleo y la produccin industrial estn dominadas por una fuerte tendencia. La tendencia
de una serie de tiempo es el componente a largo plazo que representa el crecimiento o
disminucin en la serie sobre un periodo amplio. Las fuerzas bsicas que ayudan a explicar
la tendencia de una serie son el crecimiento de la poblacin, la inflacin de precios, el
cambio tecnolgico y los incrementos en productividad.
El componente cclico es la fluctuacin en forma de onda alrededor de la tendencia,
afectada (regularmente), por las condiciones econmicas generales. Los patrones cclicos
tienden a repetirse en los datos aproximadamente cada dos, tres o ms aos. Es comn que
las fluctuaciones cclicas estn influidas por cambios de expansin y contraccin
econmica, a los que comnmente se hace referencia como el ciclo de los negocios.
El componente estacional se refiere a un patrn de cambio que se repite ao tras
ao. 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
estacinales, uno para cada trimestre. La variacin estacional puede reflejar condiciones de
clima, das festivos o la longitud de los meses del calendario.
El componente aleatorio mide la variabilidad de las series de tiempo despus de
que se retiran los otros componentes. Contabiliza la variabilidad aleatoria en una serie de
tiempo ocasionada por factores imprevistos y no recurrentes. La mayora de los
componentes irregulares se conforman de variabilidad aleatoria. Sin embargo, ciertos
sucesos a veces impredecibles como huelgas, cambios de clima (sequas, inundaciones o
terremotos), elecciones, conflictos armados o la aprobacin de asuntos legislativos, pueden
causar irregularidades en una variable.
Una forma til de enfocar la identificacin de patrones pasados y de su
extrapolacin al futuro es tratarlos como si comprendieran cuatro elementos:
estacionalidad, tendencia, ciclicidad y aleatoriedad.
Una de las ms grandes ventajas de los mtodos cuantitativos es la facilidad que se
tiene para identificar los elementos de estacionalidad, tendencia, ciclicidad y aleatoriedad de
manera eficiente y razonablemente objetiva. Subsecuentemente, cada uno de los tres primeros
elementos: estacionalidad, tendencia y ciclicidad; pueden extrapolarse para preparar
Pronsticos y series de tiempo
43
pronsticos ms exactos. Por definicin, la aleatoriedad no puede pronosticarse, pero una vez
que ha sido aislada, su magnitud se puede estimar y utilizar para determinar el alcance de la
probable variacin entre los resultados reales y pronosticados. En otras palabras, la
aleatoriedad ayuda a determinar el alcance de la incertidumbre en las predicciones.
En el anlisis de series de tiempo, las consideraciones subjetivas son en extremo
importantes, ya que a la fecha no se ha encontrado un enfoque satisfactorio de probabilidad
para dicho anlisis. Aunque las consideraciones subjetivas seran necesarias en la
formulacin de pronsticos, incluso si hubiera disponible un enfoque de probabilidad
adaptable al anlisis de series de tiempo. Siempre que se examina el pasado en busca de
pistas con respecto al futuro, slo es relevante hasta el grado en que las condiciones causales
que estuvieron en efecto anteriormente, se mantengan constantes. La gran multitud de
factores causales en el trabajo tiende a cambiar constantemente, as que la conexin entre
pasado, presente y futuro se debe reevaluar continuamente.
2.3.2 DESCOMPOSICIN DE LAS SERIES DE TIEMPO
Un enfoque al anlisis de series de tiempo comprende un intento de identificar los factores
que ejercen influencia sobre cada uno de los valores peridicos de una serie. Este
procedimiento de identificacin se denomina descomposicin. Cada componente se
identifica por separado de tal manera que la serie histrica pueda proyectarse al futuro y
utilizarse en pronsticos tanto de corto como de largo plazo.
Los cuatro componentes que se encuentran en una serie histrica son: tendencia,
variaciones cclicas, variaciones estacionales y fluctuaciones irregulares.
Tendencia: Las tendencias son movimientos de largo plazo en una serie
histrica que se pueden describir mediante una lnea recta o curva. Las fuerzas
bsicas que producen o afectan la tendencia de una serie son: cambios en la
poblacin, cambios de precios, cambios tecnolgicos, incrementos en la
productividad y ciclos de vida de los productos.
Variacin ciclica: El componente cclico es la fluctuacin en forma de
onda o ciclo de ms de ocho meses de duracin, debida a condiciones
econmicas cambiantes. Una forma de investigar los patrones cclicos es a
travs del estudio de indicadores empresariales. Un indicador empresarial es
una serie histrica relacionada con los negocios que se usa para ayudar a evaluar
el estado general de la economa, en particular con referencia al ciclo de los
negocios. Mucha gente de negocios y economistas siguen sistemticamente el
Captulo 2
44
movimiento de tales series estadsticas para obtener su informacin en la forma
de una imagen que se desdobla, que est actualizada, que sea comprensible,
relativamente objetiva y capaz de ser leda y entendida en el menor tiempo posible.
Variacion Estacional: El anlisis del componente estacional de una serie
histrica tiene implicaciones ms inmediatas de corto plazo y es de gran
importancia para los niveles medio e inferior de la administracin. Por ejemplo,
los planes de comercializacin deben tener en cuenta los patrones estacionales
esperados en las compras del consumidor. La identificacin del comportamiento
estacional en una serie histrica difiere del anlisis de tendencia en por lo menos
dos formas.
1. Mientras que la tendencia se determina en forma directa a partir de los datos
disponibles, el componente estacional se determina eliminando los otros
componentes, de modo que al final slo quede el estacional.
2. Mientras que la tendencia se determina mediante una ecuacin o lneas de
mejor ajuste, se debe calcular un valor estacional por separado para cada mes
(o trimestre) del ao.
2.3.3 MODELOS ARMA
Los modelos ARMA o modelos de promedio mvil autorregresivo son un tipo general
de los modelos de Box-Jenkins para series de tiempo estacionarias. Este grupo incluye a
los modelos AR slo con trminos autorregresivos, los modelos MA slo con trminos
de promedio mvil y los modelos ARMA que comprenden tanto trminos
autorregresivos como de promedio mvil. La metodologa de Box-Jenkins permite al
analista seleccionar el modelo que mejor se ajuste a sus datos.
2.3.3.1 NOTACIN BACKSHIFT
Para simplificar su estudio, as como el de los procesos estacionarios AR, MA y ARMA,
revisaremos una notacin que tiene gran uso en la literatura de series de tiempo y que lleva
el nombre de Notacin backshift (operador de retrazo).
Definicin 4
El operador de retraso, denotado por B, de un proceso estocstico { }
t
Z est
dado por
1
) (
=
t t
Z Z B .
Pronsticos y series de tiempo
45
As,
2 1
2
) ( ) (
= =
t t t
Z Z B Z B , y en general
k t t
k
Z Z B
= ) ( , para N k .
Por otro lado, cuando se aplica a una constante, c, no la afecta c c B
k
= ) ( , para
N k .
Definicin 5
El operador identidad, denotado por I, de un proceso estocstico { }
t
Z est dado
por
t t
Z Z I = ) ( .
As,
t t t
Z Z I Z I = = ) ( ) (
2
, y en general
t t
k
Z Z I = ) ( .
Con estos operadores se pueden representar los modelos para procesos
estacionarios AR, MA y ARMA.
1. OPERADOR AR(p)
Un proceso estocstico { }
t
Z es llamado autoregresivo de orden p, AR(p), s
t p t p t t t
U Z Z Z Z + =
L
2 2 1 1
.
En donde, es la media del proceso,
i
son los parmetros y
t
U son variables
aleatorias independientes ) , 0 (
2
. Denotando al operador
p
p p
B B B I B = L
2
2 1
) ( .
Resulta que el AR(q) se puede representar por
t t p
U Z B + = ) ( .
2. OPERADOR MA(q)
Un proceso estocstico { }
t
Z es llamado de promedios mviles de orden q, MA(q), s
q t q t t t t
U U U U Z
+ = L
2 2 1 1
.
En donde, es la media del proceso,
i
son los parmetros y
t
U son variables
aleatorias independientes ) , 0 (
2
. Denotando el operador
q
q q
B B B I B = L
2
2 1
) ( .
Captulo 2
46
Resulta que el MA(q) se puede representar por
t q t
U B Z ) ( + = .
3. OPERADOR ARMA(p, q)
Un proceso estocstico { }
t
Z es llamado autoregresivo de promedios mviles de orden p,
q, ARMA(p, q), s
t q t p
q t q t t t p t p t t t
U B Z B
U U U U Z Z Z Z
) ( ) (
2 2 1 1 2 2 1 1
+ =
+ =
L L
.
En donde, es la media del proceso,
i
y
i
son los parmetros y
t
U son
variables aleatorias independientes ) , 0 (
2
.
Los modelos de promedio mvil (MA) proporcionan pronsticos de
t
Z con base
en una combinacin lineal de errores anteriores, mientras que los modelos
autorregresivos (AR) expresan
t
Z como una funcin lineal de cierto nmero de valores
anteriores reales de
t
Z .
2.4 CONCEPTOS BSICOS DE SERIES DE TIEMPO NO ESTACIONARIAS
Hasta el momento se han estudiado los procesos estacionarios mediante las familias de
modelos puros MA(q) y AR(p) y una combinacin de ellos, los ARMA(p, q). Los modelos
estacionarios se caracterizaron porque los datos estaban distribuidos alrededor de la media,
con cierta varianza constante, obviamente surge la pregunta
Qu pasa cuando los datos no se encuentran distribuidos alrededor de la media?
Por ejemplo, supngase que se tienen los precios de la accin AT&T durante 52
intervalos. Cuya grfica se muestra a continuacin.
Pronsticos y series de tiempo
47
50
51
52
53
54
55
56
57
58
59
60
61
62
63
64
65
1 4 7 10 13 16 19 22 25 28 31 34 37 40 43 46 49 52
Grfica 2.2 Muestra los datos de las acciones de la empresa AT&T
Fuente: Elaboracin propia
Como se puede apreciar en la Grfica 2.2, los datos no son estacionarios y por
consiguiente no se podran aplicar los modelos ARMA. Veremos que en estas situaciones
se tienen que hacer algunas transformaciones basadas en las diferencias, o una
transformacin logartmica o de Box-Cox, etc. o combinaciones de ellas para obtener un
proceso estacionario y poder aplicar los modelos puros MA o AR o las combinadas
ARMA.
A los procesos transformados, que obtendremos con las diferencias, les llamaremos
ARIMA, procesos autorregresivos de promedio mviles integrados, estos son los
modelos ms utilizados en el caso de no estacionalidad.
Definicin 6
El operador diferencia, denotado por , de un proceso estocstico { }
t
Z est
dado por
1
) (
=
t t t
Z Z Z .
Notas
De las definiciones anteriores resultan las siguientes relaciones
) )( ( ) ( ) ( ) (
t t t t
Z B I Z B Z I Z = = diferencia de primer orden.
Media 57.796
Captulo 2
48
) ( ) ( ) (
t
k
t
k
Z B I Z = , diferencia de orden k.
As, ) ( ) ( ) (
t
d
t
d
Z B I Z = .
Con estos operadores se pueden representar los modelos para procesos no
estacionarios ARIMA.
OPERADOR ARIMA(p, d, q)
Un proceso estocstico { }
t
Z es llamado autoregresivo de promedios mviles
integrados de orden p, d, q, ARIMA(p, d, q), s
t q t
d
p
U B Z B ) ( ) ( ) ( + = .
En donde, es la media del proceso,
i
y
i
son los parmetros y
t
U son
variables aleatorias independientes ) , 0 (
2
. Generalmente, despus de las
transformaciones se trabaja cuando 0 = , de tal forma que un modelo ARIMA(p, d, q) de
orden d estar dado por:
t q t
d
p
U B Z B ) ( ) ( ) ( = .
2.4.1 MODELOS LINEALES NO ESTACIONARIOS
Muchas series de tiempo encontradas en la prctica se comportan no-estacionariamente en
el sentido de que no tienen media fija. Por otra parte, existen series de tiempo tales que en
el mbito local o posiblemente nivel y tendencia local una parte de la serie se comporta en
forma muy parecida a las otras partes de la serie. As, a estas series se les llama
homogneas no-estacionarias. Vanse 3 ejemplos de series homogneas no estacionarias,
cuya parte homognea se representa en los rectngulos.
Pronsticos y series de tiempo
49
50
51
52
53
54
55
56
57
58
59
60
61
62
63
64
65
1 4 7 10 13 16 19 22 25 28 31 34 37 40 43 46 49 52
Grfica 2.3. Muestra los datos de las acciones de la empresa AT&T.
Fuente: Elaboracin propia
75
76
77
78
79
80
81
82
83
84
85
86
87
88
89
90
1 4 7 10 13 16 19 22 25 28 31 34 37 40 43 46 49 52 55 58 61 64 67 70 73 76 79 82 85 88
Grfica 2.4 Muestra los datos de partes disponibles.
Fuente: Elaboracin propia
Captulo 2
50
46
50
54
58
62
66
70
74
78
82
86
1 4 7 10 13 16 19 22 25 28 31 34 37 40 43 46 49 52 55 58 61 64 67 70
Grfica 2.5 Muestra los datos de prstamos en bienes races.
Fuente: Elaboracin propia
Para qu estudiar los modelos ARMA en lugar de los ARIMA?
La respuesta es sencilla, los modelos ARMA se pueden construir fcilmente y
tienen un soporte terico probabilstico bien fundamentado, por otro lado los modelos
ARIMA se pueden transformar en modelos ARMA, bajo alguna transformacin.
2.4.2 TRANSFORMACIN DE MODELOS LINEALES NO ESTACIONARIOS A
ESTACIONARIOS
Cuando una serie de tiempo no es estacionaria, lo primero que se debe hacer es buscar una
transformacin que la haga estacionaria. Entre las tcnicas ms utilizadas para
estacionarizar tenemos.
Diferencias. La primera transformacin que se debe intentar resulta de trabajar con
las diferencias de la serie. Esta transformacin es apropiada cuando la serie
representa un comportamiento homogneo no-estacionario, puesto que sus
diferencias sucesivas sern estacionarias.
Transformacin Box-Cox (1964). Esta transformacin estabiliza la varianza y de
esta forma se puede proceder a las diferencias. La transformacin se hace por
medio de
Pronsticos y series de tiempo
51
> >
>
=
0 , 0 ) ln(
0 , 0
1
) (
t t
t
t
t
U U
U
U
U f
En general, la transformacin es prcticamente un arte y no se tienen reglas
generales para llevarla a cabo. Por ejemplo en la transformacin de Box-Cox se debe saber
elegir el valor del parmetro , para una buena transformacin.
2.5 FUNCIN DE AUTOCORRELACIN
Sea un proceso estacionario de 2do. orden, se denota a la funcin de autocovarianza de
orden r como ) (r , y se define
( )( ) { } ) ( ) ( ) , cov( ) , cov( ) (
1 1 1 1 1 1 r r r r t t
Z E Z Z E Z E Z Z Z Z r
+ + + +
= = = .
En particular la varianza ( ) { }
2
1
2
1 1 1 1
1
) var( ) ( ) , cov( ) 0 (
Z
Z Z E Z E Z Z = = = = .
Sea un proceso estacionario de 2do. orden, se denota a la funcin de autocorrelacin
de orden r como ) (r , y se define
2 2
1 1
1 1
) , cov(
) 0 (
) (
) (
Z Z
r
Z Z r
r
+
= = .
Notas
A ) (r , tambin se le conoce como la FAC-funcin de autocorrelacin del
proceso, y podemos decir que se trata de la FAC terica.
A la FAC tambin se le conoce como Autocorrelograma.
A la grfica de la funcin de autocorrelacin se le llama correlograma.
1 ) 0 ( =
) (r efectivamente es una funcin ya que da un valor para cada r.
2.5.1 ESTIMACIN DE LA FUNCIN DE AUTOCORRELACIN
Sea
T
z z z , , ,
2 1
K una serie de tiempo, un estimador puntual de
( )( ) { } ) ( ) ( ) , cov( ) (
1 1 1 1 1 1 r r r
Z E Z Z E Z E Z Z r
+ + +
= = .
Captulo 2
52
Se obtiene de forma natural como
K , 2 , 1 , ) )( (
1
) (
1
= =
=
+
r z z z z
T
r c
r T
t
r t t
De forma similar la funcin de autocorrelacin estimada o muestral ser
K , 2 , 1 , 0 ,
) 0 (
) (
) (
= = j
c
j c
j FAC muestral.
As, a la grfica de ) (
M M
y
T
T
T T
z
z
z z
z z
z z
z
z
1
2
4 2
3 1
2
1
M M
Clculos
=
+
=
1
1
1
) )( (
1
) 1 (
T
t
t t
z z z z
T
c y
=
+
=
2
1
2
) )( (
1
) 2 (
T
t
t t
z z z z
T
c .
Luego,
) 0 (
) 1 (
) 1 (
c
c
= y
) 0 (
) 2 (
) 2 (
c
c
= .
Posteriormente se trazan sus grficas.
Para un buen nmero de situaciones prcticas 0 ) ( = k para toda 4 k . Cuando se
est en la etapa de identificacin del modelo apropiado, se obtiene con ayuda de los datos el
valor
0
k tal que 0 ) ( = k para toda
0
k k > , y se estima a las correlaciones distintas de
cero, es decir,
Pronsticos y series de tiempo
53
0
2
, , 2 , 1 ,
) (
) (
k k
k c
k K = =
.
Con base en estas correlaciones estimadas se selecciona del catlogo de modelos a
aquel modelo cuyas correlaciones se aproximan ms a las correlaciones estimadas.
Esta caracterstica de los procesos estacionarios de permitirnos identificarlos
mediante las correlaciones
0
2
, , 2 , 1 ,
) (
) ( k k
k
k K = =
.
Es la que los hace sumamente valiosos para utilizarlos como modelos de series de
tiempo.
Un esquema conceptual de los procesos estocsticos.
Fuente: Elaboracin propia
Resulta que los procesos ARMA generan a toda la clase de los procesos estocsticos
de 2do. Orden mediante aproximaciones.
2.6 MEDICIN DEL ERROR EN EL PRONSTICO
Toda situacin de prediccin conlleva algn grado de incertidumbre, ya que siempre existe
un componente irregular, CI, (fluctuaciones impredecibles de los datos) incluido en el
patrn de una serie de tiempo.
Procesos estocsticos
Procesos estacionarios de 2do. orden
ARMA
Captulo 2
54
Cuando la CI es pequea, la estimacin de los patrones de tendencia, estacional y
cclico nos permitir predecir con precisin. Sin embargo, cuando la CI es sustancial,
entonces nuestra capacidad de predecir con precisin es limitada.
La CI es la nica fuente de error al predecir?
La CI no es la nica fuente de error al predecir, tambin la precisin con que se
estima a las componentes de tendencia, estacional y cclica de la serie de tiempo,
contribuye a la magnitud del error de prediccin.
En la prctica las componentes de la serie no pueden estimarse de manera perfecta,
entonces el error de prediccin est compuesto por los efectos combinados de la CI y por el
grado de precisin de la tcnica de prediccin de las componentes de la serie.
2.6.1 CUANTIFICANDO ERRORES DE PREDICCIN
El error de prediccin es:
t t t
y y e
= =
1 1
|
| | |
.
Error cuadrado medio
n
y y
n
e
ECM
n
t
t t
n
t
t
= =
= =
1
2
1
2
)
(
.
El DAM (MAD) y ECM (MSE) se usan de dos maneras:
1. Para ayudarnos a seleccionar un modelo de prediccin entre varios disponibles.
2. Para monitorear un modelo de prediccin y as detectar cuando algo anda mal. Si
esto ocurre deberemos ajustar un nuevo modelo.
Pronsticos y series de tiempo
55
2.7 SELECCIN DE UNA TCNICA DE PRONSTICOS.
9
Un factor principal que influye en la seleccin de una tcnica de pronstico consiste en
la identificacin y comprensin de patrones histricos en los datos. Si se pueden
reconocer patrones de tendencia, cclicos o estacionales, entonces se pueden seleccionar
las tcnicas con la capacidad de utilizar eficazmente estos patrones.
A continuacin se presentan algunas de las preguntas que se deben considerar
antes de decidir sobre la tcnica de pronstico ms adecuada para un problema en
particular.
Por qu se requiere un pronstico?
Quin utilizar el pronstico?
Cules son las caractersticas de los datos disponibles?
Qu espacio de tiempo se pronosticar?
Cules son los requerimientos mnimos de datos?
Cul es la precisin deseada?
Cul ser el costo del pronstico?
Para una buena seleccin de la tcnica de pronstico adecuada, el
pronosticador deber poder hacer lo siguiente:
Definir la naturaleza del problema de pronstico.
Explicar la naturaleza de los datos bajo investigacin.
Describir las capacidades y limitaciones de las tcnicas de pronstico
potencialmente tiles.
Desarrollar algunos criterios predeterminados sobre los cuales se pueda tomar
la decisin de la seleccin.
