Unidad 2 pronstico de la demanda

2 PRONOSTICOS DE LA DEMANDA
Pronosticar es el arte y ciencia de predecir acontecimientos futuros
Las decisiones empresariales siempre se toman con informacin insuficiente y con
un margen de incertidumbre mayor o menor, dependiendo del tiempo y los
recursos que se destinan a la bsqueda y el anlisis de la informacin. Debemos
entonces establecer algunas suposiciones y actuar.
Sabemos que nunca ocurrir exactamente lo pronosticado; entonces, para qu
pronosticar?
Porque necesitamos una cierta base -aunque sea mnima-, un criterio, una
justificacin para el curso de accin que decidimos tomar. Porque a partir del
pronstico que generemos, estaremos decidiendo dnde alocar nuestros recursos
financieros, tecnolgicos y humanos.

2.1 IMPORTANCIA ESTRATGICA DEL PRONSTICO

El pronstico es la base de la planeacin corporativa a largo plazo. En las reas
funcionales de finanzas y contabilidad, los pronsticos proporcionan el fundamento
para la planeacin de presupuestos y control de costos.
El marketing depende del pronstico de ventas para planear productos nuevos; el
personal de produccin y operaciones utiliza los pronsticos para tomar decisiones
peridicas que comprenden la seleccin de procesos, la planeacin de las
capacidades y la distribucin de las instalaciones, as como para tomar decisiones
continuas cerca de la planeacin de la produccin, la programacin y el inventario.
El pronstico de la demanda consiste en estimar las ventas de un producto
durante un determinado periodo futuro.

.
2.2 CARACTERSTICAS DE LA DEMANDA
Satisfacer las necesidades del cliente y que el negocio o empresa prospere
comercial y financieramente. El mercado est sujeto a diversos factores de
diferente ndole, algunos de ellos son controlables por la empresa y otros no tanto.
Este se divide en distintos factores:
1.
Estacionalidad: refleja una proyeccin de la demanda en un periodo especfico del
ao.
2.
Tendencia: determinar y medir las tendencias del precio para asi poder establecer
y manejar operaciones.
3.
Variacin aleatoria: altas y bajas del producto (Venta), sin que esta se pueda
predecir con exactitud; lo conveniente ser monitorearlo y prepararse con
inventario para amortiguar el efecto de la demanda.
4.
Variacin cclica: las oscilaciones de larga duracin alrededor de la curva de
tendencia, esto quiere decir un ascenso y descenso de una serie de tiempo en
periodos mayores de 1 ao.
2.3 MTODOS CUALITATIVOS
Produce datos descriptivos de las propias palabras de las personas y la conducta
observada.

Tipos de mtodos:
2.3.1
Consulta de fuerza de ventas.

es un sistema de informacin que se usa marketing y administracin que

automatizan algunas funciones de ventas. Estimacin de las reas de ventas
como un todo. Costo de bajo a medio. Pronsticos de ventas, administracin de
rdenes y conocimiento del producto. (Lleva un historial el cual es muy
importante).
2.3.2
Opinin ejecutiva.

Los expertos de alto nivel se agrupan con modelos estadsticos. Costo de bajo a
medio. Las posiciones esconden intereses personales, o no se mencionan por
contrariar a la mayora. Gerentes de mercadotecnia, finanzas y produccin
preparan pronsticos a corto y mediano plazo.
2.3.3
Mtodo Delphi.
Su objetivo es la adquisicin de un consenso basado en la discusin entre
expertos. Es un proceso repetitivo. Consta de estos pasos:

Elaboracin de cuestionario

Revisar informacin


Realizar otro cuestionario

Conclusiones a partir de la explotacin estadstica de los datos obtenidos.

Es a largo plazo.

Su costo va de medio a alto.

2.3.4 Investigacin del mercado:
Proceso de recopilacin, procesamiento y anlisis de informacin.
Plan estratgico, preparar el lanzamiento del producto o soportar el desarrollo de
los productos lanzados.
Averiguar en el consumidor;
Hbitos
Necesidades
Motivaciones
Gustos
Deseos
2.3.5 Analoga Histrica:
utiliza un ciclo de vida de un producto utilizado para lanzamientos de productos
nuevos. Informacin basada en productos similares.

