Académique Documents
Professionnel Documents
Culture Documents
6 horas esta frase aunque un poco exagerada nos sugiere dos cosas
realmente importantes .
1. Los pronsticos sern ms y ms inciertos en la medida en que
nos propongamos pronosticar periodos de ventas cada vez ms
lejanos.
2. Los pronsticos siempre presentaran
un determinado grado de
incertidumbre; nuestro objetivo no debe ser pronosticar el volumen
exacto de ventas sino realizar un pronostico con errores mnimos
siempre evaluables.
Otro aspecto que no se debe pasar por alto es el hecho de que cada vez
que se tome una decisin para el futuro est llevara cuando menos,
implcito un pronostico para que tenga sentido se debe hacer en base a
unidades que deben quedar comprendidas en un plan programa y que
deben atacar un perodo de tiempo cuando menos tan largo, como el
periodo que se necesite para tomar un acuerdo de decisin , as como
para que esta se pueda llevar a efecto.
Dentro de esta aparente contradiccin el pronostico deber ser para
perodos de tiempo corto de tal manera que aumente su grado de certeza
y dentro de periodos de tiempo tan largos que permitan tomar decisiones
y que estas puedan efectuarse. Aqu se encuentra precisamente el criterio
que permitir, de acuerdo a los mtodos cuantitativos empleados y las
caractersticas de la demanda aumentar el grado de factibilidad de
cualquier pronstico.
El pronstico se basa en el promedio de los datos de ventas anteriores de la
cual se obtendr la demanda futura. Para promediar existen una gran
variedad de mtodos los ms comunes el promedio aritmtico y la media
aritmtica. Para nuestro propsito ejemplificaremos y practicaremos los
siguientes mtodos estadsticos.
HORIZONTES DE TIEMPO
PRONOSTICO A CORTO PLAZO. Este tiene un lapso de hasta un ao, pero es
generalmente menor a tres meses.
PRONOSTICO A MEDIANO PLAZO. Intermedio generalmente es de tres meses
a tres aos, es valido para en la planeacin de produccin y presupuestos.
PRONOSTICO A LARGO PLAZO. Generalmente son lapsos de tres aos o
ms, se utilizan para planear nuevos productos, desembolso de capital, etc.
2.2
CARACTERSTICAS DE LA DEMANDA
Donde:
x = demanda
n = nmero de datos
X1+ X2+ X3+........Xn
Pms =
n
4 PERIODOS
X1 + X2 + X3
X 1 + X2 + X3 + X4
Pms3 =
Pms 4 =
3
4
X2 + X3 + X4 + X5
X2 + X3 + X4
Pms 5=
Pms4 =
4
X 3 + X4 + X5+ X6
3
Pms6 =
4
X3 + X4 + X5
Pms5 =
3
X4 + X5 + X6
Pms6=
3
NOTA: Para el primer pronstico se tomara el promedio de las ventas de
los periodos pasados tomando la demanda del primer periodo.
Para el segundo se puede tomar haciendo el promedio de los 2 primeros
periodos de demanda.
Por lo tanto el pronstico mvil simple de 4 meses reacciona ms
lentamente al aumento en las ventas.
EJEMPLO: De acuerdo a las ventas reales del 2013 obtener el pronstico
para el 2014 utilizando el mtodo de promedio mvil simple de 3
periodos y graficar.
PERIODO
ENERO
FEBRERO
MARZO
ABRIL
MAYO
JUNIO
JULIO
AGOSTO
SEPTIEMBRE
OCTUBRE
NOBIEMBRE
DICIEMBRE
VENTAS 13
2100
2000
1500
1800
1890
1990
2030
1760
2220
1750
2300
1880
PRONOSTICO 14
23220
GRAFICA
PROMEDIOS MVILES
PROMEDIO MOVIL PONDERADO
Ni el pronostico del mvil de 3 periodos ni el de 4 periodos, hacen un
buen pronostico de ventas; para responder ms rpidamente al
pronostico de ventas,
contamos con el mtodo de promedio mvil
ponderado, este mtodo permite considerar el grado de influencia
diferentes
de los datos
histricos de la demanda. En el
anterior
consideramos que la influencia de los datos histricos era similar. Por lo
tanto, se puede definir al promedio mvil ponderado de la muestra de los
datos n como:
n
X1
X2
X3
.
.
.