Un factor principal que influye en la seleccin de una tcnica de pronstico consiste
en la identificacin y comprensin de patrones histricos en los datos. Si se pueden
reconocer patrones de tendencia, cclicos o estacionales, entonces se pueden seleccionar las
tcnicas con la capacidad de utilizar eficazmente estos patrones.
9 Diebold, F, Elementos de Pronsticos, International Thomson Editores, Mxico D.F., ISBN 968 7529 74 1., 1999
56
Captulo 3
SELECCIN DEL MTODO DE
PRONSTICO Y SU METODOLOGA
urante el captulo dos se abord de manera discreta la forma en que los diversos
mtodos de pronsticos se identifican y qu factores son aquellos a considerar para
su correcta seleccin, segn sea la respuesta a una serie de preguntas formuladas con
el fin de conocer el comportamiento de los datos disponibles, y cul es el objetivo que se
desea obtener de ellos al trasladarlos hacia el futuro.
Pues bien, durante en este captulo se desarrolla la metodologa a utilizar durante el
trabajo para que apoyados en sta, sea posible determinar y definir mediante una serie de
consideraciones al modelo de pronsticos que mejor se adapte al problema de la demanda
de una empresa de autopartes, obteniendo as la metodologa adecuada ha ser utilizada en el
clculo del pronstico de la demanda de la empresa, misma que ser evaluada durante el
captulo 4.
D
Seleccin del mtodo de pronstico y su metodologa
57
3.1 METODOLOGA
Para definir la metodologa a emplear se debe considerar que cada serie de datos
describe su propio comportamiento, por lo que es importante entender que con el
mtodo y los pasos resultantes de este trabajo llegaremos a la metodologa para elegir el
mejor modelo que nos ayude a pronosticar las demandas en la venta de autopartes, pero
debemos estar conscientes que el modelo no ser nico para todas las situaciones dentro
de la misma rama industrial, ya que el tratamiento de los datos se debe realizar bajo
diferentes factores. Es decir, la metodologa propuesta est dedicada a la eleccin del
mejor modelo de pronstico y no a encontrar un modelo universal.
Por lo tanto, a continuacin se describir la metodologa sugerida para intentar
dar solucin a aquellos problemas que tengan que ver con el clculo de la demanda de
las organizaciones dedicadas a la produccin de autopartes, los pasos a seguir se listan a
continuacin.
Paso 1.- Anlisis de Pareto
Paso 2.- Factores a considerar para elegir una tcnica de pronstico.
Paso 3.- Anlisis de autocorrelacin
Paso 4.- Anlisis del patrn de datos mediante el correlograma.
Paso 5.- Seleccin de la tcnica de pronstico.
Paso 6.- Descripcin de la tcnica seleccionada.
Paso 7.- Seleccin de un arreglo ms preciso.
Paso 8.- Comparacin entre la metodologa actual y la propuesta.
3.2 ANLISIS DE PARETO
El primer paso a considerar en la metodologa propuesta es el establecimiento de un
anlisis PARETO el que permitir definir del portafolio de productos a aquellos que
tengan mayor relevancia para la empresa. Adems se podr definir claramente cules de
los productos ofrecidos por la empresa podrn colaborar a que la precisin del
pronstico calculado incremente su eficiencia, ya que esto es otro de los objetivos
perseguidos en el presente trabajo.
Captulo 3
58
Para Plossl
1
, uno de los principios ms eficaces en los negocios que puede
aplicarse al control de los inventarios, al control de la produccin, al control de la
calidad y a muchos otros problemas administrativos, es el principio de PARETO, el
cual dice que una pequea cantidad de artculos dentro del grupo responder por la
mayor parte del valor total. Alrededor del 20% de la gente de una nacin tiene el 80%
de la riqueza, aproximadamente el 20 % de las diversas marcas de carros responde por
el 80% de las ventas.
Este concepto tiene una amplia aplicacin en muchas otras actividades de control
de fabricacin:
1.- Algunos clientes entregan la mayora de sus pedidos a una compaa.
2.- Unos pocos artculos detienen la mayora de los pedidos atrasados.
3.- Unos pocos proveedores provocan la mayora de los retrasos en la
adquisicin de los materiales comprados.
Cuando se aplica a los inventarios, este concepto se llama clasificacin ABC,
esta divisin es arbitraria muchas compaas hacen an ms divisiones,
Segn Plossl
2
, Un ejemplo muy simplificado segn de la forma de llevar a cabo
un anlisis ABC o de PARETO consiste primeramente en enlistar los artculos y sus
usos anuales, luego multiplicar estos por los costos unitarios y finalmente, asignar un
nmero para jerarquizar los artculos en orden, iniciando por el valor ms alto en
unidades monetarias de uso anual, este listado se muestra a continuacin:
ARTCULO
USO INTERMEDIO
DE PIEZAS
COSTO
UNITARIO EN $
UTILIZACIN DE $
ANUAL
CLASIFICACIN
F11 40,000 0.07 2,800.00 5
F20 195,000 0.11 21,450.00 1
F31 4,000 0.10 400.00 9
L45 100,000 0.05 5,000.00 3
L51 2,000 0.14 280.00 10
L16 240,000 0.07 16,800.00 2
L17 16,000 0.08 1,280.00 6
N8 80,000 0.06 4,800.00 4
N91 10,000 0.07 700.00 7
N100 5,000 0.09 450.00 8
Tabla 3.1 Usos anuales de los artculos.
Fuente: Goerge W Plossl, 1993 Control de la produccin y de Inventarios Principios y Tcnicas, Prentice Hall, Mxico,
ISBN 0-13-725144-0
1
Idem pg. 32
Seleccin del mtodo de pronstico y su metodologa
59
En seguida, estos artculos se enlistan en orden jerarquizado con el uso anual
acumulado ms el porcentaje acumulado calculado. El siguiente paso de este anlisis se
muestra en la siguiente tabla.
ARTCULO
UTILIZACIN
DE $ ANUAL
UTILIZACIN
ACUMULATIVA
ANUAL DE $
PORCENTAJE
ACUMULATIVO
CLASE
F20 21,450.00 21,450.00 39.8% A
L16 16,800.00 38,250.00 70.9% A
L45 5,000.00 43,250.00 80.2% B
N8 4,800.00 48,050.00 89.0% B
F11 2,800.00 50,850.00 94.2% B
L17 1,280.00 52,130.00 96.6% C
N91 700.00 52,830.00 97.9% C
N100 450.00 53,280.00 98.7% C
F31 400.00 53,680.00 99.5% C
L51 280.00 53,960.00 100.0% C
Tabla 3.2 Anlisis ABC para un grupo de artculos.
Fuente: Goerge W Plossl, 1993 Control de la produccin y de Inventarios Principios y Tcnicas, Prentice Hall, Mxico,
ISBN 0-13-725144-0
Si se decide en forma arbitraria, que los artculos A sern el primer 20% de los
artculos, este grupo incluir los primeros y segundos artculos, los siguientes tres, en
orden de jerarqua seran los artculos B y representaran el 30% del total de artculos.
El restante 50% de los artculos seran designados artculos C.
Existen dos reglas a recordar sobre la propuesta ABC.
1.- Si tenemos muchos artculos de poco valor, stos deben estar disponibles
cuando se requieran.
2.- Utilcese el esfuerzo de control para reducir el inventario de los artculos de
mucho valor.
3.3 FACTORES A CONSIDERAR PARA ELEGIR UNA TCNICA DE
PRONSTICO
Existen diferentes factores que se deben considerar para elegir la tcnica de pronstico
que ms se adecue a los datos obtenidos, Hanke Reitsch
3
menciona lo siguiente:
Todos los procedimientos formales de pronstico comprenden la extensin de las
experiencias del pasado al futuro incierto. De ah la suposicin de que las condiciones
2
Idem pg. 32
3
Idem pg.. 34
Captulo 3
60
que generaron los datos anteriores son indistinguibles de las condiciones futuras, con
excepcin de aquellas variables reconocidas de manera explcita por el modelo de
pronstico.
La aceptacin de que las tcnicas de pronstico funcionan sobre datos generados en
sucesos histricos pasados conduce a la identificacin de cuatro pasos en el proceso del
pronstico:
1. Recopilacin de datos.
2. Reduccin o condensacin de datos.
3. Construccin del modelo.
4. Extrapolacin del modelo (el pronstico en s).
El paso 1 sugiere la importancia de obtener los datos adecuados y asegurarse que
son correctos.
El paso 2 la reduccin de datos con frecuencia es necesaria ya que en el proceso de
pronstico es posible tener muchos o muy pocos datos. Algunos datos
pueden no ser pertinentes al problema, por lo que reduciran la precisin
del pronstico.
El paso 3 la construccin del modelo, implica el ajustar los datos reunidos en un
modelo de pronstico que sea el adecuado para minimizar el error en el
pronstico. Con frecuencia se debe establecer un balance entre un
enfoque de pronstico complejo que ofrezca ligeramente ms precisin y
un enfoque sencillo que sea fcil de entender.
El paso 4 consiste en la extrapolacin en s del modelo de pronstico, lo cual ocurre
una vez que se recolectaron y tal vez redujeron, los datos adecuados y que
se seleccion un modelo de pronstico apropiado.
Por otra parte, Makridakis
4
sugiere que para la obtencin de una tcnica de
pronstico debe considerarse lo siguiente:
La precisin del pronstico con el mtodo seleccionado: ya que si bien este
factor no requiere un amplio fundamento, se puede agregar que en la medida que
se modele una situacin incierta hacia el futuro haciendo una buena seleccin de
la tcnica adecuada, esto sin duda arrojar un mejor resultado.
4
Makridakis, S., Wheelwright, S., 2000, Mtodos de Pronsticos, Limusa, Mxico, ISB 968-18-4879-9
Seleccin del mtodo de pronstico y su metodologa
61
Anlisis del patrn de datos: es importante tener en cuenta este factor, ya que
existen una gran variedad de mtodos que pueden cubrir gran variedad de distintos
patrones, por lo que debe analizarse si los datos presentan patrones que se repiten
con el tiempo como tendencia o estacionalidad, o aquellos que no se repiten en un
intervalo fijo de tiempo y que se pueden considerar cclicos causados por la propia
dinmica de los negocios, estos factores son una consideracin muy importante
para seleccin de la tcnica de pronstico a utilizar.
Tipo de series: es otro factor importante para la evaluacin de un mtodo de
pronstico debido a que stos varan de forma importante en su precisin
dependiendo del tipo de series que estn siendo pronosticadas.
Facilidad de la aplicacin: es probablemente el criterio que toma en cuenta
aquellas consideraciones no cubiertas por los criterios previos, incluyendo entre
otras cosas a la complejidad del mtodo, la periodicidad del pronstico otorgada,
el nivel de conocimiento requerido para su aplicacin y los conceptos bsicos y la
facilidad que podrn ser entregadas al usuario final.
3.4 ANLISIS DE AUTOCORRELACIN
Para determinar qu tipo de modelo es el que se adapta mejor a la serie de datos
obtenida, y considerando los factores ya descritos para efectuar una buena eleccin del
mtodo, se tendra que anteponer aqul que ofrezca un alto grado de precisin, lo que
nos dirige a considerar aquellos mtodos con mayor grado de complejidad. Sin
embargo, no debemos olvidar que esta dificultad en el mtodo elegido para obtener un
resultado muy preciso, podra afectar otros factores como el de la facilidad de la
aplicacin.
Por lo tanto, para evitar crear ambigedades a la hora de tomar una decisin
sobre el mtodo ms conveniente, es necesario utilizar una herramienta que permita
evaluar el comportamiento de la serie y que adems considere a los elementos que la
componen, segn se mostr con oportunidad durante el captulo 2.
Esta herramienta es el ANLISIS DE AUTOCORRELACIN, con el que es
posible establecer un anlisis del patrn de la serie de datos adems de obtener el
coeficiente de autocorrelacin que sin duda permitir identificar qu elementos de la
serie se encuentran presentes en sta.
Los patrones de datos que incluyen componentes como tendencia, estacionalidad
e irregularidad se pueden estudiar usando el enfoque del anlisis de autocorrelacin.
Captulo 3
62
Los coeficientes de autocorrelacin para diferentes desfases de tiempo de una variable
se emplean para identificar patrones en las series de tiempo de datos.
Comnmente se usa la ecuacin 3.1 para calcular el coeficiente de
autocorrelacin de primer orden o la correlacin entre
t
Y y
1 + t
Y (ver seccin 2.5)
( )( )
( )
=
+
=
1
1
2
1
1
1
n
t
t
t
n
t
t
Y Y
Y Y Y Y
r . 3.1
Las variables
1 + t
Y y
2 + t
Y son en realidad valores de Y que se han desfasado uno y
dos periodos, respectivamente. Por otra parte, el resultado obtenido ser de gran ayuda
para identificar aquella tcnica que resulte la ms adecuada de entre todo el abanico de
posibilidades.
El anlisis de los FAC son fundamentales para la identificacin del modelo, aunque
en la prctica puede existir cierta confusin en la identificacin del modelo, por ejemplo en
el MA(1) para valores de
1
pequeos. Por tal motivo, para reforzar la identificacin del
modelo MA(1), se puede utilizar a la funcin de autocorrelacin parcial, denotada por
FACP, que se obtiene de la matriz de covarianzas del proceso, nosotros en el paso 7
veremos los resultados principales para la FACP de un AR(1), AR(2), MA(1) y MA(2).
Ilustramos su definicin para el caso ms simple de un modelo MA(1)
Sea K , ,
2 1
Z Z un proceso estacionario, con
t
Z un MA(1) con
t
U variables
aleatorias independientes ) , 0 (
2
N , se llama funcin de autocorrelacin
parcial de orden k del proceso MA(1), a la correlacin condicionada
) , , , | , ( corr
3 3 2 2 1 1 k k k
z Z z Z z Z Z Z = = =
+
K ,
y se denota por FACP(k) o
kk
.
Por definicin, ) , ( corr
2 1 1 11
Z Z = = .
3.5 ANLISIS DEL PATRN DE DATOS MEDIANTE EL CORRELOGRAMA
Con la utilizacin del anlisis de autocorrelacin, ser posible obtener un correlograma
que permitir definir cul es el patrn que los datos presentan.
El correlograma es una herramienta grfica muy til para exhibir
autocorrelaciones para varios desfasamientos de una serie de tiempo
5
.
5
idem pg. 34
Seleccin del mtodo de pronstico y su metodologa
63
La escala vertical en la parte izquierda muestra el nmero de periodos desfasados
de inters. La escala vertical a la derecha muestra los coeficientes de autocorrelacin,
las correlaciones entre
t
Y y
1 + t
Y para el nmero correspondiente de periodos desfasados
que aparece a la izquierda. La escala horizontal en la parte inferior muestra el nivel
posible del coeficiente de autocorrelacin, 1 a +l. El coeficiente de autocorrelacin
para un desfasamiento de tiempo en particular corresponde a esta escala horizontal.
Sobre el cero, a la mitad del correlograma, se coloca una lnea vertical (ver grfica 3.1).
Figura 3.1 Correlograma para 6 periodos
Fuente: John E. Hanke, Arthur G. Reitsch, 1996 Ponosticos en los Negocios, Prentice Hall, Mxico, ISBN 968-880-681-1
Es posible utilizar programas de cmputo como el JMP, SAS, S-PLUS,
MINITAB, u otros para obtener este tipo de correlogramas, nosotros vamos a utilizar el
programa JMP para resolver el problema en el captulo 4.
Mediante el enfoque del anlisis de autocorrelacin tenemos que los coeficientes
de autocorrelacin para diferentes periodos desfasados de una variable se pueden
utilizar en una serie de tiempo de datos para identificar lo siguiente:
1. Los datos son aleatorios?
2. Los datos tienen una tendencia (no estacionaria)?
3. Los datos son estacionarios?
4. Los datos son estacionales?
Si una serie es aleatoria, la correlacin entre
t
Y y
1 + t
Y es cercana a cero y los
valores sucesivos de la serie de tiempo no guardan relacin entre s.
Si una serie tiene una tendencia
t
Y y
1 + t
Y estn altamente correlacionados y es
tpico que los coeficientes de autocorrelacin sean diferentes de cero de manera
significativa para varios de los primeros periodos de desfasamiento y caigan
Captulo 3
64
gradualmente hacia cero al incrementarse el nmero de periodos. El coeficiente
de autocorrelacin para el periodo de desfase 1 es por lo regular muy grande
(cercano a 1). El coeficiente de autocorrelacin para el periodo de desfasamiento
2 ser tambin grande. Sin embargo, no lo ser tanto como para el periodo de
desfasamiento 1, ya que se emplea un trmino menos para calcular su
numerador.
Si una serie tiene un patrn estacional, se presentar un coeficiente de
autocorrelacin significativo en el periodo de desfasamiento correspondiente:
cuatro en los datos trimestrales o doce en los datos mensuales.
Quenouille
6
y otros han demostrado que los coeficientes de autocorrelacin de
datos aleatorios tienen una distribucin que se puede aproximar a una curva normal con
una media de cero y una desviacin estndar de 1/ n . Sabiendo lo anterior, el analista
puede comparar los coeficientes de autocorrelacin de la muestra con esta distribucin
terica de muestreo y determinar si los datos provienen de una poblacin cuya media
sea cero en periodos de desfase.
En realidad, los coeficientes de autocorrelacin se pueden probar en forma
simultnea para todos los periodos de desfase. Si la serie es en efecto aleatoria, la
mayora de los coeficientes de autocorrelacin debe ubicarse dentro de un nivel
especificado por 0, ms o menos un cierto nmero de errores estndar.
A un nivel especfico de confianza, se puede considerar aleatoria una muestra si
los coeficientes de autocorrelacin calculados se encuentran todos dentro del intervalo
producido por la ecuacin 3.2
n
Z
1
0 3.2
en donde:
Z = valor normal estndar para un nivel de confianza dado
n = nmero de observaciones en la serie de datos
6
M.H. Quenouille, The joint Distribution of Serial Correlation Coefficients, Annualss of Mathematical Statics, Vol. 20
1949, pg. 561-571.
Seleccin del mtodo de pronstico y su metodologa
65
3.6 SELECCIN DE LA TCNICA DE PRONSTICO
El siguiente paso de la metodologa sugerida consiste en seleccionar una tcnica de
pronstico que se adapte mejor al patrn de datos encontrado con el correlograma, la
que deber contemplar aquellos factores ya descritos durante el presente captulo en
trminos de confiabilidad y aplicabilidad al momento de ser elegida.
Hanke Reitsch
7
han aportado una tabla resumen donde sugieren las tcnicas de
pronstico que se deben utilizar con determinados patrones de datos la cual se muestra a
continuacin:
Con la utilizacin de esta tabla ser posible determinar cul es la tcnica ms
conveniente a utilizar para nuestro problema.
De acuerdo con los antecedentes presentados por las compaas, stas deben
poseer series de datos lo suficientemente grandes como para pensar en utilizar
metodologas que contemplen el tratamiento de los datos de forma estadstica sin
considerar que los datos estn representados por componentes separados, adems de
ofrecer un nivel de precisin mejor al ser comparado con otras tcnicas que contemplen
los datos siendo representados por sus componentes, y que consideren al horizonte de
planeacin de corto a mediano plazo.
REQUERIMIENTOS
DE DATOS MINIMOS
MTODO
PATRON
DE DATOS
HORIZONTE EN
EL TIEMPO
TIPO DE
MODELO
NO
ESTACIONALES
ESTACIONALES
No formales ST, T, S S TS 1
Promedios simples ST S TS 30
Promedios, mviles ST S TS 4-20
Atenuacin exponencial ST S TS 2
Atenuacin exponencial lineal T S TS 3
Atenuacin exponencial cuadrtica T S TS 4
Atenuacin exponencial estacional S S TS 2*L
Filtracin adaptiva S S TS 5*L
Regresin simple T I C 10
Regresin mltiple C, S I C 10*V
Descomposicin clsica S S TS 5*L
Modelos de tendencia exponencial T I, L TS 10
Ajuste de curva-S T I, L TS 10
Modelos de Gompertz T I, L TS 10
Curvas de crecimiento T I, L TS 10
Census II S S TS 6*L
Box-Jenlns ST, T, C, S S TS 24 3*L
Indicadores principales C S C 24
Modelos economtricos C S C 30
Regresin mltiple de series de tiempo T, S I, L C 6*L
Tabla 3.3 Tcnicas de pronstico sugeridas para diferentes patrones de datos.
Fuente: John E. Hanke, Arthur G. Reitsch, 1996 Ponosticos en los Negocios, Prentice Hall, Mxico, ISBN 968-880-681-1
Captulo 3
66
Donde:
Patrn de datos: ST, estacionarios; T, con tendencia; S, estacionales; C, cclicos.
Horizonte en el tiempo: S, corto plazo (menos de 3 meses); I, mediano plazo; L,
largo plazo.
Tipo de modelo: TS, serie de tiempo; C, causal.
Estacionales: L, longitud de la estacionalidad.