2.4 MTODOS CUANTITATIVOS

Los
mtodos cuantitativos o tambin llamados causales, se emplean cuando se
dispone de datos histricos y la relacin entre el factor que se intenta pronosticar y
otros factores externos o internos puede identificarse. Las relaciones de ese tipo
se expresan en trminos matemticos y suelen ser muy complejas.
2.4.1 Modelos de series de tiempo.

tcnica de pronstico que emplea una serie de datos puntuales histricos para
obtener el pronstico.
-Modelos asociativos: los modelos causales como la regresin lineal, incorporan
las variables o factores que pueden influir en la cantidad por pronosticar.
-Pronsticos de series de tiempo: se basa en una secuencia de datos puntuales
separados a intervalos iguales.
-Descomposicin de una serie de tiempo: una serie de tiempo tiene 4
componentes;

Las tendencias

La estacionalidad

Los ciclos

Las variaciones aleatorias

2.4.1.1 Enfoque simple

Supone que la demanda en el prximo periodo ser igual a la demanda del
periodo ms reciente. Es la mejor prediccin para los precios de insumos,
acciones, etc. que cotizan. Porque si el mercado realmente creyera que en un
tiempo valdr ms, comprara tanto hoy que hara llevar el precio a ese valor
esperado. Por ejemplo, si hoy la accin de Microsoft cotiza a U$S 20, cunto
predice que va a valer maana?: U$S 20. Y si en realidad maana vale U$S 25,
Cunto dira que vale pasado maana? : U$S 25.
2.4.1.2 Promedios mviles
Los promedios mviles son muy tiles. Los promedios mviles indican el promedio
del precio en un punto determinado de tiempo sobre un perodo de tiempo
definido. Se llaman mviles ya que reflejan el ltimo promedio, mientras que se
adhieren a la misma medida de tiempo.
Los promedios mviles simples
, es un mtodo que se utiliza para estimar el promedio de una serie de tiempo de
demanda y, por lo tanto, para suprimir los efectos de las fluctuaciones al azar. Este
mtodo resulta ms til cuando la demanda no tiene tendencias pronunciadas ni
influencias estacionales. La aplicacin de un modelo de promedio mvil implica
simplemente calcular la demanda promedio para los n periodos ms recientes, con
el fin de usarla como pronstico para el siguiente periodo.

Promedio mvil ponderado:

en el mtodo de promedio mvil simple, todas las demandas tienen la misma
ponderacin en el promedio, es decir, 1/n. En el mtodo de promedio mvil
ponderado, cada una de las demandas histricas que intervienen en el promedio
puede tener su propia ponderacin. Ejemplo; en un modelo cn promedio mvil

ponderado de tres periodos, al periodo ms reciente se le puede asignar una

ponderacin de 0.50, al segundo se le asigna una ponderacin de 0.30, y al
tercero una de .20. El promedio se obtiene multiplicando la ponderacin de cada
periodo por el valor correspondiente a dicho periodo y finalmente los productos:
2.4.1.3 Suavizacin exponencial
El mtodo de suavizacin exponencial es un mtodo de promedio mvil
ponderado muy refinado que permite calcular el promedio de una serie de tiempo,
asignando a las demandas recientes mayor ponderacin que a las demandas
anteriores. Es el mtodo de pronstico formal que se usa ms a menudo, por su
simplicidad y por la reducida cantidad de datos que requiere. Este mtodo solo
requiere 3 tipos de datos: el pronstico del ltimo periodo, la demanda de ese
periodo y un parmetro suavizador, alfa
, cuyo valor flucta entre 0 y 1.0.
La siguiente es una ecuacin equivalente:
F t+1 = F t +
(Dt Ft)

Esta forma de la ecuacin muestra que el pronstico para el periodo siguiente es

igual al pronstico del periodo actual ms una proporcin del error del pronstico
correspondiente al mismo periodo actual.

La suavizacin exponencial tiene las ventajas de ser sencilla y requerir un mnimo

de datos. Su utilizacin es econmica y, por lo tanto, muy atractiva para las
empresas que realizan miles de pronsticos para cada periodo de tiempo.

2.4.1.4 Tendencia Lineal

Consiste en conocer si los valores absolutos o relativos de un concepto han

crecido o disminuido en el tiempo, partiendo de un periodo considerado base.
Puede referirse a cifras histricas o la determinacin de cifras estimadas para el
futuro.

