Académique Documents
Professionnel Documents
Culture Documents
Parece que hay un patrón de ventas común con la repetición semanal. Los
sábados usualmente muestran lo más alto, los domingos son el volumen de
ventas más bajo de una semana. Por lo tanto, se puede asumir la estacionalidad
semanal con una duración del ciclo de T = 7 días.
Las ventas por semana parecen estar aumentando continuamente. Esto es
obvio cuando se consideran las cuatro semanas. Pero incluso dentro de las
primeras tres semanas es visible una tendencia (más débil) de ventas
crecientes.
ct modelando la estacionalidad del periodo t. La figura 26.2 deja claro que la tendencia
se expresa mediante la función lineal con t que denota periodos de tiempo
(por ejemplo, días en nuestro ejemplo de trabajo). Un volumen de ventas observado
en el período t está modelado por
(26.1)
Estos tres tipos de ecuaciones se vuelven claros cuando observamos nuestro ejemplo
de trabajo. Comenzamos nuestro cálculo al final del día t = 0. La Tabla 26.2 ilustra con
más detalle este procedimiento:
1. Inicialización:
Para que las cosas funcionen, los valores iniciales ˆa0, ˆb0 y ˆc − 6,. . . ,
(coeficientes estacionales para cada día de la semana). Como ejemplos, las
Subsecciones 26.2.2 (para ˆc ·) y 26.2.3 (para ˆa0, ˆb0) muestran cómo estos
valores pueden calcularse a partir de las observaciones de ventas de las
primeras tres semanas (día - 20, ..., 0). Por el momento aceptaremos en blanco
los valores ˆa0 = 5849.0, ˆb 0 = 123.3 y ˆc − 6 = 1.245693 que se usan en la
Tabla 26.2
3. Observación en el periodo t + 1:
En el día 1 se observan ventas x1 de 8152 unidades de mantenimiento de stock
(SKU).
4. Usando la última observación para actualizar la tendencia y los coeficientes
estacionales:
De este modo, el volumen de ventas "desestacionalizado" x1ˆc − 6 del día 1 sirve como
una nueva observación para el valor subyacente, mientras que (ˆa0 + ˆb0 · 1) fue el
pronóstico de las ventas desestacionalizadas del día 1 que se ha obtenido en el período
0 (26.1).
Entre el día 0 y el día 1, el valor subyacente a · ha aumentado de ˆa0 a ˆa1. Dado que
ˆa1 se basa en la última observación de ventas x1, esto se interpreta como la "nueva
observación" del gradiente b· que, de nuevo, debe ser suavizado de manera
exponencial.
5. Avanzando en el tiempo:
Ahora podemos avanzar un día (aumentando t en 1) y repetir los pasos (2) a (5).
Al final del día 1, el volumen de ventas ˆx2 del día 2 se estima por
y así….
La Tabla 26.2 muestra los resultados del método de Winters cuando se aplica a
los días 2 a 7.
Al observar los datos de las primeras tres semanas (ver Fig. 26.1), dos
fenómenos parecen ser contradictorios con el supuesto de una tendencia lineal
con estacionalidad:
1. Las ventas del lunes -13 son inesperadamente bajas. En las semanas 1 y 3,
las ventas los lunes son claramente más altas que las ventas los martes.
2. Por lo general, las tiendas de zapatos tienen que estar cerradas los
domingos en Alemania. Algunas pocas ciudades, sin embargo,
concedieron una autorización especial para la venta. A partir de la tercera
semana, el 931% de estas ciudades ya no otorga dicha autorización.
(26.4)
Por lo tanto, la forma más intuitiva de obtener datos de ventas sin influencias
estacionales es calcular las ventas diarias promediadas durante una semana
completa. Esto lleva a un promedio de ventas diarias y
5122.4 SKU para las semanas 1 a 3 (consulte la Tabla 26.3). De este modo, el
jueves se resuelve a mediados de cada semana.
Si se da una tendencia pura sin ninguna influencia estacional, uno esperaría que
todos los coeficientes estacionales sean iguales a 1 (ver Sección 26.1.2),
sumando así hasta 7 para un ciclo estacional semanal. Como podemos ver en
la Tabla 26.4, la suma de nuestros coeficientes estacionales
no llega a 7. Para reflejar correctamente la tendencia, tenemos que normalizar
nuestra afirmación, para multiplicarlos con la constante 7 / total. Los coeficientes
estacionales finales resultantes para el lunes. . . Los domingos ya son conocidos
como Ë † câ'’6,. . . , Ë † c0 del Cuadro 26.2.
Los parámetros a y b pueden estimarse por medio de regresión lineal (ver Wood
y Field (1976, pp. 76)). Como muestra la Fig. 26.4, los estimadores apropiados
ˆa y ˆb se calculan minimizando las distancias verticales (cuadradas) entre las
ventas desestacionalizadas dt = xt ˆct y la línea de tendencia ˆa + ˆb · t. Esta
manera útil de eliminar el ruido aleatorio también se aplica en los pronósticos
causales y ya se ha introducido en la Secta. 7.2.2.
Fig. 26.4. Visualización de regresión lineal.
La Tabla 26.5 y las Ecuaciones (26.6) y (26.7) ilustran cómo los parámetros de
tendencia ˆa0 y ˆb0 se han calculado mediante regresión lineal para inicializar el
método de Winters en la Sección. 26.1.3:
Aquí
representan los valores promedio de t y dt durante las primeras semanas de
nuestro ejemplo de trabajo.