Makridakis
8
sugiere que los mtodos de suavizamiento exponencial y
descomposicin cubren las necesidades de prediccin a un costo y esfuerzo razonables para
aquellas organizaciones que no requieren de tcnicas altamente desarrolladas en los
modelos predictivos.
Por lo tanto, dado que las organizaciones ubicadas en el mercado automotriz
generalmente son la vanguardia en el desarrollo y aplicaciones de investigaciones y
tcnicas, no resultara conveniente aplicar los modelos que sugiere Makridakis, por lo que
entonces la tcnica a desarrollar ser la metodologa ARIMA ya que esta metodologa
contempla a todos los patrones de datos sin considerar sus componentes individuales,
utiliza modelos de series de tiempo y el horizonte de planeacin es de corto a mediano
plazo, la desventaja radica en que para la utilizacin de esta tcnica se requieren al menos
de 24 datos cuando la serie no es estacionaria, lo que es fcilmente superado por aquellas
organizaciones que tienen ms de 5 aos de permanencia en el mercado. Es importante que
al seleccionar esta tcnica se espera equilibrar su complejidad con la utilizacin de
programas de cmputo que facilitan en demasa el clculo del pronstico, adems de
contemplar que la experiencia del analista es lo bastante extensa como para asegurar una
buena mezcla de conceptos tericos y prcticos.
3.7 DESCRIPCIN DE LA TCNICA SELECCIONADA
El mtodo Box Jenkins de pronstico es diferente de la mayora de los mtodos. Esta
tcnica no asume ningn patrn particular en los datos histricos de la serie a
pronosticar. Utilizan un enfoque iterativo de identificacin de un modelo til a partir de
modelos de tipo general. El modelo elegido se verifica contra los datos histricos para ver
si describe la serie con precisin. El modelo se ajusta bien si los residuos entre el modelo
7
idem pg.. 34
8
Idem pg. 34
Seleccin del mtodo de pronstico y su metodologa
67
de pronstico y los puntos de datos histricos son reducidos, distribuidos de manera
aleatoria e independiente.
Los modelos ARIMA o modelos de promedio mvil autorregresivo integrado son
un tipo general de los modelos de Box-Jenkins para series de tiempo estacionarias.
Recuerde que una serie histrica estacionaria es aquella cuyo valor promedio no cambia a
travs del tiempo. Este grupo incluye a los modelos AR slo con trminos
autorregresivos, los modelos MA slo con trminos de promedio mvil y los modelos
ARIMA que comprenden tanto trminos autorregresivos como de promedio mvil. La
metodologa de Box-Jenkins permite al analista seleccionar el modelo que mejor se ajuste
a sus datos.
Se puede efectuar la seleccin del modelo apropiado comparando la distribucin
de los coeficientes de autocorrelacin de la serie histrica que se est ajustando, con las
distribuciones tericas para los distintos modelos. En las figuras. 3.2, 3.3 y 3.4 se
muestran distribuciones tericas de los coeficientes de autocorrelacin para algunos de
los modelos ARIMA ms comunes.
Figura 3.2 Coeficientes de autocorrelacin y de autocorrelacin parcial de los modelos AR(1) y AR(2).
Captulo 3
68
Fuente: John E. Hanke, Arthur G. Reitsch, 1996 Pronsticos en los Negocios, Prentice Hall, Mxico, ISBN 968-880-681-1
Figura 3.3 Coeficientes de autocorrelacin y de autocorrelacin parcial de los
modelos MA(1) y MA(2).
Fuente: John E. Hanke, Arthur G. Reitsch, 1996 Pronsticos en los Negocios, Prentice Hall,
Mxico, ISBN 968-880-681-1
Seleccin del mtodo de pronstico y su metodologa
69
Figura 3.4 Coeficientes de autocorrelacin y de autocorrelacin parcial de un modelo
mixto ARIMA (1,1).
Fuente: John E. Hanke, Arthur G. Reitsch, 1996 Pronsticos en los Negocios, Prentice Hall,
Mxico, ISBN 968-880-681-1
Al seleccionar un modelo, recuerde que las distribuciones que se muestran son
tericas y que es muy improbable que las autocorrelaciones de datos reales no sean
idnticas a cualquiera de las distribuciones tericas, pero si que deben ser semejantes.
El enfoque de Box-Jenkins se resume en seguida.
Captulo 3
70
METODOLOGA DE BOX-JENKINS
9
La tcnica consiste en ajustar a la serie de tiempo un modelo del tipo ARIMA y en base a
ste, efectuar las predicciones deseadas. Este enfoque se puede resumir en 4 partes
principales y como veremos se verifican en 3 etapas.
1. Identificacin del modelo adecuado para ajustarse a los datos en la clase de
modelos ARIMA.
2. Estimacin de los parmetros contenidos en el modelo seleccionado.
3. Verificacin del modelo estimado.
4. Prediccin. Con esto podemos ver lo bueno del modelo.
Ideas Bsicas en la construccin del modelo
Clase general de modelos disponibles
Identificar el modelo de uno
tentativamente propuesto
Estimacin de parmetros en el
modelo propuesto tentativamente
Comprobar el diagnstico
(es el modelo adecuado?)
No Si
El modelo se puede
usar para predecir o
el control
Ventajas de la clase ARIMA sobre otros modelos
1. Los conceptos y mtodos asociados al ajuste de modelos ARIMA estn respaldados por
teoras slidas de Probabilidad. Otros mtodos no tienen esta caracterstica aunque no
todos.
2. ARIMA es una familia de modelos (no solamente un modelo) y la estrategia de Box-
Jenkins para el ajuste de modelos ARIMA nos permite elegir un modelo de la familia
usando la serie observada.
9
John E. Hanke, Arthur G. Reitsch, Pronsticos en los Negocios, Prentice Hall, Mxico, ISBN 968-880-681-1, 1996, pg. 432
Seleccin del mtodo de pronstico y su metodologa
71
3. La prediccin que produce el modelo ARIMA tiene la propiedad de ser ptima, en el
sentido de que ningn otro modelo nos da una prediccin con menor error cuadrado
medio de prediccin.
Etapa 1: Identificacin del modelo
1. El primer paso en la identificacin del modelo consiste en determinar si la serie es
estacionaria, es decir, si el valor de la media no vara a travs del tiempo.
Si la serie no es estacionaria, en general se puede convertir a una serie estacionaria
mediante el mtodo de diferenciacin. El analista especifica el grado de diferenciacin
y el algoritmo de Box-Jenkins convierte los datos en una serie estacionaria y realiza
los clculos subsecuentes utilizando los datos convertidos.
2. Una vez obtenida una serie estacionaria, el analista debe identificar la forma del
modelo a utilizar.
Este paso se logra mediante la comparacin de los coeficientes de autocorrelacin
y de autocorrelacin parcial de los datos a ajustar con las correspondientes
distribuciones de los diversos modelos ARIMA.
Para ayudar en la seleccin de un modelo apropiado, en las figuras. 3.2, 3.3 y 3.4,
se muestran las distribuciones tericas para los modelos ARIMA ms comunes.
Como puede verse, cada modelo tiene un conjunto nico de autocorrelaciones y de
autocorrelaciones parciales, y el analista debe ser capaz de poder ubicar los
coeficientes correspondientes a los datos a una de las distribuciones tericas.
Aun cuando en general no ser posible hacer coincidir exactamente los datos con
las distribuciones tericas, se pueden efectuar pruebas durante la etapa 2 para
determinar si el modelo es adecuado. Entonces, si el modelo no es satisfactorio, se
puede intentar un modelo alternativo.
En trminos generales, el analista debe identificar las autocorrelaciones que caen
exponencialmente a cero. Si las autocorrelaciones descienden exponencialmente a
cero, el proceso indicado es el AR; si son las autocorrelaciones parciales las que
descienden a cero, entonces el proceso indicado es el MA; y, si tanto los coeficientes
de autocorrelacin como los coeficientes de autocrrelacin parcial descienden a cero,
el indicado es un proceso mixto ARIMA. El analista puede determinar el orden de los
procesos AR y/o MA contando el nmero de coeficientes de autocorrelacin y de
autocorrelacin parcial que son diferentes de cero en forma significativa.
Captulo 3
72
Etapa 2: Estimacin del modelo y prueba de su adecuacin
Una vez seleccionado un modelo tentativo, se deben estimar los parmetros para ese
modelo.
Este paso se realiza revisando los trminos de error para asegurarse de que son
aleatorios. Esta verificacin puede hacerse revisando que las autocorrelaciones de los
trminos de error para estar seguros de que no son diferentes de cero en forma
significativa. Si algunos retrasos de orden menor estacinales son diferentes de cero
de manera significativa, entonces el modelo resulta inadecuado. El analista debe
regresar a la etapa 1, y seleccionar un modelo alternativo y despus continuar el
anlisis.
Etapa 3: Pronstico con el modelo
1. Una vez que se encontr un modelo adecuado, se pueden realizar pronsticos para uno
o varios periodos a futuro.
Tambin se pueden formular intervalos de confianza sobre estas estimaciones.
En general, entre ms a futuro se pronostica, mayor ser el intervalo de confianza.
Estos pronsticos e intervalos de confianza se calculan mediante el programa de Box-
Jenkins a solicitud del analista.
2. Al haber ms datos disponibles, se puede utilizar el mismo modelo para revisar los
pronsticos, seleccionando otro periodo de origen.
3. Si la serie parece cambiar a travs del tiempo, pudiera ser necesario recalcular los
parmetros, o incluso desarrollar un modelo nuevo por completo.
Si se aprecian pequeas diferencias en los errores de pronstico, pudieran indicar
que es necesario recalcular los parmetros, y el analista deber regresar a la etapa 2, en
el paso 1. Cuando se aprecian grandes diferencias en la dimensin de los errores de
pronstico, pudieran indicar que se requiere un modelo completamente nuevo, y el
analista deber regresar a la etapa l, paso 2, o inclusive a la etapa 1, paso 1 y repetir el
proceso de ajustar un nuevo modelo a la serie histrica.
La siguiente notacin se utiliza con frecuencia en las tcnicas de Box-Jenkins. Se
identifica un modelo como ARIMA(p, d, q), en donde p es el orden del trmino
autorregresivo, d es el nivel de diferenciacin y q es el orden del trmino del promedio
mvil. En la prctica, cuando no hay diferenciacin, el modelo apropiado es
ARMA(p, q).
Seleccin del mtodo de pronstico y su metodologa
73
3.8 SELECCIN DEL ARREGLO MS PRECISO
Definida la tcnica a utilizar, se proceder a evaluar de entre diferentes arreglos de los
mtodos autoregresivos (AR) la diferenciacin (I) y los modelos de promedio mvil (MA),
aqul que presente la desviacin media absoluta (DAM) menor.
De acuerdo con lo mencionado en la seccin previa, durante la etapa 1 se analizar
el correlograma que se obtenga de las autocorrelaciones y las autocorrelaciones parciales de
la serie con el fin de determinar si stas son significativamente diferentes de cero, adems
de evaluar cul de stas cae exponencialmente a cero o si ambas lo hacen.
Enseguida ya ubicados durante la etapa 2 se realizar el clculo del DAM, para lo
que se tomarn los ltimos 6 periodos del valor real para cada producto a analizar y se
calcularn los pronsticos mediante el ARIMA para este mismo horizonte cumpliendo as
con lo estipulado en la etapa 3. Enseguida se compara cul de los DAM obtenidos para los
diferentes arreglos es el de menor valor y ste se seleccionar como el arreglo a utilizar
para el pronstico.
Dado que es difcil que los coeficientes de autocorrelacin se ajusten a cualquier
tipo de distribucin mostradas en las figuras 3.1, 3.2 y 3.3. Como una sugerencia a
continuacin se presentan algunos arreglos con los cuales se puede realizar la comparacin
del DAM, teniendo en cuenta que cualquier otro arreglo pudiera arrojar valores que
reflejaran muy poca variacin, sin que esto se entienda como una regla a seguir, ya que el
propio analista puede encontrar arreglos con los que se obtengan mejores resultados.
1.- ARIMA (1.1.1)
2.- ARIMA (1.1.2)
3.- ARIMA (1.2.2)
4.- ARIMA (2.2.2)
5.- ARIMA (2.2.1)
6.- ARIMA (2.1.1)
3.9 COMPARATIVO ENTRE LA METODOLOGA ACTUAL Y LA PROPUESTA.
Con la tcnica seleccionada, se debe calcular el pronstico mediante el uso de la
metodologa ARIMA con el arreglo de menor DAM.
Para aplicar la metodologa ARIMA se debern considerar todos los valores
reales de la serie exceptuando los ltimos 6 periodos, posteriormente se pronostican
Captulo 3
74
estos y el resultado obtenido se compara contra los valores reales y los pronosticados
con la tcnica actual, para conocer su desviacin y evaluar cul de las dos tcnicas
resulta con el menor error. De igual forma se pueden emplear los razonamientos
expuestos en el captulo 2 para el clculo del error en el pronstico.
Por otra parte, con el empleo de la tcnica seleccionada, se calcular el
pronstico de cada uno de los datos contemplados dentro de la clasificacin ABC,
posteriormente se utilizarn los resultados obtenidos para el clculo de la precisin del
pronstico, de acuerdo con el procedimiento descrito en el captulo 1 para este fin.
Para realizar el clculo de la precisin global del pronstico se debe considerar
un nuevo procedimiento para la obtencin de los porcentajes de la precisin del
pronstico, el cociente sobre el que se dividirn las sumatorias del error en el pronstico
tanto negativas como absolutas deber ser la sumatoria de la entrada de pedidos.
Por lo tanto, la utilizacin del total de piezas pronosticadas ya no se utilizar
para determinar el porcentaje de precisin del pronstico.
El empleo de este procedimiento se utilizar slo para determinar el porcentaje
de precisin en aquellos productos considerados como clasificacin A. Los artculos
incluidos en la clasificacin B y C pueden ser solicitados en grandes cantidades para
generar un stock de acuerdo a una previa evaluacin de sus costos.
Finalmente, mediante la comparacin de ambos valores del porcentaje de
precisin obtenidos con la metodologa empleada, se podr determinar cul de ellos es
mejor en trminos de ofrecer un error menor, para as definir si esta nueva metodologa
cumple los objetivos planteados.
75
Captulo 4
ESTUDIO DE CASO
urante este captulo se hizo uso de la metodologa descrita en el captulo anterior
para calcular el pronstico de la demanda de la empresa en aquellos productos
que resulten de relevancia de acuerdo con la clasificacin ABC, los cuales al ser
comparados con la metodologa actual, nos darn una visin de la precisin del pronstico
calculado.
Por otra parte, la precisin obtenida al utilizar esta metodologa, se compar con la
precisin del pronstico actual, y se podr conocer cul es el porcentaje de mejora al
utilizar la propuesta, o si se obtienen resultados equivalentes, tal que no promuevan un
cambio de tcnica.
Finalmente es importante sealar que durante el desarrollo de esta metodologa se
utiliz solo un artculo para ejemplificar la metodologa sugerida, con el fin de no ser
repetitivos y extender demasiado el presente trabajo.
D
Captulo 4
76
4.1 DETERMINACIN DE LOS PRODUCTOS A ANALIZAR MEDIANTE
EL ANLSIS DE PARETO
Para determinar y limitar que productos son los que se analizarn de acuerdo al
principio de PARETO, el 20% de los productos requieren de una mayor precisin en el
clculo del pronstico para evitar pedidos sin surtir y que esto genere un nivel de
servicio al cliente deficiente en las entregas de material. A continuacin se presenta el
anlisis para clasificar los productos A, B, C con el que se podr determinar a que
productos va aplicarse la metodologa.
La compaa est bastante familiarizada con este principio por lo que ya generan
una clasificacin basada en el volumen de ventas anual. Para complementar la
metodologa, se han clasificado de los aos 2000 al 2005, aquellos productos que han
sido considerados como A`s durante este periodo, con el fin de identificar aquellos
artculos que cumplan con la cantidad de datos requeridos por la metodologa a emplear
para el pronstico, es decir que al menos hayan sido clasificados durante 3 aos como
productos A, y que sigan siendo A durante el 2006.
Con la tabla 4.1 se puede identificar a los productos clasificados como A, con lo
que se da cumplimiento al primer paso de la metodologa sugerida. El periodo de
anlisis corresponde del ao 2000 al ao 2006, los artculos marcados con la leyenda
OK sern a los que se les aplicar la metodologa.
Estudio de Caso
77
Tabla 4.1 Productos clasificados como A del 2000 al 2006.
Fuente: Elaboracin propia
Numero/ Ao 2000 2001 2002 2003 2004 2005 2006 Clasf "A" en 2006
BBC0465
K0036-01
K0036-02 OK
K0047-06 OK
K0050-01
K0465-05 OK
K0465-07
K1121-01
K1886-01 OK
K1914-06 OK
K260033-01
K70037-02 OK
K70038-01
K9082-01 OK
KF224-01 OK
KF224-02B OK
KF251-01 OK
KF295-01 OK
KF537-04 OK
KF587-04 OK
KF594-01 OK
KM10993-01 OK
KM11004-01 OK
KM136-01 OK
KM168-01 OK
KM168-02 OK
KM173-01 OK
Captulo 4
78
4.2 FACTORES QUE INFLUYEN PARA LA ELECCIN DE LA TCNICA
La siguiente etapa de la metodologa propuesta, es considerar cules y qu tipos de
factores pueden influir en la decisin de elegir una tcnica de pronstico, lo que se
deber realizar de acuerdo a los lineamientos establecidos en el captulo anterior,
Inicialmente se debe considerar el proceso del pronstico descrito durante la
seccin 3.1.2, el que establece una recopilacin de datos, esto se refiere a la estadstica
de todas las entradas de pedidos para cada artculo disponibles por la empresa.
Como segundo paso en este proceso se deben condensar estos datos, para
determinar cules de ellos son realmente valiosos para los objetivos perseguidos, y
evitar el hecho de analizar informacin que no aportar algn beneficio, si no que slo
contribuir a la generacin de esfuerzos intiles. Esta etapa es superada al efectuar el
anlisis de Pareto de acuerdo con lo descrito en la seccin anterior.
La tercera etapa correspondiente a la construccin del modelo, se desarrollar
durante las siguientes secciones en el transcurso de la descripcin de la tcnica,
mientras que lo correspondiente al cuarto paso se desarrollar cuando se requiera definir
el arreglo ms preciso, ya que sta tiene que ver directamente con la extrapolacin del
modelo.
Por otro lado, se ha mencionado que uno de los principales factores es la
precisin del pronstico que se desea obtener con el mtodo seleccionado. As,
debido al tipo de problema que se desea resolver, la precisin es una parte clave en el
presente trabajo, por lo que podemos establecer que si la precisin alcanzada con la
tcnica seleccionada no supera a la metodologa actual se debe desechar y buscar otra
alternativa que permita que esta prioridad sea cubierta.
El clculo de la precisin se desarrollar durante la seccin 4.8 ya que ser aqu
donde se efecte la comparacin del mtodo actual con el sugerido, mediante el clculo
de la precisin en el pronstico de cada uno de los artculos A.
Est claro que para mejorar la precisin del pronstico se deben tener en cuenta
otros factores, ya que no es posible lograr un mejor pronstico sin los anlisis previos
adecuados y sin las interpretaciones correctas de los datos, de igual forma, el emplear el
mtodo ms avanzado tampoco es garanta de que el pronstico disminuya su error,
para conseguir esto se deben considerar los siguientes factores, que ya fueron
mencionados con oportunidad en el captulo anterior.
Estudio de Caso
79
El patrn de datos descrito por la serie: Debemos contemplar cul es el
comportamiento de los datos para conocer que tipo de patrn siguen, y con esto lograr
establecer cul es su tendencia, o si existen ciertos datos que se repiten cada
determinado periodo de tiempo o si estos son o no cclicos.
Para concluir lo anterior es necesario analizar los datos grficamente de toda la
serie de tiempo. Debido a la naturaleza de la empresa, el anlisis de cada uno de los
artculos presenta comportamientos independientes, por lo tanto, slo se presentarn los
comportamientos de algunos de los artculos ms importantes, y el anlisis se realizar
slo sobre uno de ellos para ejemplificar la metodologa, ya que el tratar de analizar
cada uno de ellos resultara repetitivo y muy extenso, los resultados de los anlisis
finales de todos los artculos A los mostramos en el captulo 5.
Figura 4.1 Serie de tiempo para el artculo
KF224-02B
Figura 4.2 Serie de tiempo para el artculo
KM639-02
Figura 4.3 Serie de tiempo para el artculo
SN1106
Figura 4.4 Serie de tiempo para el artculo
KM80203-01
Fuente: Elaboracin propia
GRAFICA 4.3 SERIE DE TIEMPO DE ENE-00 A MAR-06 PARA EL
ARTICULO SN1106
0
200
400
600
800
1000
1200
PERIODO
D
E
M
A
N
D
A
R
E
A
L
GRAFICA 4.2 SERIE DE TIEMPO DE ENE-00 A MAR-06 PARA EL
ARTICULO KM639-02
0
500
1000
1500
2000
2500
3000
3500
4000
PERIODO
D
E
M
A
N
D
A
R
E
A
L
GRAFICA 4.4 SERIE DE TIEMPO DE ENE-00 A MAR-06 PARA EL
ARTICULO KM80203-01
0
100
200
300
400
500
600
700
800
PERIODO
D
E
M
A
N
D
A
R
E
A
L
GRAFICA 4.1 SERIE DE TIEMPO DE ENE-00 A MAR-06 PARA EL
ARTICULO KF224-02B
0
1000
2000
3000
4000
5000
6000
PERIODO
D
E
M
A
N
D
A
R
E
A
L
Captulo 4
80
En estas grficas se puede observar que cada artculo presenta un patrn
especfico en su comportamiento a travs del tiempo, debido a que el comportamiento
de su demanda es independiente, entonces cada producto presenta diferentes
componentes.