2.4.2 Relaciones causales

2.4.2.1 Regresin simple

En el Modelo de Regresin es muy importante identificar cul es la variable
dependiente y cul es la variable independiente.
En el Modelo de
Regresin Simple se establece que Y es una funcin de slo una variable
independiente, razn por la cual se le denomina tambin Regresin Divariada
porque slo hay dos variables, una dependiente y otra independiente y se
representa as:
Y = f (X)
"Y est regresando por X"
ANLISIS ESTADSTICO: REGRESIN LINEAL SIMPLE
En el estudio de la relacin funcional entre dos variables poblacionales, una
variable X, llamada independiente, explicativa o de prediccin y una variable Y,
llamada dependiente o variable respuesta, presenta la siguiente notacin:
Y=a+bX+e
Donde:
a es el valor de la ordenada donde la lnea de regresin se intercepta con el eje Y.

b es el coeficiente de regresin poblacional (pendiente de la lnea recta)

e es el error
SUPOSICIONES DE LA REGRESIN LINEAL
Los valores de la variable independiente X son fijos, medidos sin error.
La variable Y es aleatoria
Para cada valor de X, existe una
distribucin normal de valores de Y (subpoblaciones Y)
Las variancias de las subpoblaciones Y son todas iguales.
Todas las medias de las subpoblaciones de Y estn sobre la recta.
Los valores de Y estn normalmente distribuidos y son estadsticamente
independientes.
ESTIMACIN DE LA ECUACIN DE REGRESIN MUESTRAL
Consiste en determinar
los valores de "a" y "b " a partir de la muestra, es decir, encontrar los valores de a
y b con los datos observados de la muestra. El mtodo de estimacin es el de
Mnimos Cuadrados, mediante el cual se obtiene:
Luego, la ecuacin de regresin muestral estimada es:
Que se interpreta como:
a es el estimador de a
Es el valor estimado de la variable Y cuando la variable X = 0
b es el estimador de b , es el coeficiente de regresin
Est expresado en las mismas unidades de Y por cada unidad de X. Indica el
nmero de unidades en que vara Y cuando se produce un

cambio, en una unidad, en X (pendiente de la recta de regresin).

Un valor negativo de b sera interpretado como la magnitud del decremento en Y
por cada unidad de aumento en X.
2.4.2.2 Regresin mltiple
Este tipo se presenta cuando dos o ms variables independientes influyen sobre
una variable dependiente. Ejemplo: Y = f(x, w, z).
Utilizamos regresin mltiple cuando estudiamos la posible relacin entre varias
variables independientes y otra variable dependiente.

Al aplicar el anlisis de regresin mltiple lo ms frecuente es que tanto la variable

dependiente como las independientes sean variables continuas medidas en escala
de intervalo o razn. No obstante, caben otras posibilidades: (1) tambin
podremos aplicar este anlisis cuando relacionemos una variable dependiente
continua con un conjunto de variables categricas; (2) o bien, tambin aplicaremos
el anlisis de regresin lineal mltiple en el caso de que relacionemos una variable
dependiente nominal con un conjunto de variables continuas.

La anotacin matemtica del modelo o ecuacin de regresin lineal mltiple es la

que sigue:
Y=a+b
1x1 + b2x2 + ... + bnxn + e

presente = a + b
1pasado + b2futuro + e
en donde:

Y es la variable a predecir;
a, b
1x1, b2x2... bnxn, son parmetros desconocidos a estimar;
y e es el error que cometemos en la prediccin de los par- metros.
Aplicaciones de la regresin mltiple

Es cierto que la regresin mltiple se utiliza para la prediccin de respuestas a

partir de variables explicativas. Pero no es sta realmente la aplicacin que se le
suele dar en investigacin. Los usos que con mayor frecuencia encontraremos en
las publicaciones son los siguientes:
Identificacin de variables explicativa
Nos ayuda a crear un modelo donde se seleccionen las variables que pueden
influir en la respuesta, descartando aquellas que no aporten informacin.
Deteccin de interacciones
entre variables independientes que afectan a la variable respuesta.
Identificacin de variables confurosas:
es un problema difcil el de su deteccin, pero de inters en investigacin no
experimental, ya que el investigador frecuentemente no tiene control sobre las
variables independientes.

2.5 Monitoreo y control de los pronsticos

Los especialistas siempre estn tratando de hacer mejores estimaciones acerca
de lo que ocurrir en el futuro al afrontar la incertidumbre. El propsito
fundamental de los pronsticos es hacer buenas estimaciones en las cuales basar

los modelos para la toma de decisiones. Los pronsticos constituyen la

problemtica fundamental dentro de la gestin de la actividad de una empresa
debido a la complejidad de los problemas encontrados cuando se pronostica y a
su impacto sobre todas las decisiones de la empresa.