Xn
3M1+2M2+M3
Pmp =
6
EJEMPLO:
De acuerdo a las ventas reales de 2013 obtener el pronstico para el 2014
por el mtodo de promedio mvil ponderado.
PERIODO
VENTAS 13
PRONOSTICO 14
ENERO
FEBRERO
MARZO
ABRIL
MAYO
JUNIO
JULIO
AGOSTO
SEPTIEMBR
E
OCTUBRE
NOVIEMBR
E
DICIEMBRE
2050 M3
1950 M2
1450 M1
1750
1840
1940
1980
1710
2170
M3
M2
M1
1700
2250
1830
GRAFICA
= Constante de atenuacin
GRAFICA
Y
VENTAS 14
2050 D0
1950
1450
1750
1840
1940
1980
1710
2170
1700
2250
1830
PRONOSTICO1
5
Y0
X
2.4.1.4 TENDENCIA LINEAL
En la regresin lineal, una variable, conocida como variable dependiente,
est relacionada con una o ms variables independientes por medio de una
ecuacin lineal. La variable dependiente (como la demanda de picaportes)
es la que el gerente desea pronosticar. Se supone que las variables
independientes (como los gastos de publicidad o el inicio de la construccin
de nuevas viviendas) influyen en la variable dependiente y, por ende, son la
causa de los resultados observados en el pasado. La figura 2.1 muestra la
relacin entre una regresin lineal y los datos. En trminos tcnicos, la lnea
de regresin de regresin minimiza las desviaciones cuadrticas con
respecto a los datos reales.
En los modelos de regresin lineal ms sencillos, la variable dependiente es
funcin de una variable independiente y, por lo tanto, la relacin terica es
una lnea recta.
2.4.2 RELACIONES CAUSALES
MTODOS CAUSALES: REGRESIN LINEAL
Los mtodos causa1es se emplean cuando se dispone de datos histricos y
se puede identificar la relacin entre el factor que se intenta pronosticar y
otros factores externos o internos (por ejemplo, las acciones del gobierno o
las promociones publicitarias). Estas relaciones se expresan en trminos
matemticos
y suelen ser muy complejas. Los mtodos causales
proporcionan las herramientas de pronstico ms avanzadas y son
excelentes para prever los puntos de cambio en la demanda y preparar
pronsticos a largo piazo. Aunque existen muchos mtodos causales, nos
ocuparemos aqu de los ms conocidos y los que se utilizan ms
comnmente entre todos esos mtodos.
REGRESIN SIMPLE
METODO DE MINIMOS CUADRADOS
Siempre que los datos sugieran una recta para su representacin el
mtodo de mnimos cuadrados podr ser utilizado para la elaboracin de
un pronostico, este mtodo consta de la determinacin de la lnea recta
que mejor se ajusta a los puntos , es decir, la lnea para la cual, la suma de
los cuadrados de las distancias a los puntos de la grfica
es mnima,
como se sabe la ecuacin de cualquier lnea recta queda representada por
la siguiente formula .
Y = a + bx
Donde:
Y = variable dependiente
X = variable independiente
a = interseccin de la recta con el eje y
b = pendiente de la recta
El objetivo del anlisis de regresin lineal es encontrar los valores de a y
b que minimicen la suma de las desviaciones cuadrticas de los puntos de
datos reales que estn representados en el grafico. Con esta finalidad se
utilizan programas de cmputo. Para cualquier conjunto de parejas de
observaciones de Y y X, el programa calcula los valores de a y b y ofrece
medidas de la precisin del pronstico. Tres medidas de uso comn son el
coeficiente de correlacin de la muestra, el coeficiente de determinacin de
la muestra y el error estndar del estimado.
El coeficiente de correlacin de la muestra, r, mide la direccin y fuerza
de la relacin entre la variable independiente y la variable dependiente. Los
valores de r pueden fluctuar entre -1.00 y + 1.00. Un coeficiente de
correlacin de + 1.00 implica que los cambios registrados de uno a otro
periodo en la direccin (incrementos o decrementos) de la variable
independiente, siempre van acompaados por cambios de la variable
dependiente en la misma direccin. Un r de -1.00 significa que los
decrementos de la variable independiente siempre van acompaados de
incrementos en la variable dependiente, y viceversa. Cuando r tiene valor
de cero, significa que no existe relacin lineal entre las variables. Cuanto
ms se aproxime el valor de r a 1.00, tanto ms adecuado ser el ajuste
de la lnea de regresin con respecto a los puntos del grfico.