Tipos de serie y facilidad de la aplicacin: Es posible notar, por ejemplo, que
la figura 4.4 parece presentar una tendencia, mientras que en las tres restantes este
componente parece no presentarse, pero sin embargo se podra pensar que en stas
existe la presencia de un ciclo o una estacionalidad. Este anlisis del patrn de los datos
nos permite establecer que tipo de serie es la que se est tratando, adems, es el
antecedente para determinar qu mtodo seleccionar para el clculo del pronstico,
mediante los anlisis de autocorrelacin y correlograma.
Por otro lado, no se debe olvidar que entre ms fcil y amigable sea la tcnica
elegida para el analista, es ms factible que sta resulte exitosa.
4.3 AUTOCORRELACIN DE LA SERIE DE DATOS
El analizar el patrn de datos para identificar si stos se encuentran relacionados entre
si o para identificar su aleatoriedad, es de gran utilidad ya que se le da un enfoque
cientfico al tratamiento de los datos y permite que se identifique de una manera ms
clara y con bases ms firmes el modelo que ha de utilizarse.
Este anlisis se realizar con la ayuda del paquete de computacin JMP5 para
facilitar la labor del analista al efectuar su tarea, y aunque aparentemente hace que el costo
del clculo del pronstico se incremente, ste no resulta as ya que en la actualidad en la
mayora de la empresas se cuenta con la tecnologa necesaria para llevar a cabo estas tareas,
o al menos en la empresa bajo estudio el costo de este software no es lo suficientemente
relevante como para impedir la ejecucin de la actividad.
Tambin ya se describi en su oportunidad los fundamentos tericos requeridos
para poder llevar a cabo e interpretar correctamente los resultados obtenidos. A
continuacin se presentar el estudio de autocorrelacin de un artculo el que servir
para ilustrar el procedimiento.
Tomaremos el nmero KM639-02 (ver figura 4.2) que corresponde a un artculo
ofrecido para el vehculo de mayor circulacin en Mxico (ver anexo 1), ste se utilizar
durante el resto del captulo para ilustrar el estudio, y ms adelante se concentrar para el
clculo de la precisin general. Los valores de la serie de tiempo se presentan en la
siguiente tabla.
Estudio de Caso
81
N Yt Yt-1 Yt-Ymed Yt-1-Ymed (Yt-Ymed)
2
(Yt-Ymed) (Yt-1-Ymed)
1 518 -709 502019 0
2 762 518 -465 -709 215791 329137
3 645 762 -582 -465 338181 270142
4 566 645 -661 -582 436304 384122
5 667 566 -560 -661 313078 369590
6 1571 667 344 -560 118657 -192741
7 387 1571 -840 344 704816 -289191
8 677 387 -550 -840 301987 461352
9 624 677 -603 -550 363046 331112
10 567 624 -660 -603 434984 397391
11 2121 567 894 -660 800071 -589931
12 1551 2121 324 894 105279 290225
13 1098 1551 -129 324 16521 -41705
14 1027 1098 -200 -129 39814 25647
15 826 1027 -401 -200 160427 79920
16 1180 826 -47 -401 2165 18638
17 745 1180 -482 -47 231874 22407
18 1283 745 56 -482 3188 -27191
19 1014 1283 -213 56 45170 -12001
20 1690 1014 463 -213 214801 -98502
21 826 1690 -401 463 160427 -185634
22 1545 826 318 -401 101421 -127557
23 1937 1545 710 318 504763 226260
24 963 1937 -264 710 69450 -187232
25 1296 963 69 -264 4826 -18307
26 1653 1296 426 69 181874 29625
27 1972 1653 745 426 555721 317917
28 1160 1972 -67 745 4427 -49598
29 1767 1160 540 -67 292104 -35959
30 1917 1767 690 540 476744 373174
31 3770 1917 2543 690 6469223 1756179
32 770 3770 -457 2543 208423 -1161177
33 960 770 -267 -457 71040 121681
34 841 960 -386 -267 148636 102757
35 1392 841 165 -386 27379 -63793
36 0 1392 -1227 165 1504384 -202950
37 3050 0 1823 -1227 3325031 -2236543
38 2370 3050 1143 1823 1307516 2085073
39 1619 2370 392 1143 154030 448773
40 2431 1619 1204 392 1450740 472713
41 1192 2431 -35 1204 1193 -41594
42 758 1192 -469 -35 219523 16180
43 2027 758 800 -469 640747 -375045
44 1836 2027 609 800 371450 487858
45 598 1836 -629 609 395054 -383070
46 1405 598 178 -629 31850 -112172
47 658 1405 -569 178 323230 -101464
48 877 658 -350 -569 122174 198721
49 479 877 -748 -350 558806 261288
50 960 479 -267 -748 71040 199243
51 585 960 -642 -267 411565 170990
52 804 585 -423 -642 178534 271069
53 920 804 -307 -423 93963 129521
54 1382 920 155 -307 24170 -47656
55 3576 1382 2349 155 5519994 365264
56 1337 3576 110 2349 12203 259538
57 1336 1337 109 110 11983 12092
58 889 1336 -338 109 113929 -36949
59 857 889 -370 -338 136555 124730
60 1205 857 -22 -370 464 7957
61 861 1205 -366 -22 133615 7871
62 1014 861 -213 -366 45170 77688
63 2248 1014 1021 -213 1043394 -217096
64 2269 2248 1042 1021 1086737 1064845
65 1305 2269 78 1042 6157 81799
66 1478 1305 251 78 63235 19732
67 956 1478 -271 251 73188 -68030
68 467 956 -760 -271 576891 205479
69 434 467 -793 -760 628109 601955
70 1471 434 244 -793 59764 -193748
71 558 1471 -669 244 446937 -163434
72 1118 558 -109 -669 11779 72558
73 653 1118 -574 -109 328940 62247
74 959 653 -268 -574 71574 153439
75 760 959 -467 -268 217653 124813
91990 91230 0 467 36397903 6630444
Tabla 4.2 Valores de la serie de tiempo del artculo KM639-02
Fuente: Elaboracin propia
Captulo 4
82
Con los resultados de las sumatorias obtenidas se puede calcular el valor de r
mediante la utilizacin de la siguiente ecuacin 4.1.
( )( )
( )
=
=
=
+
=
n
t
t
n
t
t t
Y Y
Y Y Y Y
r
1
2
1
1
1
1
..............................4.1
El valor de
1
r obtenido es de 0.1821, lo cual significa que la autocorrelacin de
primer orden refleja que no existe una correlacin entre la demanda del primer periodo
con la del segundo.
Para la autocorrelacin de segundo orden, el valor obtenido mediante el JMP 5.1
es de 0.1152, reflejando que tampoco existe relacin alguna con el siguiente periodo.
Es importante sealar que una serie aleatoria es aquella en donde los coeficientes
de autocorrelacin son cercanos a cero y los valores subsiguientes de la serie no
guardan relacin entre si.
4.4 CORRELOGRAMA DEL PATRN DE DATOS PRESENTADA POR
LA SERIE
Mencionamos en el captulo 2 que la herramienta estadstica a emplearse para
determinar si una serie es aleatoria es el correlograma.
Por otra parte adems de conocer si los datos son o no aleatorios, se puede
conocer si tienen tendencia, son estacionarios y/o si son estacinales de acuerdo con las
definiciones presentadas durante el captulo 2. En la figura siguiente se presenta el
correlograma de la serie analizada en la seccin anterior donde se pueden observar los
coeficientes de autocorrelacin para cada periodo.
El clculo del intervalo de confianza para determinar si los coeficientes de
autocorrelacin son significativamente diferentes de cero nos servirn para conocer si la
serie es aleatoria, esto se realiza utilizando la siguiente ecuacin.
Si se considera un nivel de confianza del 95% tenemos que:
N
Z
1
0 .......................4.2
Estudio de Caso
83
Figura 4.5 Correlograma de la serie de datos del artculo KM639-02
Fuente: Elaboracin propia
GRAFICA DEAUTOCORRELACIONES PARA KM639-02
-1 -0.8 -0.6 -0.4 -0.2 0 0.2 0.4 0.6 0.8 1
0.18
0.12
0.04
-0.03
-0.15
0.11
0.05
0.08
0.17
-0.10
0.05
0.03
-0.07
-0.11
0.11
-0.09
0.13
0.00
-0.12
0.01
-0.16
-0.20
-0.08
0.11
0.03
0.15
-0.04
-0.10
-0.07
-0.23
-0.15
0.09
0.07
-0.08
0.02
-0.15
-0.04
-0.12
-0.02
-0.05
0.01
-0.06
0.04
0.08
-0.04
-0.04
-0.03
-0.05
0.01
-0.02
-0.02
0.02
-0.02
-0.03
-0.02
-0.03
-0.01
0.02
0.01
-0.01
0.00
-0.03
-0.01
0.05
0.04
0.06
0.04
0.04
0.02
0.04
0.02
0.02
0.01
1
2
3
4
5
6
7
8
9
1
0
1
1
1
2
1
3
1
4
1
5
1
6
1
7
1
8
1
9
2
0
2
1
2
2
2
3
2
4
2
5
2
6
2
7
2
8
2
9
3
0
3
1
3
2
3
3
3
4
3
5
3
6
3
7
3
8
3
9
4
0
4
1
4
2
4
3
4
4
4
5
4
6
4
7
4
8
4
9
5
0
5
1
5
2
5
3
5
4
5
5
5
6
5
7
5
8
5
9
6
0
6
1
6
2
6
3
6
4
6
5
6
6
6
7
6
8
6
9
7
0
7
1
7
2
7
3
V
A
L
O
R
E
S
D
E
r
COEFICIENTES DE AUTOCORRELACION
Captulo 4
84
Entonces debido a que Z para un 95% de confiabilidad es igual a 1.96 tenemos
de 4.2 que:
227 . 0
74
1
96 . 1 0 =
.
Este resultado se ha remarcado a lo largo de toda grafica de las autocorrelaciones
(figura 4.5) en ambos extremos del intervalo.
Con el anlisis del correlograma y de acuerdo a lo descrito durante el captulo
anterior se determinan varias situaciones:
La primera es que la serie no se correlaciona consigo misma, ya que los
coeficientes son cercanos a cero o se encuentran por debajo del nivel de significancia,
lo anterior promueve la utilizacin de mtodos avanzados para el clculo del pronstico.
Por otra parte, no se aprecia que la serie sea estacionaria, presente una tendencia
o estacionalidad, ya que los coeficientes son completamente aleatorios, esto se
comprueba al visualizar que todos los coeficientes de autocorrelacin se encuentran por
debajo de los lmites calculados con un nivel de confianza del 95%, por lo que se puede
decir que esta serie es aleatoria.
4.5 ELECCIN DE LA TCNICA DE PRONSTICO
Se ha determinado con base al anlisis de los factores que intervienen en la seleccin
del modelo, as como del seguimiento de la metodologa propuesta, que el modelo a
emplear est en la metodologa ARIMA, debido principalmente a que el patrn de datos
que presenta la serie se ajusta perfectamente a los requerimientos de la tcnica, adems
de que es uno de los mtodos ms avanzados de la actualidad y contempla tanto
modelos autoregresivos como promedios mviles y la combinacin de stos. De igual
forma es posible utilizarla para cualquier patrn de datos descrito por la serie ya que no
considera a los componentes que se puedan encontrar en la serie y si bien es una tcnica
desarrollada para series estacionarias, es posible utilizarla para series no estacionarias
cuando stas son diferenciadas.
Estudio de Caso
85
4.6 APLICACIN DE LA TCNICA SELECCIONADA PARA EL
CLCULO DEL PRONSTICO
Para la aplicacin de la metodologa se considerarn los modelos propuestos en la
seccin 3.8 dado que la posibilidad de que los coeficientes de autocorrelacin y de
autocorrelacin parcial cambien en su valor de manera significativa respecto a los
dems modelos no es significativa. Se promueven slo dichos modelos en virtud de que
resultan ser los ms representativos y por lo tanto cualquier otro valor obtenido al
utilizar otro arreglo distinto sera ligeramente diferente.
Los arreglos propuestos se aplicarn al nmero de artculo con el que se ha
venido trabajando, con el fin de ilustrar el procedimiento a seguir.
Continuando con el procedimiento para aplicar la metodologa ARIMA, es
necesario determinar si la serie es estacionaria o no estacionaria, recordando que una
serie estacionaria es aquella en la que el valor de su media no cambia a travs del
tiempo. Por otro lado, para poder aplicar la tcnica es necesario que la serie sea
estacionaria, si esto no sucede como en el caso que estamos estudiando, entonces se
debe convertir a estacionaria, esto se logra al diferenciar la serie.
Posteriormente se comparan los coeficientes de autocorrelacin y los de
autocorrelacin parcial, recordando que revisamos en el captulo 2 que el modelo lo
podemos determinar con base en los correlogramas dependiendo de cmo se ajusten las
autocorrelaciones, pero en la realidad es difcil que stas se comporten exactamente
como se indica en la teora, por lo que para este caso procederemos a utilizar los
modelos propuestos durante el captulo 3, comparando su DAM, y el que resulte ms
bajo ser el que se elija.
De igual forma se emplear el software JMP5.1 en el captulo 5 para determinar
el pronstico de los productos restantes.
La siguiente figura muestra los coeficientes de autocorrelacin y
autocorrelaciones parciales slo para los primeros 30 periodos obtenidos con el
software JMP5.1, en virtud de que ya se ha justificado que la serie no es estacionaria
revisamos los modelos ARIMA propuestos en el captulo 3.
Captulo 4
86
Figura 4.6 Autocorrelacin del artculo KM639-02 Figura 4.7 Autocorrelacin parcial del artculo
KM639-02
Fuente: Elaboracin propia
4.7 DETERMINACIN DE LOS ARREGLOS MS PRECISOS A APLICAR
Durante el captulo 3 se propusieron diferentes arreglos para efectuar el pronstico,
durante esta etapa de la metodologa utilizaremos el paquete de cmputo JMP para
determinar el pronstico de 6 periodos adelante, y mediante esto determinar las
desviaciones medias absolutas DAM de cada uno de los arreglos, adems del calculado
para el pronstico actual. Se efectuar una comparacin y el que resulte ms pequeo
ser el arreglo que se deba elegir.
Los valores reales y pronosticados con cada uno de los arreglos para los 6
periodos considerados se muestran a continuacin.
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
Lag
1.0000
0.1822
0.0849
0.0102
-0.0460
-0.1542
0.1735
0.0352
0.0494
0.1272
-0.2076
0.1402
0.0077
-0.0801
-0.0619
0.0661
-0.0502
0.1577
-0.1198
-0.1282
0.1072
-0.2394
-0.0236
-0.0437
0.0806
0.1830
-0.0620
-0.0756
-0.0603
-0.0104
Partial -.8-.6 -.4-.2 0 .2 .4 .6 .8
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
Lag
1.0000
0.1822
0.1152
0.0444
-0.0253
-0.1544
0.1063
0.0457
0.0777
0.1661
-0.0986
0.0529
0.0254
-0.0672
-0.1117
0.1121
-0.0871
0.1322
-0.0023
-0.1190
0.0094
-0.1615
-0.2030
-0.0754
0.1106
0.0320
0.1545
-0.0444
-0.0961
-0.0682
AutoCorr -.8-.6 -.4-.2 0 .2 .4 .6 .8
Estudio de Caso
87
VALOR PRONSTICADO
PERIODO
Valor
real
ACTUAL
ARIMA
(1.1.1)
ARIMA
(1.1.2)
ARIMA
(1.2.2)
ARIMA
(2.2.2)
ARIMA
(2.2.1)
ARIMA
(2.1.1)
Abr-06 652.00 979.00 1044.96 1145.29 792.03 718.52 719.27 1070.10
May-06 1037.00 1173.00 1085.71 1210.32 716.36 715.52 714.72 1105.64
Jun-06 1147.00 858.00 1093.31 1244.82 688.45 646.98 647.84 1131.99
Jul-06 750.00 1144.00 1096.40 1263.48 636.88 604.62 604.65 1139.86
Ago-06 825.00 828.00 1098.88 1273.94 594.46 561.71 561.69 1144.40
Sep-06 1077.00 1000.00 1101.27 1280.14 546.12 510.13 510.46 1147.30
Tabla 4.3 Valor real y pronosticado para la serie de tiempo del artculo KM639-02
Fuente: Elaboracin propia
Con estos valores se calcula la desviacin media absoluta DAM para cada uno
de los arreglos incluyendo el pronstico actual, con la finalidad de obtener cul de ellos
es el que presenta la menor desviacin, la siguiente ecuacin se utiliza para calcular el
DAM (ver 2.6.1):
n
y y
n
e
DAM
n
t
t t
n
t
t
= =
= =
1 1
...........................4.3
Donde:
=
t
y Valor real
=
t
y Valor pronosticado
6
1000 1077 828 825 1144 750 858 1147 1173 1037 979 652 + + + + +
=
Actual
DAM
33 . 204 =
Actual
DAM
En la siguiente tabla se presentan todos los valores de la DAM calculada para
cada uno de los modelos sugeridos.
Captulo 4
88
DAM
ACTUAL
ARIMA
(1.1.1)
ARIMA
(1.1.2)
ARIMA
(1.2.2)
ARIMA
(2.2.2)
ARIMA
(2.2.1)
ARIMA
(2.1.1)
Abr-06 327.00 392.96 493.29 140.03 66.52 67.27 418.10
May-06 136.00 48.71 173.32 320.64 321.48 322.28 68.64
Jun-06 289.00 53.69 97.82 458.55 500.02 499.16 15.01
Jul-06 394.00 346.40 513.48 113.12 145.38 145.35 389.86
Ago-06 3.00 273.88 448.94 230.54 263.29 263.31 319.40
Sep-06 77.00 24.27 203.14 530.88 566.87 566.54 70.30
PROMEDIO 204.33 189.99 321.66 298.96 310.59 310.65 213.55
Tabla 4.4 Desviaciones medias absolutas obtenidas con los arreglos sugeridos para el artculo KM639-02
Fuente: Elaboracin propia.
El DAM de menor valor corresponde al arreglo ARIMA 1.1.1 que quiere decir
que se est empleando un modelo autoregresivo, una diferenciacin y un promedio
mvil, por lo tanto los valores del pronstico que se deben de contemplar para su
validacin son los que ha arrojado este arreglo y que se presentan en la tabla 4.3.
Este procedimiento se realiza para cada artculo definido por la clasificacin
ABC, en la tabla 4.5 se presentan los arreglos resultantes para cada uno de ellos con el
valor de la DAM calculada.
Figura 4.8 Comparacin del valor real contra el pronstico actual y el ARIMA 1.1.1 para el artculo
KM639-02
Fuente: Elaboracin propia
GRFICA DEL PRONSTICO ACTUAL Y ARIMA vs VALOR
REAL
0.00
200.00
400.00
600.00
800.00
1000.00
1200.00
1400.00
Abr-06 May-06 Jun-06 Jul-06 Ago-06 Sep-06
Periodo
U
n
i
d
a
d
e
s
ACTUAL Valor real ARIMA (1.1.1)
Estudio de Caso
89
En la figura 4.8 se puede apreciar que a pesar de que el patrn que sigue la serie
pronosticada con el mtodo actual, es muy similar a la serie real, la desviacin de la
metodologa ARIMA hace que el pronstico calculado con esta ltima resulte ms
preciso.
ARTCULO
DAM ARIMA
1,1,1
DAM ARIMA
1,1,2
DAM ARIMA
1,2,2
DAM ARIMA
2,2,2
DAM ARIMA
2,2,1
DAM ARIMA
2,1,1
K0036-02 15.865
K0047-06 16.159
K0465-05 41.279
K1121-01 72.018
K1886-01 31.279
K1914-06 22.656
K260033-01 43.783
K70037-02 58.556
K9082-01 46.301
KF224-01 10.766
KF224-02B 182.371
KF251-01 31.588
KF295-01 24.186
KF537-04 110.067
KF587-04 36.183
KF594-01 35.985
KM10993-01 26.197
KM11004-01 122.971
KM136-01 34.959
KM168-01 174.196
KM168-02 39.593
KM173-01 144.222
KM639-02 189.986
KM80203-01 38.055
SB770 30.082
SBA1002 48.464
SBA1029 38.777
SBA60026 28.246
SD178B 10.096
SN1106 202.136
SN31846 504.045
SN9001 165.022
Tabla 4.5 Desviaciones medias absolutas obtenidas para los artculos clasificados como A.