Una situacin muy particular presenta la previsin de la demanda de piezas de

repuesto, dada la gran cantidad de surtidos que se deben proporcionar, el elevado
grado de variabilidad en la demanda de estas producciones y la importancia que
posee la disponibilidad de estas piezas para el equipamiento que las utiliza, ya
que la disponibilidad en tiempo de las mismas garantiza la continuidad del proceso
productivo en el cual est inmiscuido el equipamiento que la utiliza dentro de una
determinada empresa. Es por ello, que se debe asegurar un elevado nivel de
precisin en la previsin de la demanda de este tipo de productos.
En este artculo se presenta un procedimiento general para la previsin de la
demanda de las piezas de repuesto basado en su fiabilidad operacional a partir de
la filosofa que caracteriza al sistema y considerando la influencia del mismo en el
mejoramiento de la Gestin del Mantenimiento del equipamiento.
Seguimiento de la implantacin del procedimiento.
En consecuencia, el contenido de cada uno de ellos, plantea los pasos a
desarrollar para prever la demanda de piezas de repuesto basado en su fiabilidad,
llegndose, en ocasiones, a definir las tcnicas especficas a utilizar.

Panorama general de los mtodos de pronstico

Fiabilidad: es la probabilidad de que un item (sistema o elemento) realice

satisfactoriamente la misin especificada, durante un perodo determinado y bajo
un conjunto dado de condiciones operativas.
Patrones de Fallos:
Durante dcadas, la sabidura convencional sugera que la mejor forma de
optimizar el desempeo de activos fsicos era restaurarlos o reponerlos a
intervalos fijos. Esto se basaba en la premisa de que hay una correlacin directa
entre la cantidad de tiempo (nmero de ciclos) que el equipo est en servicio, y la
probabilidad de que falle, como muestra la Figura 2. Esto sugiere que la
expectativa es que la mayora de los tems operarn confiablemente por un
perodo X, y luego se desgastan.
Proceso de mejora de la previsin de la demanda
El procedimiento comienza con la definicin de la filosofa, la cual debe ser el
punto

de

mira

del

sistema

ya

que

constituye

la

poltica

que

regir

permanentemente su desempeo.
Luego se realiza la determinacin de la situacin actual con el fin de definir,
basndose en el anlisis de una serie de indicadores, las caractersticas que
presenta el sistema de previsin de la demanda en ese momento, para
posteriormente, en funcin de dicha situacin, proponer algunas mejoras que
permitan hacer ms eficiente el proceso de previsin. Una vez planteadas las
mejoras, se debe comprobar si con ellas se alcanzan los niveles de precisin
deseados y necesarios y proponer nuevas mejoras si las anteriores no son
suficientes o pasar a la aplicacin de las mismas en caso contrario. La aplicacin
debe estar unida a un seguimiento constante que retroalimente al sistema, para
tomar las medidas necesarias en caso de presentarse alguna perturbacin.

2.6 Pronsticos con computadora

En muchas aplicaciones de los pronsticos a corto plazo, las computadoras son

indispensables. Con frecuencia, las empresas tienen que preparar pronsticos
para cientos o incluso miles de productos o servicios en forma reiterada. Por
ejemplo, una amplia red de instalaciones de servicio mdico necesita calcular
pronsticos de la demanda de cada uno de sus servicios en cada departamento.
Esta operacin implica grandes volmenes de datos que deben ser manipulados
con frecuencia. Los analistas tienen que examinar las series de tiempo que
corresponden a cada producto o servicio a fin de elaborar un pronstico.
Existen muchos paquetes de software para pronstico que pueden usarse en
computadoras de cualquier tamao y ofrecen una amplia variedad de capacidades
de pronstico y de formatos para mostrar los resultados. La tarea ms laboriosa
en el desarrollo de un buen modelo consiste en ajustarlo a los datos. Para esta
operacin es necesario determinar los valores de ciertos parmetros del modelo, a
fin de que los pronsticos tengan la mayor precisin posible. Los paquetes de
software proporcionan diversos grados de ayuda a este respecto. Las tres
categoras de paquetes de software que resultan apropiadas para esto son:
1. Sistemas manuales, en los cuales el usuario selecciona la tcnica de pronstico
y especifica los parmetros necesarios para un determinado modelo de
pronstico;
2. Sistemas semiautomticos, en los cuales el usuario especifica la tcnica de
pronstico, pero el software determina los parmetros para el modelo, de modo
que puedan obtenerse los pronsticos ms precisos; y
3. Sistemas automticos, en los cuales el software examina los datos y sugiere no
slo la tcnica apropiada, sino tambin los mejores parmetros para el modelo.

https://sites.google.com/site/aolucina/unidad-2-unidad-2-pronostico-de-la-demanda