El coeficiente de determinacin de la muestra mide la cantidad de variacin
que presenta la variable dependiente con respecto a su valor medio, que se
explica por la lnea de regresin. El coeficiente de determinacin es igual al
cuadrado del coeficiente de correlacin, o r 2. El valor de r2 oscila entre
0.00 y 1.00. Las ecuaciones de regresin, cuyo valor de r 2 se aproxima a
1.00, son deseables porque eso significa que las variaciones de la variable
dependiente y del pronstico generado por la ecuacin de regresin estn
estrechamente relacionadas.
E1 error estndar del estimado, Syx, mide la proximidad con que los datos
de la variable dependiente se agrupan alrededor de la lnea de regresin.
Aunque es semejante a la desviacin estndar de la muestra, mide el error
de la variable dependiente, Y, con respecto a la lnea de regresin, en
lugar de medirlo con respecto a la media. En consecuencia, es la desviacin
estndar de la diferencia entre la demanda real y la estimacin obtenida
con la ecuacin de regresin. Al determinar qu variable independiente se
incluir en la ecuacin de regresin, se debe elegir la que tenga el error
estndar ms pequeo del estimado.
(x2 y) - (x xy)
(N x2) (x)2
a =
b =
Donde
(N xy) - (x y)
(N x2) - (x)2
: x = Periodo
y = Demanda
N = Nmero de datos
EJEMPLO:
De acuerdo a las ventas reales del 2014 obtener el pronstico para el ao
2015 utilizando el mtodo de mnimos cuadrados y graficar.
PERIODO
(X)
ENERO
FEBRERO
MARZO
ABRIL
MAYO
VENTAS 14
(Y)
2100
2000
1500
1800
1890
X
1
2
3
4
5
X2
1
4
9
16
25
XY
2100
4000
4500
7200
9450
JUNIO
JULIO
AGOSTO
SEPRIEMBR
E
OCTUBRE
NOVIEMBRE
DICIEMBRE
1990
2030
1760
2220
6
7
8
9
36
49
64
81
11940
14210
14080
19980
1750
2300
1880
10
11
12
100
121
144
17500
25300
22560
GRAFICA
Tabla 1
que deben manipularse con frecuencia. Los analistas tienen que examinar
las series de tiempo que corresponden a cada producto o servicio a fin de
elaborar un pronstico. Sin embargo, ahora se dispone de nuevo software
que facilita la tarea de elaborar los pronsticos y coordinarlos entre
minoristas y proveedores.
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 formatos de informes, entre ellos figuran los de
Manugistics, Forecast Pro y SAS. Tpicamente, los paquetes de software para
pronstico leen los datos contenidos en archivos de hoja de clculo, trazan
grficos de los datos y los pronsticos, y guardan los archivos de pronstico
para mostrar los resultados en hojas de clculo. El diseo de estos
programas para computadoras personales y su precio relativamente bajo
ponen a estos paquetes al alcance de cualquier empresa.
Un acontecimiento importante en el rea de los pronsticos es el enfoque
general adoptado por Unilever, que usa software para compartir informacin
y colaborar con sus clientes. La planificacin, pronstico y reabastecimiento
en colaboracin (CPFR, del ingls collaborative planning, forecasting, and
replenishment) es un proceso de nueve pasos para administrar la cadena de
valor, en el cual los pronsticos desempean una funcin decisiva, que
permite a un fabricante y a sus clientes colaborar en la elaboracin del
pronstico por medio de Internet. Las compaas estn estudiando
detenidamente este mtodo y se han anunciado estudios piloto muy
prometedores. Sin embargo, hay algunos factores, como los sistemas
anticuados, la confianza mutua y la geografa, que han provocado una
adopcin irregular de CPFR a la fecha.
Los paquetes de software de la lista que sigue son ejemplo de programas
que incluyen capacidades de pronstico. Los tres primeros son
principalmente para pronsticos y los ltimos cuatro tienen incluidos
mdulos de pronstico.
Forecast Pro
AFS
tsMetrix
SAS
SPSS
SAP
POM Computer Library incluye promedio mvil, promedio mvil
ponderado, suavizacin exponencial, suavizacin exponencial con
tendencia, regresin de series de tiempo con rangos, regresin de
series de tiempo estacionalizadas con rango, regresin lineal simple
con rango y regresin lineal mltiple.