Fuente: Elaboracin propia
Captulo 4
90
4.8 COMPARACIN DE RESULTADOS ENTRE LA METODOLOGA
ACTUAL Y LA PROPUESTA
Como ltima etapa, se debe someter a prueba la metodologa sugerida, esto se realiza
para conocer si es capaz de arrojar mejores resultados que la tcnica actual. El objetivo
es mejorar la precisin del pronstico, por lo que en caso de que se incremente la
precisin global, entonces podemos dar por hecho que se ha cumplido el objetivo.
Considerando los valores de la DAM obtenidos en la tabla 4.5 podemos observar
que prcticamente cada uno de ellos es menor que el DAM actual, ya que no existen
resultados negativos que sugeriran a la tcnica actual como mejor que cualquiera de los
arreglos considerados. Por lo tanto, est claro el hecho de que a nivel individual para
cada artculo seleccionado el pronstico calculado con ARIMA, comparado contra la
tcnica actual es mejor ya que su DAM es menor. Las grficas siguientes representan la
comparacin entre el pronstico actual y el calculado por ARIMA para algunos de los
productos.
Figura 4.8 Comparacin del valor real contra el pronstico actual y el ARIMA 2.2.2
para el artculo K0036-02
Fuente: Elaboracin propia
GRFICA DEL PRONSTICO ACTUAL Y ARIMA vs VALOR
REAL
0.00
20.00
40.00
60.00
80.00
100.00
120.00
140.00
160.00
180.00
Abr-06 May-06 Jun-06 Jul-06 Ago-06 Sep-06
Periodo
U
n
i
d
a
d
e
s
ACTUAL Valor real ARIMA (2.2.2)
Estudio de Caso
91
Figura 4.9 Comparacin del valor real contra el pronstico actual y el ARIMA 1.1.1
para el artculo KF224-02B
Fuente: Elaboracin propia
Figura 4.10 Comparacin del valor real contra el pronstico actual y el ARIMA 2.1.1
para el artculo KM11004-01
Fuente: Elaboracin propia
GRFICA DEL PRONSTICO ACTUAL Y ARIMA vs VALOR
REAL
0.00
200.00
400.00
600.00
800.00
1000.00
1200.00
1400.00
Abr-06 May-06 Jun-06 Jul-06 Ago-06 Sep-06
Periodo
U
n
i
d
a
d
e
s
ACTUAL Valor real ARIMA (1.1.1)
GRFICA DEL PRONSTICO ACTUAL Y ARIMA vs VALOR
REAL
0.00
500.00
1000.00
1500.00
2000.00
Abr-06 May-06 Jun-06 Jul-06 Ago-06 Sep-06
Periodo
U
n
i
d
a
d
e
s
ACTUAL Valor real ARIMA (2.1.1)
Captulo 4
92
Figura 4.11 Comparacin del valor real contra el pronstico actual y el ARIMA 1.1.2 para el
artculo KM168-02
Fuente: Elaboracin propia
Figura 4.8 Comparacin del valor real contra el pronstico actual y el ARIMA 1.1.1
para el artculo K9082-01
Fuente: Elaboracin propia
GRFICA DEL PRONSTICO ACTUAL Y ARIMA vs VALOR REAL
0.00
50.00
100.00
150.00
200.00
250.00
300.00
Abr-06 May-06 Jun-06 Jul-06 Ago-06 Sep-06
Periodo
U
n
i
d
a
d
e
s
ACTUAL Valor real ARIMA (1.1.2)
GRFICA DEL PRONSTICO ACTUAL Y ARIMA vs VALOR
REAL
0.00
50.00
100.00
150.00
200.00
250.00
300.00
350.00
Abr-06 May-06 Jun-06 Jul-06 Ago-06 Sep-06
Periodo
U
n
i
d
a
d
e
s
ACTUAL Valor real ARIMA (1.1.2)
Estudio de Caso
93
Figura 4.8 Comparacin del valor real contra el pronstico actual y el ARIMA 12.2 para
el artculo SN9001
Fuente: Elaboracin propia
A continuacin se obtienen cada uno de los valores pronosticados por ARIMA de
acuerdo al modelo que ofrece la mayor ventaja obtenido en la tabla 4.5 utilizando el
programa JMP, y se compara contra el valor real de la demanda en cada uno de los periodos
analizados y para cada uno de los artculos A, obteniendo as el porcentaje de precisin para
cada uno de ellos. Este mismo procedimiento se realiza para los valores pronosticados con
el mtodo tradicional y los porcentajes de la precisin obtenidos, se deben comparar
individual y globalmente. El porcentaje de la precisin ser calculado de acuerdo a los
lineamientos establecidos en el captulo 1 durante el tema de la medicin del error en el
pronstico y ser simplemente la proporcin obtenida que resulte de dividir el valor
pronosticado de la demanda entre el valor real de la demanda para un mismo periodo de
tiempo. Este procedimiento ser de gran ayuda para conocer cuntos artculos mejoran su
pronstico y de esta forma comparar los porcentajes globales, con el fin de determinar si la
metodologa sugerida contribuye o no, a mejorar la precisin del pronstico. Este
procedimiento se ilustra en la tabla 4.6 la que corresponde al primer periodo. En la seccin
destinada para la presentacin de resultados se incluirn los periodos restantes.
La tabla 4.6 refleja los errores obtenidos para el pronstico utilizando la
metodologa actual, y utilizando el procedimiento descrito se obtienen las sumatorias
globales de la entrada de pedidos y los valores pronosticados as como el porcentaje global
de la precisin del pronstico para cada uno de los 6 periodos estudiados
GRFICA DEL PRONSTICO ACTUAL Y ARIMA vs VALOR REAL
0.00
100.00
200.00
300.00
400.00
500.00
600.00
700.00
800.00
Abr-06 May-06 Jun-06 Jul-06 Ago-06 Sep-06
Periodo
U
n
i
d
a
d
e
s
ACTUAL Valor real ARIMA (1.2.2)
Captulo 4
94
Comparacin y evaluacin de tcnicas
Cdigo SPM
Pronstico
tcnica actual
Pedidos
Precisin
del
pronstico
actual
Precisin
desfavorable
Porcentaje
de la
precisin
individual
Pronstico
tcnica
sugerida
Precisin
del
pronstico
sugerido
Precisin
desfavorable
Porcentaje
de la
precisin
individual
SBA60026 235 133 102 - 102 57% 106 27 27 125%
KM639-02 979 652 327 - 327 67% 1045 393 -393 62%
KM11004-01 1,248 1,267 19 19 102% 1388 121 -121 91%
K0047-06 222 115 107 - 107 52% 126 11 -11 92%
K1886-01 185 120 65 - 65 65% 146 26 -26 82%
KF295-01 90 99 9 9 110% 105 6 -6 94%
K260033-01 100 87 13 -13 87% 102 15 -15 85%
SN9001 400 656 256 256 164% 441 215 215 149%
KM136-01 129 120 9 -9 93% 124 4 -4 97%
SN31846 3,200 1,010 2,190 -2,190 32% 2253 1243 -1243 45%
KF224-02B 914 818 96 -96 89% 851 33 -33 96%
K1914-06 114 48 66 -66 42% 112 64 -64 43%
K1121-01 154 236 82 82 153% 281 45 -45 84%
KM80203-01 310 202 108 -108 65% 258 56 -56 78%
KF537-04 598 400 198 -198 67% 581 181 -181 69%
KF587-04 122 79 43 - 43 65% 112 33 -33 71%
KM173-01 753 675 78 -78 90% 835 160 -160 81%
K70037-02 347 183 164 - 164 53% 173 10 10 106%
SBA1002 215 295 80 80 137% 217 78 78 136%
KM168-01 677 394 283 -283 58% 628 234 -234 63%
KF594-01 165 67 98 -98 41% 163 96 -96 41%
K0465-05 307 218 89 -89 71% 223 5 -5 98%
KM168-02 157 120 37 -37 76% 185 65 -65 65%
K9082-01 222 201 21 -21 91% 234 33 -33 86%
KM10993-01 133 75 58 -58 56% 126 51 -51 59%
SN1106 350 264 86 -86 75% 293 29 -29 90%
KF251-01 171 85 86 -86 50% 111 26 -26 77%
K0036-02 95 103 8 8 108% 103 0 0 100%
Total A 12,592 8,722 4,778 454 69% 11,319 3,256 330 77%
Precisin global del pronstico con la
tcnica actual y la sugerida 45% 95% 63% 96% 29%
Tabla 4.6 Precisin del pronstico global e individual para la tcnica actual contra
la tcnica sugerida
Fuente: Elaboracin propia
Finalmente, dentro del apartado de los resultados se presentar un anlisis de la
diferencia en moneda que existe al utilizarse la nueva tcnica, lo que proporcionar una
idea del costo de la precisin del pronstico ya que se evaluar qu tcnica resulta ms cara
Estudio de Caso
95
en trminos de conservar ms material en el almacn por fallas en el pronstico, por lo que
se puede decir que ste sera el costo de la precisin del pronstico.
La evaluacin del costo de la precisin no se presenta dentro de la metodologa ya
que es opcional para la empresa, debido principalmente a que es muy posible que la
organizacin cuente con sus propias formas de valuacin de los inventarios. Sin embargo,
los resultados obtenidos de esta valoracin de la precisin, pudieran ser importantes cuando
se requieran mejorar los sistemas de la gestin de la demanda y se desee comparar contra
alguna referencia.
4.9 RESULTADOS DE LOS PERIODOS PRONOSTICADOS
Si recordamos, durante el desarrollo del trabajo se ha venido hablando del
mejoramiento de la precisin como un objetivo a alcanzar, tanto para cada artculo
individual como para la generalidad de stos por cada periodo, ya que la compaa
evala de esta forma su precisin, y ms all de juzgar si es adecuada o no se pretende
comparar metodologa contra metodologa para saber si los objetivos planteados del
trabajo se cumplen.
De acuerdo a lo anterior durante la presente seccin se mostrarn los resultados
obtenidos para cada grupo de artculos de forma individual y global, para que
posteriormente se concluya si es o no conveniente utilizar la metodologa sugerida.
Adems, se presentar una evaluacin del valor econmico que tendra la precisin
obtenida con ambas metodologas, finalizando con las conclusiones que arrojen la
presentacin de estos resultados.
Las tablas 4.7 a 4.12 presentan los resultados obtenidos al aplicar la metodologa
actual y se comparan stos contra la metodologa sugerida, obteniendo una precisin
global para todo el grupo de artculos con lo que se logra establecer en cuntos periodos
se obtiene una mejora de manera global e individual.
Captulo 4
96
Cdigo SPM
Pronstic
o
Pedido
s
Precisin
Actual
Precisin
Desfavorable
Porcentaj
e de error
Pronostic
o ARIMA
Precisin
ARIMA
Precisin
Desfavorable
Porcentaj
e de error
Casos
de
Mejora
SBA60026 235 133 102 -102 77% 106 27 27 20% si
KM639-02 979 652 327 -327 50% 1045 393 -393 60%
KM11004-01 1,248 1,267 19 19 1% 1388 121 -121 10%
K0047-06 222 115 107 -107 93% 126 11 -11 9% si
K1886-01 185 120 65 -65 54% 146 26 -26 22% si
KF295-01 90 99 9 9 9% 105 6 -6 7% si
K260033-01 100 87 13 -13 15% 102 15 -15 18%
SN9001 400 656 256 256 39% 441 215 215 33% si
KM136-01 129 120 9 -9 8% 124 4 -4 3% si
SN31846 3,200 1,010 2,190 -2190 217% 2253 1243 -1243 123% si
KF224-02B 914 818 96 -96 12% 851 33 -33 4% si
K1914-06 114 48 66 -66 138% 112 64 -64 133% si
K1121-01 154 236 82 82 35% 281 45 -45 19% si
KM80203-01 310 202 108 -108 53% 258 56 -56 28% si
KF537-04 598 400 198 -198 50% 581 181 -181 45% si
KF587-04 122 79 43 -43 54% 112 33 -33 41% si
KM173-01 753 675 78 -78 12% 835 160 -160 24%
K70037-02 347 183 164 -164 90% 173 10 10 5% si
SBA1002 215 295 80 80 27% 217 78 78 26% si
KM168-01 677 394 283 -283 72% 628 234 -234 59% si
KF594-01 165 67 98 -98 146% 163 96 -96 143% si
K0465-05 307 218 89 -89 41% 223 5 -5 2% si
KM168-02 157 120 37 -37 31% 185 65 -65 54%
K9082-01 222 201 21 -21 10% 234 33 -33 16%
KM10993-01 133 75 58 -58 77% 126 51 -51 68% si
SN1106 350 264 86 -86 33% 293 29 -29 11% si
KF251-01 171 85 86 -86 101% 111 26 -26 30% si
K0036-02 95 103 8 8 8% 103 0 0 0% si
Total A 12,592 8,722 4,778 454 55% 11,319 3,256 330 36% 76%
Precisin favorable y
desfavorable Productos A 45% 95% 63% 96%
Tabla 4.7 Resultados obtenidos para ambas metodologas durante el periodo de Abril
Fuente: Elaboracin Propia
La tabla 4.7 muestra como la precisin durante el mes de Abril correspondiente al
primer periodo estudiado, mejora de un 45% a un 63% globalmente mientras que el 76% de
los casos individuales son mejores en la precisin al utilizar la metodologa sugerida.
La precisin se ha calculado tomando como cociente a la sumatoria del total de los
pedidos y no as a la sumatoria del total del valor pronosticado, como se efecta con la
tcnica actual.
Estudio de Caso
97
Cdigo SPM Pronstico
Pedido
s
Precisin
Actual
Precisin
Desfavorable
Porcentaj
e de error
Pronostic
o ARIMA
Precisin
ARIMA
Precisin
Desfavorable
Porcentaj
e de error
Casos de
Mejora
SBA60026 235 69 166 -166 241% 105 36 -36 52% si
KM639-02 1,173 1,037 136 -136 13% 1086 49 -49 5% si
SBA1029 100 32 68 -68 213% 61 29 -29 89% si
KM11004-01 1,438 1,332 106 -106 8% 1408 76 -76 6% si
K0047-06 332 156 176 -176 113% 127 29 29 19% si
K1886-01 198 186 12 -12 6% 144 42 42 23%
KF295-01 90 175 85 85 49% 106 69 69 39% si
K260033-01 120 - 120 -120 120% 97 97 -97 97% si
SN9001 400 404 4 4 1% 424 20 -20 5%
KM136-01 160 204 44 44 22% 138 66 66 32%
SN31846 3,200 2,600 600 -600 23% 2479 121 121 5%
KF224-02B 1,112 968 144 -144 15% 875 93 93 10% si
K1914-06 160 96 64 -64 67% 96 0 0 0% si
K1121-01 195 217 22 22 10% 252 35 -35 16% si
K0050-01 100 88 12 -12 14% 71 17 17 20%
KM80203-01 383 323 60 -60 19% 261 62 62 19%
KF537-04 778 787 9 9 1% 582 205 205 26%
KF587-04 155 168 13 13 8% 109 59 59 35%
KM173-01 875 852 23 -23 3% 822 30 30 4%
K70037-02 429 345 84 -84 24% 160 185 185 54%
SBA1002 215 165 50 -50 30% 223 58 -58 35%
KM168-01 700 914 214 214 23% 644 270 270 30%
KF594-01 195 230 35 35 15% 165 65 65 28%
K0465-05 354 395 41 41 10% 289 106 106 27%
KM168-02 170 166 4 -4 2% 180 14 -14 8% si
K9082-01 259 313 54 54 17% 276 37 37 12% si
KM10993-01 200 133 67 -67 50% 125 8 8 6% si
SN1106 350 207 143 -143 69% 300 93 -93 45% si
KF251-01 228 167 61 -61 37% 104 63 63 38%
K0036-02 119 134 15 15 11% 105 29 29 21%
Total A 14,423 12,863 2,632 536 41% 11,812 2,061 1,556 27% 48%
Precisin favorable y
desfavorable Productos A 80% 4% 84% 12%
Tabla 4.8 Resultados obtenidos para ambas metodologas durante el periodo de Mayo
Fuente: Elaboracin Propia
La tabla 4.8 muestra como la precisin durante el mes de Mayo correspondiente al
segundo periodo estudiado, durante este periodo el incremento en la precisin del
pronstico global es de 4% al pasar de un 80% a un 84%, mientras que el 48% de los
artculos individuales mejoran su precisin al utilizar la metodologa ARIMA, en este
Captulo 4
98
periodo la precisin calculada fue bastante alta, sin embargo logro mejorarse al aplicar la
metodologa sugerida.
Cdigo SPM Pronstico Pedidos
Precisin
Actual
Precisin
Desfavorable
Porcentaje
de error
Pronostico
ARIMA
Precisin
ARIMA
Precisin
Desfavorable
Porcentaje
de error
Casos
de
Mejora
SN31846 2,290 2,672 382 382 14% 2261 411 411 15%
KM11004-01 1,344 1,540 196 196 13% 1419 121 121 8% si
KM639-02 858 1,147 289 289 25% 1093 54 54 5% si
KF224-02B 830 1,146 316 316 28% 867 279 279 24% si
KM173-01 820 865 45 45 5% 823 42 42 5%
KM168-01 627 793 166 166 21% 660 133 133 17% si
SN9001 524 432 92 -92 21% 443 11 -11 3% si
KF537-04 514 531 17 17 3% 568 37 -37 7%
KM80203-01 283 225 58 -58 26% 264 39 -39 17% si
K1121-01 283 181 102 -102 56% 236 55 -55 30% si
SN1106 278 549 271 271 49% 288 261 261 48% si
K0465-05 254 282 28 28 10% 264 18 18 6% si
K9082-01 223 288 65 65 23% 266 22 22 8% si
K70037-02 280 216 64 -64 30% 160 56 56 26% si
KF594-01 243 216 27 -27 13% 165 51 51 24%
KM168-02 183 281 98 98 35% 184 97 97 34% si
SBA1002 148 221 73 73 33% 203 18 18 8% si
K1886-01 144 198 54 54 27% 137 61 61 31%
KM136-01 162 150 12 -12 8% 132 18 18 12%
SBA60026 135 114 21 -21 18% 106 8 8 7% si
K260033-01 120 - 120 -120 120% 100 100 -100 100% si
KM10993-01 119 158 39 39 25% 125 33 33 21% si
K0047-06 118 96 22 -22 23% 129 33 -33 34%
K0036-02 118 92 26 -26 28% 101 9 -9 9% si
KF251-01 136 119 17 -17 14% 99 20 20 17%
KF295-01 115 93 22 -22 24% 105 12 -12 13% si
K1914-06 115 97 18 -18 19% 104 7 -7 7% si
KF587-04 103 67 36 -36 54% 106 39 -39 59%
Total A 11,367 12,769 2,676 2,039 27% 11,410 2,043 1,701 21% 68%
Precisin favorable y
desfavorable Productos A 79% 84% 84% 87%
Tabla 4.9 Resultados obtenidos para ambas metodologas durante el periodo de Junio
Fuente: Elaboracin Propia
La tabla 4.9 muestra como la precisin durante el mes de Junio correspondiente al
tercer periodo estudiado, durante el cual la precisin global alcanza el valor de 84% con la
tcnica sugerida en contra del 79% obtenido con la tcnica actual. Por otro lado, el
porcentaje de mejora para los valores individuales es del 68% de los productos analizados.
Estudio de Caso
99
Cdigo
SPM
Pronstico Pedidos
Precisin
Actual
Precisin
Desfavorable
Porcentaje
de error
Pronostico
ARIMA
Precisin
ARIMA
Precisin
Desfavorable
Porcentaje
de error
Casos
de
Mejora
SN31846 3,053 2,361 692 -692 29% 2312 49 49 2% si
KM11004-01 1,792 1,139 653 -653 57% 1426 118 -118 10% si
KM639-02 1,144 750 394 -394 53% 1096 346 -346 46% si
KF224-02B 1,107 407 700 -700 172% 851 444 -444 109% si
KM173-01 1,093 610 483 -483 79% 827 217 -217 36% si
KM168-01 836 425 411 -411 97% 663 238 -238 56% si
SN9001 699 144 555 -555 385% 441 240 -240 167% si
KF537-04 685 431 254 -254 59% 556 9 9 2% si
KM80203-01 377 276 101 -101 37% 259 18 18 6% si
K1121-01 377 - 377 -377 377% 228 229 -229 229% si
SN1106 371 283 88 -88 31% 292 83 83 29% si
K0465-05 339 316 23 -23 7% 237 79 79 25%
K9082-01 297 188 109 -109 58% 274 86 -86 46% si
K70037-02 373 142 231 -231 163% 153 11 -11 8% si
KF594-01 324 162 162 -162 100% 164 2 -2 1% si
KM168-02 244 155 89 -89 57% 186 31 -31 20% si
SBA1002 197 143 54 -54 38% 201 15 15 10% si
K1886-01 192 119 73 -73 61% 135 16 -16 13% si
KM136-01 216 44 172 -172 391% 131 87 -87 197% si
SBA60026 180 130 50 -50 38% 107 23 23 18% si
K260033-01 160 111 49 -49 44% 98 13 -13 12% si
KM10993-01 159 91 68 -68 74% 125 34 -34 37% si
K0047-06 157 111 46 -46 42% 131 20 -20 18% si
K0036-02 157 109 48 -48 44% 100 9 9 8% si
KF251-01 181 44 137 -137 312% 94 50 -50 114% si
KF295-01 153 110 43 -43 39% 105 17 17 15% si
K1914-06 153 101 52 -52 52% 100 1 1 1% si
KF587-04 137 66 71 -71 108% 105 39 -39 59% si
Total A 15,156 8,968 6,188 - 107% 11,399 2,522 301 46% 96%
Precisin favorable y
desfavorable Productos A 31% 100% 72% 97%
Tabla 4.10 Resultados obtenidos para ambas metodologas durante el periodo de Julio
Fuente: Elaboracin Propia
La tabla 4.10 muestra como la precisin durante el mes de Julio correspondiente al
cuarto periodo estudiado, incrementa notablemente su precisin tanto global como
individual al pasar de 31% obtenido con la tcnica actual al 72% calculado al utilizar
ARIMA, para el porcentaje global, mientras que en el individual se obtiene que un 96% de
los artculos estudiados mejoran su precisin.
Captulo 4
100
Cdigo SPM Pronstico Pedidos
Precisin
Actual
Precisin
Desfavorable
Porcentaj
e de error
Pronostic
o ARIMA
Precisin
ARIMA
Precisin
Desfavorable
Porcentaj
e de error
Casos
de
Mejora
SN31846 2,131 1,312 819 -819 62% 2201 889 -889 68%
KM11004-01 1,580 1,372 208 -208 15% 1432 60 -60 4% si
KM639-02 828 825 3 -3 0% 1099 274 -274 33%
KF224-02B 816 741 75 -75 10% 833 92 -92 12%
KM173-01 792 566 226 -226 40% 831 265 -265 47%
KM168-01 621 609 12 -12 2% 668 59 -59 10%
SN9001 515 524 10 10 2% 452 72 72 14%
KF537-04 510 430 80 -80 18% 543 113 -113 26%
KM80203-01 276 252 24 -24 10% 256 4 -4 2% si
K1121-01 240 208 32 -32 15% 225 17 -17 8% si
SN1106 270 150 120 -120 80% 295 145 -145 97%
K0465-05 251 259 8 8 3% 256 3 3 1% si
K9082-01 213 180 33 -33 18% 276 96 -96 54%
K70037-02 239 172 67 -67 39% 150 22 22 13% si
KF594-01 206 164 42 -42 25% 163 1 1 1% si
KM168-02 176 161 15 -15 9% 189 28 -28 17%
SBA1002 148 275 127 127 46% 204 71 71 26% si
K1886-01 144 154 11 11 7% 132 22 22 14%
KM136-01 153 100 53 -53 53% 132 32 -32 32% si
SBA60026 135 150 15 15 10% 108 42 42 28%
K260033-01 116 100 16 -16 16% 93 7 7 7% si
KM10993-01 110 99 11 -11 11% 124 25 -25 26%
K0047-06 116 137 21 21 15% 133 4 4 3% si
K0036-02 112 75 37 -37 49% 98 23 -23 31% si
KF251-01 125 65 60 -60 92% 90 25 -25 38% si
KF295-01 112 77 35 -35 45% 105 28 -28 36% si
K1914-06 111 56 55 -55 97% 102 46 -46 83% si
KF587-04 87 61 26 -26 43% 103 42 -42 69%
Total A 11,128 9,274 2,236 191 30% 11,295 2,511 245 29% 50%
Precisin favorable y
desfavorable Productos A 76% 98% 73% 97%
Tabla 4.11 Resultados obtenidos para ambas metodologas durante el periodo de Agosto
Fuente: Elaboracin Propia
La tabla 4.11 muestra como la precisin calculada con el mtodo actual de forma
global es mayor que la calculada con la metodologa sugerida en un 3% es decir, a pesar de
que el porcentaje precisin individual es mejor en el 50% de los artculos evaluados
Estudio de Caso
101
Cdigo SPM Pronstico Pedidos
Precisin
Actual
Precisin
Desfavorable
Porcentaje
de error
Pronostico
ARIMA
Precisin
ARIMA
Precisin
Desfavorable
Porcentaje
de error
Casos
de
Mejor
a
SN31846 2,600 2,500 100 -100 4% 2189 311 311 12%
KM11004-01 1,700 1,510 190 -190 13% 1438 72 72 5% si
KM639-02 1,000 1,077 77 77 7% 1101 24 -24 2% si
KF224-02B 857 967 110 110 11% 815 152 152 16%
KM173-01 831 987 156 156 16% 836 151 151 15% si
KM168-01 652 563 89 -89 16% 674 111 -111 20%
SN9001 540 80 460 -460 575% 455 375 -375 469% si
KF537-04 535 531 4 -4 1% 530 1 1 0% si
KM80203-01 290 305 15 15 5% 254 51 51 17%
K1121-01 252 174 78 -78 45% 226 52 -52 30% si
SN1106 283 973 690 690 71% 297 676 676 70% si
K0465-05 264 231 33 -33 14% 267 36 -36 16%
K9082-01 224 278 54 54 20% 281 3 -3 1% si
K70037-02 251 212 39 -39 18% 144 68 68 32%
KF594-01 216 160 56 -56 35% 161 1 -1 1% si
KM168-02 184 188 4 4 2% 191 3 -3 2% si
SBA1002 155 214 59 59 27% 206 8 8 4% si
K1886-01 151 150 1 -1 0% 129 21 21 14%
KM136-01 160 127 33 -33 26% 130 3 -3 3% si
SBA60026 142 75 67 -67 89% 109 34 -34 45% si
K260033-01 121 120 1 -1 1% 90 30 30 25%
KM10993-01 116 130 15 15 11% 124 6 6 4% si
K0047-06 122 135 13 13 10% 135 0 0 0% si
K0036-02 118 122 4 4 4% 97 25 25 21%
KF251-01 131 79 52 -52 66% 85 6 -6 8% si
KF295-01 117 130 13 13 10% 105 25 25 19%
K1914-06 116 84 32 -32 38% 102 18 -18 21% si
KF587-04 91 107 16 16 15% 102 5 5 5% si
Total A 12,218 12,209 2,460 1,226 41% 11,273 2,271 1,603 31% 64%
Precisin favorable y
desfavorable Productos A 80% 90% 81% 87%
Tabla 4.12 Resultados obtenidos para ambas metodologas durante el periodo de Septiembre
Fuente: Elaboracin Propia
La tabla 4.12 muestra cmo la precisin calculada para el sexto es de 81%, la cual
es mejor que la obtenida con el mtodo actual que asciende a un 80%, lo anterior es el
clculo obtenido de forma global, mientras que al evaluar la precisin para cada artculo se
obtiene que el 64% de los casos estudiados se mejora con la metodologa sugerida.
Captulo 4
102
Tabla 4.13 Periodos mejorados al aplicar la metodologa ARIMA Fuente: Elaboracin Propia
Nmero
Per.
Mej.
Actual ARIMA
%
Actual
%
ARIMA
Actual ARIMA
%
Actual
%
ARIMA
Actual ARIMA
%
Actual
%
ARIMA
Actual ARIMA
%
Actual
%
ARIMA
Actual ARIMA
%
Actual
%
ARIMA
Actual ARIMA
%
Actual
%
ARIMA
K0036-02 4 103 95 103 8% 0% 134 119 105 11% 21% 92 118 101 28% 9% 109 157.33 100 44% 8% 75 112 98 49% 31% 122 117.6 97 4% 21%
K0047-06 5 115 222 126 93% 9% 156 332 127 113% 19% 96 118 129 23% 34% 111 157.33 131 42% 18% 137 116 133 15% 3% 135 121.8 135 10% 0%
K0465-05 3 218 307 223 41% 2% 395 354 289 10% 27% 282 254 264 10% 6% 316 338.67 237 7% 25% 259 251 256 3% 1% 231 263.55 267 14% 16%
K1121-01 4 236 154 281 35% 19% 217 195 252 10% 16% 181 283 236 56% 30% 0 377.33 228 377% 229% 208 240 225 15% 8% 174 252 226 45% 30%
K1886-01 2 120 185 146 54% 22% 186 198 144 6% 23% 198 144 137 27% 31% 119 192 135 61% 13% 154 143.5 132 7% 14% 150 150.68 129 0% 14%
K1914-06 6 48 114 112 138% 133% 96 160 96 67% 0% 97 115 104 19% 7% 101 153.33 100 52% 1% 56 110.5 102 97% 83% 84 116.03 102 38% 21%
K260033-01 4 87 100 102 15% 18% 0 120 97 120% 97% 0 120 100 120% 100% 111 160 98 44% 12% 100 115.5 93 16% 7% 120 121.28 90 1% 25%
K70037-02 3 183 347 173 90% 5% 345 429 160 24% 54% 216 280 160 30% 26% 142 373.33 153 163% 8% 172 239 150 39% 13% 212 250.95 144 18% 32%
K9082-01 4 201 222 234 10% 16% 313 259 276 17% 12% 288 223 266 23% 8% 188 297.33 274 58% 46% 180 213 276 18% 54% 278 223.65 281 20% 1%
KF224-02B 4 818 914 851 12% 4% 968 1112 875 15% 10% 1146 830 867 28% 24% 407 1106.7 851 172% 109% 741 816 833 10% 12% 967 856.8 815 11% 16%
KF251-01 4 85 171 111 101% 30% 167 228 104 37% 38% 119 136 99 14% 17% 44 181.33 94 312% 114% 65 125 90 92% 38% 79 131.25 85 66% 8%
KF295-01 4 99 90 105 9% 7% 175 90 106 49% 39% 93 115 105 24% 13% 110 153.33 105 39% 15% 77 111.5 105 45% 36% 130 117.08 105 10% 19%
KF537-04 3 400 598 581 50% 45% 787 778 582 1% 26% 531 514 568 3% 7% 431 685.33 556 59% 2% 430 509.5 543 18% 26% 531 534.98 530 1% 0%
KF587-04 3 79 122 112 54% 41% 168 155 109 8% 35% 67 103 106 54% 59% 66 137.33 105 108% 59% 61 87 103 43% 69% 107 91.35 102 15% 5%
KF594-01 3 67 165 163 146% 143% 230 195 165 15% 28% 216 243 165 13% 24% 162 324 164 100% 1% 164 205.5 163 25% 1% 160 215.78 161 35% 1%
KM10993-01 5 75 133 126 77% 68% 133 200 125 50% 6% 158 119 125 25% 21% 91 158.67 125 74% 37% 99 110 124 11% 26% 130 115.5 124 11% 4%
KM11004-01 5 1267 1248 1388 1% 10% 1332 1438 1408 8% 6% 1540 1344 1419 13% 8% 1139 1792 1426 57% 10% 1372 1580 1432 15% 4% 1510 1700 1438 13% 5%
KM136-01 4 120 129 124 8% 3% 204 160 138 22% 32% 150 162 132 8% 12% 44 216 131 391% 197% 100 152.5 132 53% 32% 127 160.13 130 26% 3%
KM168-01 3 394 677 628 72% 59% 914 700 644 23% 30% 793 627 660 21% 17% 425 836 663 97% 56% 609 621 668 2% 10% 563 652.05 674 16% 20%
KM168-02 3 120 157 185 31% 54% 166 170 180 2% 8% 281 183 184 35% 34% 155 244 186 57% 20% 161 175.5 189 9% 17% 188 184.28 191 2% 2%
KM173-01 3 675 753 835 12% 24% 852 875 822 3% 4% 865 820 823 5% 5% 610 1093.3 827 79% 36% 566 791.5 831 40% 47% 987 831.08 836 16% 15%
KM639-02 4 652 979 1045 50% 60% 1037 1173 1086 13% 5% 1147 858 1093 25% 5% 750 1144 1096 53% 46% 825 828 1099 0% 33% 1077 1000 1101 7% 2%
KM80203-01 4 202 310 258 53% 28% 323 383 261 19% 19% 225 283 264 26% 17% 276 377.33 259 37% 6% 252 276 256 10% 2% 305 289.8 254 5% 17%
SBA1002 4 295 215 217 27% 26% 165 215 223 30% 35% 221 148 203 33% 8% 143 197.33 201 38% 10% 275 148 204 46% 26% 214 155.4 206 27% 4%
SBA60026 5 133 235 106 77% 20% 69 235 105 241% 52% 114 135 106 18% 7% 130 180 107 38% 18% 150 135 108 10% 28% 75 141.75 109 89% 45%
SN1106 4 264 350 293 33% 11% 207 350 300 69% 45% 549 278 288 49% 48% 283 370.67 292 31% 29% 150 269.5 295 80% 97% 973 282.98 297 71% 70%
SN31846 3 1010 3200 2253 217% 123% 2600 3200 2479 23% 5% 2672 2290 2261 14% 15% 2361 3053.3 2312 29% 2% 1312 2131 2201 62% 68% 2500 2600 2189 4% 12%
SN9001 4 656 400 441 39% 33% 404 400 424 1% 5% 432 524 443 21% 3% 144 698.67 441 385% 167% 524 514.5 452 2% 14% 80 540.23 455 575% 469%
AGOSTO
Pedido
pzas
Pronostico
SEPTIEMBRE
Pedido
pzas
Pronostico
JUNIO
Pedido
pzas
Pronostico
JULIO
Pedido
pzas
Pronostico Pronostico
ABRIL
Pedido
pzas
MAYO
Pedido
pzas
Pronostico
Estudio de Caso
103
Nmero $ UN Actual ARIMA $ Actual $ ARIMA DIF Actual ARIMA $ Actual $ ARIMA DIF Actual ARIMA $ Actual $ ARIMA DIF Actual ARIMA $ Actual $ ARIMA DIF Actual ARIMA $ Actual $ ARIMA DIF Actual ARIMA $ Actual $ ARIMA DIF
K0036-02 320.21 8 0 2562 74 2487 15 29 4803 9199 -4396 26 9 8325 2754 5571 48.333 9 15477 2810 12667 37 23 11848 7509 4338 4.4 25 1409 8134 -6725
K0047-06 294.96 107 11 31561 3110 28450 176 29 51913 8650 43263 22 33 6489 9660 -3171 46.333 20 13666 5844 7823 21 4 6194 1254 4940 13.2 0 3893 79 3815
K0465-05 255.7 89 5 22757 1210 21548 41 106 10484 27068 -16584 28 18 7160 4630 2530 22.667 79 5796 20250 -14454 8 3 2046 855 1191 32.55 36 8323 9318 -995
K1121-01 647.76 82 45 53116 28980 24136 22 35 14251 22348 -8098 102 55 66072 35421 30650 378.33 229 245069 148364 96705 32 17 20728 11260 9468 78 52 50525 33529 16996
K1886-01 187.51 65 26 12188 4911 7277 12 42 2250 7933 -5683 54 61 10126 11365 -1239 73 16 13688 2990 10699 10.5 22 1969 4084 -2115 0.675 21 127 3908 -3782
K1914-06 328.57 66 64 21686 21044 642 64 0 21028 100 20929 18 7 5914 2304 3610 52.333 1 17195 170 17025 54.5 46 17907 15237 2670 32.025 18 10522 5810 4713
K260033-01 402 13 15 5226 6161 -935 120 97 48240 38957 9283 120 100 48240 40235 8005 49 13 19698 5377 14321 15.5 7 6231 2865 3366 1.275 30 513 12010 -11497
K70037-02 167.14 164 10 27411 1610 25801 84 185 14040 30924 -16884 64 56 10697 9316 1381 231.33 11 38665 1887 36778 67 22 11198 3696 7503 38.95 68 6510 11290 -4780
K9082-01 399.17 21 33 8383 13070 -4688 54 37 21555 14878 6678 65 22 25946 8851 17095 109.33 86 43643 34497 9146 33 96 13173 38489 -25317 54.35 3 21695 1108 20587
KF224-02B 148.37 96 33 14244 4911 9333 144 93 21365 13837 7528 316 279 46885 41354 5531 699.67 444 103810 65942 37868 75 92 11128 13701 -2573 110.2 152 16350 22606 -6256
KF251-01 276.71 86 26 23797 7074 16723 61 63 16879 17356 -477 17 20 4704 5500 -796 137.33 50 38002 13939 24063 60 25 16603 6855 9748 52.25 6 14458 1722 12737
KF295-01 159.35 9 6 1434 1026 408 85 69 13545 10948 2597 22 12 3506 1942 1564 43.333 17 6905 2630 4275 34.5 28 5498 4439 1059 12.925 25 2060 4006 -1947
KF537-04 216.62 198 181 42891 39101 3790 9 205 1950 44304 -42355 17 37 3683 8033 -4350 254.33 9 55094 1885 53208 79.5 113 17221 24472 -7251 3.975 1 861 146 715
KF587-04 221.96 43 33 9544 7218 2326 13 59 2885 13149 -10264 36 39 7991 8714 -723 71.333 39 15833 8595 7238 26 42 5771 9393 -3622 15.65 5 3474 1118 2356
KF594-01 236.57 98 96 23184 22610 574 35 65 8280 15281 -7001 27 51 6387 12110 -5722 162 2 38324 386 37938 41.5 1 9818 350 9467 55.775 1 13195 340 12855
KM10993-01 411.64 58 51 23875 21039 2836 67 8 27580 3325 24255 39 33 16054 13614 2440 67.667 34 27854 13874 13980 11 25 4528 10490 -5961 14.5 6 5969 2360 3609
KM11004-01 415.16 19 121 7888 50208 -42320 106 76 44007 31521 12486 196 121 81371 50353 31018 653 118 271099 48790 222309 208 60 86353 25079 61274 190 72 78880 29895 48985
KM136-01 259.18 9 4 2333 1067 1265 44 66 11404 17032 -5628 12 18 3110 4603 -1493 172 87 44579 22468 22111 52.5 32 13607 8314 5292 33.125 3 8585 880 7706
KM168-01 508.65 283 234 143948 118870 25078 214 270 108851 137273 -28422 166 133 84436 67484 16951 411 238 209055 121145 87910 12 59 6104 30174 -24070 89.05 111 45295 56683 -11387
KM168-02 571.5 37 65 21146 36937 -15791 4 14 2286 7862 -5576 98 97 56007 55159 848 89 31 50864 17878 32985 14.5 28 8287 15988 -7701 3.725 3 2129 1941 188
KM173-01 338.53 78 160 26405 54156 -27751 23 30 7786 10168 -2382 45 42 15234 14246 987 483.33 217 163623 73376 90247 225.5 265 76339 89761 -13423 155.93 151 52785 51232 1553
KM639-02 232.57 327 393 76050 91391 -15341 136 49 31630 11329 20301 289 54 67213 12488 54725 394 346 91633 80562 11071 3 274 698 63696 -62998 77 24 17908 5645 12262
KM80203-01 218.15 108 56 23560 12161 11399 60 62 13089 13512 -423 58 39 12653 8511 4142 101.33 18 22106 3837 18269 24 4 5236 837 4399 15.2 51 3316 11146 -7830
SBA1002 14.41 80 78 1153 1124 29 50 58 721 835 -114 73 18 1052 257 794 54.333 15 783 214 568 127 71 1830 1016 814 58.6 8 844 122 722
SBA60026 30.65 102 27 3126 824 2302 166 36 5088 1107 3981 21 8 644 237 407 50 23 1533 704 828 15 42 460 1293 -833 66.75 34 2046 1029 1017
SN1106 451.77 86 29 38852 12937 25915 143 93 64603 42001 22602 271 261 122430 117908 4521 87.667 83 39605 37428 2177 119.5 145 53987 65552 -11565 690.03 676 311733 305535 6198
SN31846 28.28 2190 1243 61933 35156 26777 600 121 16968 3428 13540 382 411 10803 11620 -817 692.33 49 19579 1375 18204 819 889 23161 25144 -1983 100 311 2828 8803 -5975
SN9001 524.11 256 215 134172 112547 21626 4 20 2096 10237 -8140 92 11 48218 5869 42349 554.67 240 290706 125926 164780 9.5 72 4979 37832 -32853 460.23 375 241209 196628 44581
TOTAL 4778 3256 864425 710528 153897 2552 2015 589577 564561 25016 2676 2043 781348 564538 216809 6189 2522 1903884 863142 1040741 2236 2511 442899 519634 -76736 2460 2271 927442 787022 140420
ABRIL MAYO
PRECISION PRECISION
JUNIO JULIO
PRECISION PRECISION
AGOSTO SEPTIEMBRE
PRECISION PRECISION
Tabla 4.14 Beneficio econmico al aplicar la metodologa ARIMA Fuente: Elaboracin Propia
TOTAL ACUM $ ACTUAL $5,509,573
TOTAL ACUM $ ARIMA $4,009,425 GRAN TOTAL AHORRO $1,500,148
Captulo 4
104
La tabla 4.13 muestra cuntos son los periodos que se mejoran al aplicar la metodologa
ARIMA para cada uno de los productos analizados, con esto, es posible entender desde la ptica
terica, cmo se comporta el mtodo sugerido, ya que este es diseado para ser tratado para cada
producto de forma individual durante todos los periodos que se deseen estudiar, y as comprender
cmo se va comportando la metodologa a travs del tiempo, lo que no se puede visualizar
cuando se utiliza la forma de evaluacin llevada a cabo actualmente por la empresa, ya que en
sta se evala a cada periodo con la totalidad de los productos.
Finalmente, mencionamos durante el captulo anterior que se realiz una evaluacin de
los beneficios econmicos que se obtienen al utilizar la tcnica sugerida.
La tabla 4.14 muestra cul es el costo unitario de cada uno de los productos evaluados y
tambin cul es el costo de la precisin de cada uno de ellos para los diferentes periodos
estudiados. Este costo es calculado tanto para la tcnica actual como para la sugerida,
considerando que es aqu donde se genera la diferencia entre lo pedido y lo pronosticado.
Es importante notar que la empresa se inclina por mantener una diferencia desfavorable
en el clculo de la precisin del pronstico, debido principalmente a que esto conlleva a tener
ms piezas en el almacn en caso de que el pronstico falle, pero se debe entender que con las
diferencias que se presentan, existen errores de ms del 100% lo que indudablemente debe ser
considerado a la hora de valorizar el inventario.
105
CONCLUSIONES
De los resultados obtenidos se puede ultimar lo siguiente:
Primeramente al evaluar cada uno de los periodos con la tcnica ARIMA, hemos
encontrado que 5 de los 6 periodos evaluados con la tcnica ARIMA son mejores en su
precisin global. El periodo correspondiente al mes de Agosto result ser un 3% menor en
la tcnica ARIMA en comparacin contra la tcnica actual, por lo tanto se concluye que el
primer objetivo perseguido en el presente trabajo se cumple satisfactoriamente, ya que de
los 6 periodos estudiados de Abril a Septiembre 5 de ellos mejoran su precisin obteniendo
que el 83.33% de los casos estudiados son mejores.
Por otra parte al contrastar el segundo objetivo con los resultados obtenidos,
encontramos que ste de igual forma es cubierto plenamente ya que cada producto de forma
individual es mejorado al aplicar la tcnica ARIMA en al menos el 50%, movindose este
valor desde un 50% hasta algunos casos que alcanzan el 100%. Sin embargo debemos
mencionar que existen 2 casos particulares en los que slo se alcanza un 33.33% de mejora,
que si bien es mejor en este mismo porcentaje que la tcnica actual, no cubren con los
objetivos planteados al inicio del presente trabajo, aunque de igual forma se pueden
considerar como casos aislados.
Una vez cumplidos nuestros objetivos, hemos de concluir tambin que las hiptesis
planteadas son validas, ya que al utilizar otra tcnica de pronstico el porcentaje de
precisin ha sido mejorado tanto global como individualmente ya que esta metodologa se
ajusta de mejor forma a las variaciones presentadas por la demanda.
Por otra parte la empresa busca tener siempre la precisin desfavorable en trminos
negativos ya que esto conlleva a tener exceso de producto, con lo que busca una mejor
reaccin ante la solicitud de material por parte de los clientes, el costo de fallar en el
pronstico que se puede traducir en el costo de la precisin tanto positiva como
negativamente, es de igual forma mejorado ya que con la tcnica actual se obtiene un valor
de $ 5,509,573 mientras que al aplicar el ARIMA se obtiene un valor de $4,009,425 lo que
Conclusiones
106
arroja un ahorro de $1,500,148 que puede ser utilizado para enfocarse al mejoramiento de
la tcnica ARIMA.
Con la metodologa sugerida la precisin desfavorable, como la llama la empresa,
slo es mejor en un periodo, pero dado que nuestro objetivo es buscar mejorar la precisin
este resultado no es el parmetro que se busque mejorar, ya que a travs del tiempo
conforme se vaya madurando la tcnica, este valor deber cada vez ser mejor ya que es una
consecuencia de la precisin lograda.
Se ha identificado que la empresa realiza la evaluacin de su precisin utilizando el
cociente de la sumatoria de las variaciones absolutas entre el total de los valores
pronosticados, lo que es un error ya que cualquier cantidad que busque compararse debe
hacerse contra su valor real y no contra el valor pronosticado.
La elaboracin del presente trabajo ha permitido definir una metodologa nueva
aplicable a todas aquellas organizaciones que se dedican al mercado de refacciones
automotrices, sentando un precedente importante al intentar analizar el tipo de demanda
presente en stas, ya que por el mismo giro del negocio resulta bastante difcil
pronosticarla, puesto que los factores que pueden influirla son excesivos, segn se comento
en su oportunidad durante el apndice 2. Por lo tanto, se puede decir que la metodologa
propuesta obedece a un concepto general, ya que es posible que cualquier organizacin
del mismo ramo pueda utilizarla para pronosticar su demanda considerando los factores
que afecten cada una de ellas ya que stos son exclusivos para cada compaa que
decida emplearla.
Del anlisis del perfil de la empresa, se puede concluir que la empresa se encuentra
situada generalmente alrededor de la media en todas las matrices utilizadas para determinar
sus factores externos e internos, esto indica que las oportunidades para aprovechar sus
fortalezas no estn siendo explotadas de forma adecuada, por lo que no logran evitar sus
amenazas contundentemente.
Por otro lado a pesar de que el lder posee clara ventaja sobre los dems
competidores la compaa presenta fortalezas interiores que al ser conocidas y
utilizadas de forma efectiva, pueda lograr que la organizacin obtenga un mejor perfil
competitivo y consiga alejarse con esto de aquellas situaciones que pudieran
desbalancearla. Todo lo anterior est encaminado a llevar a la empresa del perfil
competitivo en el cual se encuentra hoy en da a un perfil conservador con una fortaleza
financiera estable, o en el mejor de los casos a un perfil intensivo.
Conclusiones
107
Finalmente el anlisis permite observar que la unidad estratgica de negocio est
situada en aquellos puntos tpicos de las divisiones que requieren mantener y retener.
Aunque de igual forma, se sita en el lmite de entre lo bajo y lo medio de los EFE. Por
lo que se requiere comenzar a llevar a cabo las estrategias adecuadas, para no empeorar
y tener que implementar algunas decisiones drsticas como desparecer o vender. Para
evitar estas situaciones las estrategias sugeridas por la teora son:
el desarrollo de productos,
la integracin haca adelante,
el desarrollo de mercados y
la penetracin del mercado.
108
BIBLIOGRAFA
1. Adam, Ebert, 1991 Administracin de la produccin y operaciones conceptos,
modelos y funcionamiento ed, Pearson Prentice hall, Mxico, ISBN 968-880-221-2
2. Braverman, J., 1980, Probabilidad, lgica y decisiones gerenciales, Trillas,
Mxico, ISB 968-24-0807-5
3. Brockwell Peter J., 1996 Introduction to Time Series and Forecasting, SPRINGER
TEXTS IN STATISTICS, New York, ISBN 0-387-94719-1
4. David Fred R, , 2003, Conceptos de Administracin Estratgica, Prentice Hall,
Mxico, ISBN 970-26-0427-3
5. Diebold, F., 1999, Elementos de Pronsticos, International Thomson Editores,
Mxico D.F., ISBN 968 7529 74 1
6. E. George. P. Box, 1994 Time Series Analysis Forecasting and Control, Prentice
Hall Internacional, Inc., New Jersey, ISBN 0-13-060774-6
7. Eppen, G., Gould, F., Schmidt, C., Moore, J., Weatherford, L., 2000, Investigacin
de operaciones en la ciencia administrativa, Prentice Hall, Mxico D.F., ISBN 970-
17-0270-0
8. Hanke John E., Reitsch Arthur G., 1996 Pronsticos en los Negocios, Prentice
Hall, Mxico, ISBN 968-880-681-1
9. Hillier, F., Lieberman, G., 1993, Introduccin a la investigacin de operaciones,
McGraw Hill, Mxico, ISBN 968-422-993-3.
10. Makridakis, S., Wheelwright, S., 2000, Mtodos de Pronsticos, Limusa, Mxico,
ISB 968-18-4879-9
11. Marshall, K., Oliver, R., 1995, Decisin making and forecasting, McGraw Hill,
U.S.A.
12. Martn G., 2000, Curso de redaccin, teora y prctica de la composicin y del
estilo, Paraninfo Thomson Learning, Colombia, ISBN 84-283-2570-7
13. Mathor, K., Solow, D., 1996, Investigacin de operaciones, El arte de la toma de
decisiones, Prentice Hall, Mxico, ISB 968-880-698-6
14. Pankratz Alan, 1983 Forecasting with Univariate Box-Jenkins Models, JOHN
WILEY & SONS, New York, ISBN 0-471-09023-9
15. Plossl George W, 1993 Control de la produccin y de Inventarios Principios y
Tcnicas, Prentice Hall, Mxico, ISBN 0-13-725144-0
109
16. Schroeder, R., 1996 Administracin de operaciones, toma de decisiones en la
funcin de operaciones, McGraw Hill, Mxico, ISBN 970-10-0088-9
17. Taha, H., 1998, Investigacin de operaciones una introduccin, Prentice Hall,
Mxico, ISBN 970-17-0166-6
Revistas
18. Indicadores econmicos, Noviembre 2006, Instituto Nacional de Estadstica
Geografa e Informtica
19. Melgar, Luis, 2005, estudio de parque vehicular mexicano, Melgar y asociados.
20. Sols M, Benito, Junio 2006 Anlisis del entorno econmico en 2006, Asociacin
Mexicana de distribuidores Automotrices
21. Reporte econmico de coyuntura, Julio 2006, Asociacin Mexicana de
distribuidores Automotrices.
APNDICE 1:
Los 100 vehculos de mayor
circulacin en Mxico
111
MARCA EMPRESA, MARCA Y MODELO
ACUMULADO
1972-2005
PARTICIPACION
POR MODELO
PARTICIPACION
ACUMULADA
AO
INICIA
AO
TERMINA
NISSAN TSURU (TODAS SUS VERSIONES) 1,083,420 13.25% 13.25% 1984 2005
VW SEDN 763,423 9.34% 22.59% 1972 2005
VW JETTA (TODAS SUS VERSIONES) 488,146 5.97% 28.57% 1987 2005
G.M. CHEVY NACIONAL 455,660 5.57% 34.14% 1995 2005
VW POINTER (INCLUYE SU VERSIN GTI) 311,452 3.81% 37.95% 1997 2005
NISSAN SENTRA NACIONAL 273,272 3.34% 41.29% 1995 2005
VW GOLF (TODAS SUS VERSIONES) 211,460 2.59% 43.88% 1987 2005
NISSAN PLATINA 190,967 2.34% 46.22% 2002 2005
DAIMLERCHRYSLER STRATUS 186,628 2.28% 48.50% 1995 2005
G.M. CHEVY MONZA 175,191 2.14% 50.64% 1996 2005
FORD TOPAZ 170,605 2.09% 52.73% 1983 1994
DAIMLERCHRYSLER NEN 167,260 2.05% 54.78% 1994 2005
G.M. CAVALIER 149,953 1.83% 56.61% 1990 2005
DAIMLERCHRYSLER SHADOW 130,461 1.60% 58.21% 1988 1994
DAIMLERCHRYSLER SPIRIT (TODAS SUS VERSIONES) 122,019 1.49% 59.70% 1989 1995
FORD FIESTA 110,451 1.35% 61.05% 1998 2005
G.M. CORSA SEDN 109,275 1.34% 62.39% 2002 2005
DAIMLERCHRYSLER ATOS 101,746 1.24% 63.63% 2000 2005
VW CARIBE 97,624 1.19% 64.83% 1977 1990
VW DERBY IMPORTADO 90,003 1.10% 65.93% 1992 2005
DAIMLERCHRYSLER DART K 88,079 1.08% 67.01% 1982 1989
FORD FOCUS 86,118 1.05% 68.06% 1999 2005
HONDA CIVIC 82,262 1.01% 69.07% 1996 2005
HONDA ACCORD NACIONAL 74,295 0.91% 69.98% 1995 2005
G.M. ASTRA 74,245 0.91% 70.88% 2000 2005
FORD FIESTA IKON 65,866 0.81% 71.69% 2001 2005
FORD LTD/ GRAND MARQUIS NACIONAL 65,382 0.80% 72.49% 1991 1995
FORD KA 61,612 0.75% 73.24% 2001 2005
G.M. MALIBU 61,454 0.75% 73.99% 1997 2005
VW POINTER WAGON 60,708 0.74% 74.74% 1998 2005
FORD ESCORT IMPORTADO 56,588 0.69% 75.43% 1994 2000
NISSAN TSUBAME (TODAS SUS VERSIONES) 52,436 0.64% 76.07% 1986 2004
NISSAN DATSUN 51,631 0.63% 76.70% 1972 1984
G.M. CUTLASS 48,847 0.60% 77.30% 1986 1997
NISSAN ALTIMA 48,552 0.59% 77.89% 1995 2005
PEUGEOT PEUGEOT 206 44,349 0.54% 78.44% 1999 2005
VW ATLANTIC 43,822 0.54% 78.97% 1980 1991
RENAULT CLIO NACIONAL 43,055 0.53% 79.50% 2001 2005
DAIMLERCHRYSLER VOLARE K 42,967 0.53% 80.03% 1982 1989
FORD GHIA 40,809 0.50% 80.52% 1990 1994
FORD CONTOUR 36,399 0.45% 80.97% 1995 2002
SEAT IBIZA 2 PUERTAS 36,394 0.45% 81.42% 2001 2005
G.M. SUNFIRE 32,042 0.39% 81.81% 1996 2005
SEAT CORDOBA 31,155 0.38% 82.19% 2001 2005
FORD FAIRMONT 30,460 0.37% 82.56% 1978 1983
G.M. EUROSPORT 30,198 0.37% 82.93% 1986 1996
DAIMLERCHRYSLER VERNA 30,143 0.37% 83.30% 2003 2005
DAIMLERCHRYSLER PHANTOM 29,812 0.36% 83.66% 1986 1994
G.M. CELEBRITY 27,779 0.34% 84.00% 1981 1991
DAIMLERCHRYSLER CIRRUS 27,312 0.33% 84.34% 1995 2005
FORD MUSTANG NACIONAL 27,151 0.33% 84.67% 1972 1984
FORD COUGAR NACIONAL B 27,031 0.33% 85.00% 1984 1992
FORD MYSTIQUE 26,848 0.33% 85.33% 1994 2002
FORD MONDEO 26,540 0.32% 85.65% 2001 2005
G.M. CHEVY IMPORTADO 26,115 0.32% 85.97% 2000 2003
G.M. CENTURY 25,733 0.31% 86.29% 1983 1997
FORD LTD/ GRAND MARQUIS IMPORTADO 23,544 0.29% 86.58% 1995 2004
VW NEW BEETLE 21,864 0.27% 86.84% 1998 2005
G.M. CORSA 21,442 0.26% 87.11% 2001 2005
FORD THUNDERBIRD NACIONAL B 21,319 0.26% 87.37% 1984 1992
FORD FIESTA SEDN 19,021 0.23% 87.60% 2005 2005
VW POLO 4 PUERTAS 18,984 0.23% 87.83% 2003 2005
SEAT IBIZA 4 PUERTAS 18,892 0.23% 88.06% 2003 2005
TOYOTA RAV 4 18,695 0.23% 88.29% 2003 2005
FORD ESCORT NACIONAL 18,284 0.22% 88.52% 1995 2002
BMW SERIE 3 18,209 0.22% 88.74% 1997 2005
VW CORSAR 18,136 0.22% 88.96% 1983 1991
G.M. MERIVA 17,753 0.22% 89.18% 2003 2005
VW BORA 17,211 0.21% 89.39% 2005 2005
DAIMLERCHRYSLER NEW YORKER 16,956 0.21% 89.60% 1984 1994
G.M. CHEVY STATION WAGON 16,914 0.21% 89.80% 1999 2004
G.M. MATIZ 16,733 0.20% 90.01% 2003 2005
DAIMLERCHRYSLER DODGE DART 16,401 0.20% 90.21% 1972 1982
FORD MUSTANG IMPORTADO 16,324 0.20% 90.41% 1994 2005
NISSAN HATCH BACK SAMURAI 16,299 0.20% 90.61% 1980 1992
FORD SABLE 15,946 0.20% 90.80% 1994 2005
DAIMLERCHRYSLER LE BARON 15,507 0.19% 90.99% 1977 1996
TOYOTA COROLLA 15,245 0.19% 91.18% 2002 2005
FORD TAURUS 15,223 0.19% 91.36% 1988 1991
VW LUPO 4 PUERTAS 14,288 0.17% 91.54% 2004 2005
TOYOTA SIENNA 13,973 0.17% 91.71% 2003 2005
VW PASSAT (TODAS SUS VERSIONES) 13,592 0.17% 91.88% 1990 2005
NISSAN MAXIMA 13,586 0.17% 92.04% 1990 2005
NISSAN STATION WAGON 13,325 0.16% 92.21% 1972 1984
DAIMLERCHRYSLER CRUISER 13,169 0.16% 92.37% 2000 2005
NISSAN ALMERA 13,125 0.16% 92.53% 2001 2005
G.M. GRAND AM 12,949 0.16% 92.69% 1999 2005
DAIMLERCHRYSLER LE BARON K 12,937 0.16% 92.84% 1983 1987
Tabla A.1 Vehculos ligeros de mayor circulacin en Mxico
Fuente: Elaboracin Propia tomado de estudio de parque vehicular mexicano 2005, Melgar y
asociados.
112
MARCA EMPRESA, MARCA Y MODELO
ACUMULADO
1972-2005
PARTICIPACION
/MODELO
PARTICIPACION
ACUMULADA
AO
INICIA
AO
TERMINA
NISSAN CHASIS (TODAS SUS VERSIONES) 266,372 6.36% 6.36% 1972 2005
NISSAN PICK UP (TODAS SUS VERSIONES) 244,157 5.83% 12.20% 1974 2005
DAIMLERCHRYSLER RAM 1500/ RAM CHARGER/ D 150/ AD 150/ AW 150 237,930 5.68% 17.88% 1980 2004
G.M. C 20/ C 2500 117"/ SILVERADO 2500 IMPORTADO 236,927 5.66% 23.54% 1985 2005
FORD F 350 137" 225,867 5.40% 28.93% 1972 2005
FORD F 150 117" PICK UP 197,720 4.72% 33.66% 1979 2005
G.M. C 15/ C 1500 117"/ SILVERADO 1500 IMPORTADO 173,701 4.15% 37.81% 1979 2005
G.M. C 35 135" CABINA RD/ C3500 R.D. 132,467 3.16% 40.97% 1988 2005
DAIMLERCHRYSLER VOYAGER 130,970 3.13% 44.10% 1990 2005
DAIMLERCHRYSLER RAM 3500/ D 350 116,868 2.79% 46.89% 1980 2003
FORD F 250 117" PICK UP 112,702 2.69% 49.58% 1991 2005
VW PANEL 103,125 2.46% 52.05% 1973 2002
DAIMLERCHRYSLER RAM 2500/ D 250 98,344 2.35% 54.39% 1985 2004
G.M. SUBURBAN 93,438 2.23% 56.63% 1986 2005
FORD LOBO 83,671 2.00% 58.63% 1996 2005
FORD WINDSTAR 78,508 1.88% 60.50% 1994 2004
FORD RANGER 75,833 1.81% 62.31% 1995 2005
FORD F 200 65,283 1.56% 63.87% 1985 1991
NISSAN XTRAIL 59,417 1.42% 65.29% 2001 2005
FORD ECOSPORT 59,294 1.42% 66.71% 2003 2005
G.M. P 30 56,892 1.36% 68.07% 1981 2005
DAIMLERCHRYSLER LIBERTY 51,473 1.23% 69.30% 2001 2005
FORD EXPLORER 51,392 1.23% 70.52% 1990 2005
VW COMBI 42,107 1.01% 71.53% 1972 2002
G.M. LUV 41,396 0.99% 72.52% 1997 2005
NISSAN ESTACAS (TODAS SUS VERSIONES) 41,188 0.98% 73.50% 1975 2005
FORD ESCAPE 40,066 0.96% 74.46% 2000 2005
G.M. SILVERADO 37,472 0.90% 75.35% 1994 2002
DAIMLERCHRYSLER CHEROKEE 36,388 0.87% 76.22% 1992 2005
FORD COURIER 35,285 0.84% 77.07% 2000 2005
HONDA CR-V 34,096 0.81% 77.88% 2002 2005
G.M. BLAZER IMPORTADO 34,013 0.81% 78.69% 1994 2005
G.M. VENTURE 32,773 0.78% 79.48% 1997 2005
G.M. GEO TRACKER 31,046 0.74% 80.22% 1992 2005
NISSAN ICHI VAN 29,662 0.71% 80.93% 1987 1994
FORD EXPEDITION 25,753 0.62% 81.54% 1996 2005
G.M. BLAZER/ MAXI-CAB (NACIONALES) 24,235 0.58% 82.12% 1990 1994
G.M. CHEVY VAN 23,745 0.57% 82.69% 1994 2005
G.M. C 30/35 21,991 0.53% 83.21% 1979 1987
DAIMLERCHRYSLER PD 600 21,961 0.52% 83.74% 1972 1984
FORD F-450 21,901 0.52% 84.26% 1997 2005
G.M. S 10 20,583 0.49% 84.75% 1994 2004
DAIMLERCHRYSLER D 100 20,055 0.48% 85.23% 1972 1979
G.M. TORNADO PICK UP 20,055 0.48% 85.71% 2003 2005
DAIMLERCHRYSLER CLUB CAB 20,042 0.48% 86.19% 1995 2005
G.M. CHEVY PICK UP IMPORTADO 19,197 0.46% 86.65% 1999 2004
VW POINTER PICK UP 19,092 0.46% 87.10% 1998 2005
TOYOTA RAV 4 18,695 0.45% 87.55% 2003 2005
NISSAN URVAN CARGA 18,326 0.44% 87.99% 1999 2005
DAIMLERCHRYSLER RAM VAN 17,867 0.43% 88.41% 1996 2004
DAIMLERCHRYSLER DURANGO 17,492 0.42% 88.83% 1997 2005
HONDA ODISSEY 16,342 0.39% 89.22% 1999 2005
DAIMLERCHRYSLER RAM WAGON 15,432 0.37% 89.59% 1993 2004
FORD P 350 137" CHASIS R.S. 14,635 0.35% 89.94% 1989 1997
G.M. SILVERADO 1500 NACIONAL 14,462 0.35% 90.29% 2004 2005
TOYOTA SIENNA 13,973 0.33% 90.62% 2003 2005
NISSAN PATHFINDER 13,533 0.32% 90.94% 1996 2005
FORD ECONOLINE 13,428 0.32% 91.26% 1994 2005
FORD F 100 12,275 0.29% 91.56% 1972 1978
DAIMLERCHRYSLER DM 350 12,164 0.29% 91.85% 1988 1993
G.M. CS 1073 PICK UP 11,785 0.28% 92.13% 1972 1978
VW EURO CARGA 11,674 0.28% 92.41% 2001 2005
FORD CLUB WAGON 10,901 0.26% 92.67% 1994 2005
DAIMLERCHRYSLER H-100 10,826 0.26% 92.93% 2002 2005
NISSAN FRONTIER 10,782 0.26% 93.18% 2000 2005
DAIMLERCHRYSLER D 300 10,778 0.26% 93.44% 1972 1979
FORD FREESTAR 10,436 0.25% 93.69% 2004 2005
NISSAN URVAN PASAJEROS 9,968 0.24% 93.93% 1999 2005
DAIMLERCHRYSLER RAM 2500 IMPORTADA 9,937 0.24% 94.17% 2002 2005
G.M. EQUINOX 9,407 0.22% 94.39% 2004 2005
MITSUBISHI OUTLANDER 9,382 0.22% 94.62% 2003 2005
NISSAN XTERRA 8,938 0.21% 94.83% 1999 2005
FORD B 100 8,525 0.20% 95.03% 1973 1981
DAIMLERCHRYSLER WRANGLER 8,423 0.20% 95.23% 1991 2005
G.M. SONORA 8,111 0.19% 95.43% 2000 2005
G.M. CHEVY PICK UP NACIONAL 7,334 0.18% 95.60% 1998 2000
G.M. C 60/65 7,203 0.17% 95.77% 1979 1987
DAIMLERCHRYSLER RAM 4X4/ W 250 7,094 0.17% 95.94% 1985 1993
DAIMLERCHRYSLER RAM 3500 IMPORTADA 7,070 0.17% 96.11% 2004 2005
VW SHARAN 7,036 0.17% 96.28% 2001 2005
G.M. COLORADO DOBLE CABINA 6,208 0.15% 96.43% 2004 2005
VW EURO PASAJE 5,885 0.14% 96.57% 2001 2005
FORD B 150 5,876 0.14% 96.71% 1975 1985
G.M. AZTEK 5,628 0.13% 96.85% 2000 2005
G.M. UPLANDER 5,543 0.13% 96.98% 2004 2005
NISSAN MURANO 5,354 0.13% 97.11% 2003 2005
RENAULT KANGOO 4,851 0.12% 97.22% 2003 2005
VW VW VAN 4,748 0.11% 97.33% 2002 2005
Tabla A.2 Camionetas de mayor circulacin en Mxico
Fuente: Elaboracin Propia tomado de estudio de parque vehicular mexicano 2005, Melgar y
asociados.
113
Apndice 2
Situacin macroeconmica de Mxico
como factor modificador de la
demanda (breve anlisis)
A.2 SITUACIN MACROECONMICA DEL PAS BREVE ANLISIS
Todas las economas mundiales buscan su consolidacin y crecimiento para poder
otorgar un beneficio a los habitantes de cada pas, y adems ejercer su podero hacia
el exterior tratando de dominar a naciones que presenten economas dbiles. Lo
anterior ha sido la historia de la humanidad desde que el hombre apareci en la
tierra y buscaba tener el liderazgo de grupo al que perteneca ya que esto le permita
acceder primero a todo lo que su sociedad consegua por el esfuerzo de grupo.
Es as que la naciones llamadas en desarrollo viven siempre ligadas al
avance de las ms poderosas, es decir, son dependientes tanto de su tecnologa como
del desarrollo mismo que la economa de estos pases logren alcanzar, debido a que
generalmente las naciones dbiles acceden como proveedores de bienes para los
pases industrializados.
Mxico no es la excepcin, y dado que no pertenece al selecto grupo de
naciones con economas desarrolladas, entonces debe buscar los mecanismos que le
ayuden a fortalecer su posicin dentro del mbito econmico. Para lo que ha
realizado ya varios intentos desde gobiernos anteriores, pero an no se han
presentado resultados que permitan vislumbrar un horizonte claro.
Para lograr que una nacin alcance un desarrollo importante se deben tener
los recursos econmicos que permitan solventar todas las necesidades que el pas
114
requiere mediante el sostenimiento de un modelo econmico. De hecho en Mxico
slo se han tenido dos periodos con crecimiento econmico sostenido y han sido
durante los aos 1884-1911 con el gobierno de Porfirio Daz, aunque en este
periodo no se gastaba en desarrollo humano pero existan finanzas sanas. El otro
periodo fue de 1946-1971 donde existieron finanzas sanas pero no hubo desarrollo
humano.
Desafortunadamente todos los gobiernos concluidos a partir de 1970 se han
caracterizado por la ocurrencia de crisis econmicas abruptas lo que no ha permitido
el sostenimiento de ningn modelo econmico, o mejor dicho hemos sido
gobernados por individuos pretenciosos que slo han buscado el bienestar personal
olvidando el desarrollo de la poblacin y de el pas. A continuacin se presentan
aquellos indicadores macroeconmicos que permitirn obtener un escenario de la
situacin econmica del pas
A.2.2 PRODUCTO INTERNO BRUTO.
El comportamiento de la economa en Mxico se puede considerar en general como
buena, el PIB en el primer periodo del 2006 ha sido de 5.5 % a la alza, lo que refleja
un crecimiento de 3.1% respecto al mismo periodo del ao anterior.
Esta dinmica econmica del PIB refleja que la economa mexicana est
creciendo, lo interesante es comparar como se comporta este crecimiento contra el
saldo de la cuenta corriente para saber en que nivel se encuentra el pas.
I - 05 II - 05 III - 05 IV- 05 I - 06
2.4
3.3
3.4
2.7
5.5
0
1
2
3
4
5
6
P
O
R
C
E
N
T
A
J
E
PERIODO
PRODUCTO INTERNO BRUTO TRIMESTRAL % VARIACION REAL ANUAL
115
A2.3 SALDO DE LA CUENTA CORRIENTE COMO PORCENTAJE DEL
PIB
Un indicador mundialmente aceptado para conocer el desarrollo de la economa de
un pas, es el dficit de la cuenta corriente en porcentaje con respecto al PIB, es as
que el FMI ha estipulado que cuando el dficit de la cuenta corriente se encuentra
por encima del 5% con relacin del PIB, es muy difcil que se pueda controlar por lo
que seguramente existir un problema en esa economa. Lo que el FMI recomienda
es mantener el dficit por debajo del 4% para que la economa funcione
adecuadamente.
Tomando en consideracin lo anterior y observando la siguiente grfica, se
puede notar que el dficit de la cuenta corriente en Mxico ha tenido demasiados
picos, pero a partir de el ao 2000 el que concluy con un dficit de 3.2%, la
presente administracin ha estado intentando bajar este indicador, logrando que en
el 2004 ste se haya situado por debajo del 1%.
Debido a que el precio del petrleo se incremento por encima de los 30usd
por barril, y las remesas se situaron por encima de los 16 millones de dlares, se
logro que el dficit se situara por debajo del 1%, lo que indica que la economa se
sigue sosteniendo sin problema, adems, podemos adicionar el hecho de que la
inflacin estuvo por debajo de lo esperado.
SALDO DE LA CUENTA CORRIENTE COMO % DEL PIB
-8.00%
-7.00%
-6.00%
-5.00%
-4.00%
-3.00%
-2.00%
-1.00%
0.00%
1
9
8
8
1
9
8
9
1
9
9
0
1
9
9
1
1
9
9
2
1
9
9
3
1
9
9
4
1
9
9
5
1
9
9
6
1
9
9
7
1
9
9
8
1
9
9
9
2
0
0
0
2
0
0
1
2
0
0
2
2
0
0
3
2
0
0
4
AOS
P
O
R
C
E
N
T
A
J
E
116
A2.4 NDICE GLOBAL DE LA ACTIVIDAD ECONMICA.
Con un desempeo favorable en el sector Servicios (3.6%) y reduccin en
Industria y Agropecuario (-0.8% y -1.6%), el IGAE avanz 1.8% durante el
cuarto mes del ao. Al respecto, hay que considerar el efecto de "semana
santa", que limita los resultados, en trminos de actividad productiva de abril
de 2006.
Conviene precisar tambin que la dinmica registrada en el primer
Trimestre del ao, con un crecimiento de 5.5% a tasa anual, se mantiene,
puesto que, aislando el efecto de "semana santa", la actividad econmica
creci a un ritmo de 5.5% durante abril. En el corto plazo, las cifras
desestacionalizadas tambin reflejan una tendencia positiva de marzo a abril
de 2006, con un crecimiento de 0.79%.
A pesar de la buena marcha de la economa, es importante sealar
que el decremento del sector industrial en el mes que se reporta se explica
en su totalidad por el descenso en Manufacturas, por lo que habremos de
dar seguimiento permanente a este importante indicador
1.8
0
1
2
3
4
5
6
7
P
O
R
C
E
N
T
A
J
E
E
n
e
-
0
5
F
e
b
-
0
5
M
a
r
-
0
5
A
b
r
-
0
5
M
a
y
-
0
5
J
u
n
-
0
5
J
u
l
-
0
5
A
g
o
-
0
5
S
e
p
-
0
5
O
c
t
-
0
5
N
o
v
-
0
5
D
i
c
-
0
5
E
n
e
-
0
6
F
e
b
-
0
6
M
a
r
-
0
6
A
b
r
-
0
6
M
a
y
-
0
6
MES/AO
NDICE GLOBAL DE LA ACTIVIDAD ECONOMA VARIACION % ANUAL
117
A2.5 NDICE DE CONFIANZA DEL CONSUMIDOR
Los cinco componentes evaluados para la construccin del ndice de
Confianza del consumidor mostraron resultados favorables, al compararlos con
el 2005, de tal forma que el ICC se ubic en 109.7, lo que represent un avance
de 8.4%, a tasa anual. La situacin econmica actual y esperada, fueron tos
aspectos mejor evaluados, seguido de posibilidades de adquisicin de bienes de
largo plazo, por parte de las familias; aspecto que es de relevancia para las
expectativas de ventas de nuestro sector.
A2.5.1 INVERSIN FIJA BRUTA.
En abril de 2006 se atenu el ritmo de crecimiento de la inversin, pues
respecto a mismo mes de 2005 slo creci 3.6%. Este resultado se explica por el
efecto "Semana Santa", el que tambin dio lugar a un mal resultado en el corto
plazo, ya que la variacin marzo-abril de 2006 fue de -0.21%. De forma
acumulada el indicador de la inversin fija bruta ha crecido 10.4% en el ao.
La dinmica de la inversin se debe principalmente a la adquisicin de
maquinaria y equipo, la que en el cuarto mes del ao mostr crecimiento
nicamente en los bienes de origen importado. Adems es destacable la
contraccin de la demanda de vehculos nuevos en el mes, aspecto clave en la
contraccin de bienes nacionales (-2.8%).
INDICE DE CONFIANZA DEL CONSUMIDOR
(ENERO 2003=100)
109.7
90
95
100
105
110
115
E
n
e
-
0
5
M
a
r
-
0
5
M
a
y
-
0
5
J
u
l
-
0
5
S
e
p
-
0
5
N
o
v
-
0
5
E
n
e
-
0
6
M
a
r
-
0
6
M
a
y
-
0
6
J
u
l
-
0
6
PERIODO
118
A2.6 EMPLEO Y DESEMPLEO
Durante el quinto mes de 2006, la tasa de desocupacin nacional fue de 2.88%
de la poblacin econmicamente activa, lo que la ubica 0.39 puntos por debajo
del nivel registrado el mismo mes del ao anterior, mientras que el comparativo
mensual (con datos desestacionalizados) indica prcticamente el mismo nivel
de empleo en mayo que en abril de este ao (slo se redujo 0.08%). La tasa de
desocupacin en las 32 principales reas urbanas del pas muestra un nivel
mayor al nacional, con 3.81% de la PEA.
Otro indicador importante de la situacin que guarda el empleo en
Mxico es el personal ocupado en el sector manufacturero, el que mantiene su
tendencia en descenso de largo plazo, pues al cierre de abril registr un
decremento de 0.1% respecto a mismo mes de 2005, aunque el comparativo de
corto plazo (con cifras desestacionalizadas) indican un crecimiento de 0.13%
en abril respecto a marzo de 2006.
En lo que respecta al nivel de empleo en la Industria Maquiladora de
Exportacin, ste se mantiene en ascenso. La informacin de abril de 2006
indica un crecimiento anualizado de 2.9%, al dar empleo a 1,199,331 personas,
siendo los empleados administrativos y los tcnicos de produccin los que
mostraron mayor dinmica. En tanto que la contratacin de obreros muestra
menor dinmica.
INDICADOR DE LA IFBT (VAR % ANUAL)
0
2
4
6
8
10
12
14
16
18
E
n
e
-
0
5
F
e
b
-
0
5
M
a
r
-
0
5
A
b
r
-
0
5
M
a
y
-
0
5
J
u
n
-
0
5
J
u
l
-
0
5
A
g
o
-
0
5
S
e
p
-
0
5
O
c
t
-
0
5
N
o
v
-
0
5
D
i
c
-
0
5
E
n
e
-
0
6
F
e
b
-
0
6
M
a
r
-
0
6
A
b
r
-
0
6
M
a
y
-
0
6
PERIDODO
P
O
R
C
E
N
T
A
J
E
119
En cuanto a actividad econmica, once de las 12 que integran este sector
mostraror crecimiento, entre las que destaca la construccin, reconstruccin y
ensamble de equipo de transporte.
A2.7 PRECIOS
Con un incremento en los precios de los bienes y servicios que
integran el INPC de 0.09% al sexto mes de 2006 se coloca como el tercer
mes de junio ms bajo en inflacin de los ltimos diez aos
La variacin de 0.09% registrada por el INPC en el sexto mes del ao
ubica a la inflacin anualizada en un nivel del 3.18%, el nivel acumulado
registrado al mes previo (3%). La principal contribucin al aumento de la
inflacin se explica por el comportamiento de las cotizaciones de los servicios y
el menor descenso de los precios de productos agrcolas.
Si bien, la poltica monetaria (restrictiva) aplicada por el Banco de
Mxico ha permitido mantener un ritmo descendente en la inflacin, conviene
precisar que, por el lado de los costos, an tenemos focos rojos que podran
afectar dicho desempeo.
TASA DE DESOCUPACION
(% DE LA PEA)
0
0.5
1
1.5
2
2.5
3
3.5
4
4.5
e
n
e
-
0
5
f
e
b
-
0
5
m
a
r
-
0
5
a
b
r
-
0
5
m
a
y
-
0
5
j
u
n
-
0
5
j
u
l
-
0
5
a
g
o
-
0
5
s
e
p
-
0
5
o
c
t
-
0
5
n
o
v
-
0
5
d
i
c
-
0
5
e
n
e
-
0
6
f
e
b
-
0
6
m
a
r
-
0
6
a
b
r
-
0
6
m
a
y
-
0
6
j
u
n
-
0
6
PERIODO
P
O
R
C
E
N
T
A
J
E
120
As lo muestra el ndice nacional de precios al productor, el que registr
un incremento de 0.64% en el mes que se reporta y de 5.86% en trminos
anualizados, constituyndose en un factor de presin para la estabilidad de los
precios al consumidor.
A2.8 VARIACIN EN LAS TASAS DE INTERS
Las tasas de inters domsticas se mantienen en niveles bajos. La referencia de
CETES a 28 das se mantuvo en 7.02% en promedio en junio, al igual que en el
mes previo. Al 12 de julio, este indicador se coloc en 7.04%.
Similar comportamiento sigue la tasa de Inters Interbancaria de
Equilibrio (TIIE) a 28 das, al pasar de 7.32% a 7.33%, de mayo a junio de
2006.
Cabe destacar que la estabilidad de los principales indicadores del
mercado financiero mexicano se mantuvo, pese al nuevo incremento en las
tasas de referencia de E.U.A. anunciado el 29 de junio, con lo que se
colocaron en un nivel de 5.25%.
Por su parte, la BMV, luego de la alta volatilidad registrada en el mes de
mayo, en junio mostr una importante recuperacin, con lo que el principal
indicador regres a la senda de los 19 mil puntos, debido al incremento de 2.52%
respecto al nivel promedio de mayo.
Con informacin disponible al 11 de julio, se observa que la tendencia
ascendente se mantiene, pues el IPC lleg a 19,570 puntos. Es conveniente
destacar que, el proceso electoral del 2 de julio no afect de manera negativa el
desempeo del mercado de valores mexicanos.
INDICE NACIONAL DE PRECIOS AL CONSUMIDOR
(VARIACION % MENSUAL)
0.09%
-60%
-40%
-20%
0%
20%
40%
60%
80%
e
n
e
-
0
5
f
e
b
-
0
5
m
a
r
-
0
5
a
b
r
-
0
5
m
a
y
-
0
5
j
u
n
-
0
5
j
u
l
-
0
5
a
g
o
-
0
5
s
e
p
-
0
5
o
c
t
-
0
5
n
o
v
-
0
5
d
i
c
-
0
5
e
n
e
-
0
6
f
e
b
-
0
6
m
a
r
-
0
6
a
b
r
-
0
6
m
a
y
-
0
6
j
u
n
-
0
6
PERIODO
P
O
R
C
E
N
T
A
J
E
121
En lo referente al tipo de cambio del peso mexicano respecto al dlar,
junio tambin fue de comportamiento negativo, ya que el tipo de cambio de
nuestra moneda frente al dlar registr una cada 2.6%, al pasar de 11.09 a 11.39
pesos por dlar americano.
En este escenario y ante la expectativa de probables aumentos a las tasas
de inters tanto de la FED como del Banco Central Europeo el segundo semestre
del ao, dados los resultados y expectativas de inflacin, es probable que la
paridad peso-dlar se mantenga en niveles superiores a los 11 pesos, aunque
podra no superar los $11.40. De hecho, al 17 de junio, la paridad peso-dlar se
ubic en 11.027.
TASAS DE INETERES DOMESTICAS (%)
6.00
7.00
8.00
9.00
10.00
E
n
e
-
0
5
M
a
r
-
0
5
M
a
y
-
0
5
J
u
l
-
0
5
S
e
p
-
0
5
N
o
v
-
0
5
E
n
e
-
0
6
M
a
r
-
0
6
M
a
y
-
0
6
J
u
l
-
0
6
PERIODO
P
O
R
C
E
N
T
A
J
E
CETES
TIIE
TIPO DE CAMBIO PESO-DOLAR
(FIX PROMEDIO MENSUAL)
10.0000
10.2000
10.4000
10.6000
10.8000
11.0000
11.2000
11.4000
11.6000
E
n
e
-
0
5
M
a
r
-
0
5
M
a
y
-
0
5
J
u
l
-
0
5
S
e
p
-
0
5
N
o
v
-
0
5
E
n
e
-
0
6
M
a
r
-
0
6
M
a
y
-
0
6
J
u
l
-
0
6
PERIODO