Vous êtes sur la page 1sur 17

Dr.

Fernando Suca
Profesor de Administracin de la Produccin
Lima, abril de 2014
UNIVERSIDAD NACIONAL MAYOR DE SAN MARCOS
2.1. INTRODUCCIN
La prediccin de la demanda es la estimacin de
las peticiones de productos por parte de los
clientes, por tanto, es el volumen de ventas que la
empresa puede esperar en un determinad
perodo.

Los errores de previsin se traducirn en
decisiones poco acertadas que ocasionarn
repercusiones no deseadas con consecuencias
econmicas negativas.
2.1. INTRODUCCIN
Qu sucede si se asignan ms recursos de
lo real sobre una previsin de la demanda
futura?
Aumentarn los stocks de productos
acabados.
Capacidad de produccin no aprovechada
(aumento de costes fijos innecesarios)
La plantilla tender a ser excesiva.
2.1. INTRODUCCIN
Por el contrario si la previsin es baja:
Los clientes no sern atendidos (buscarn
otros proveedores)
Los medios de produccin se vern
sobrecargados.
La adjudicacin de medios de produccin
adicionales se realizarn de forma
apresurada.
2.1. INTRODUCCIN
Existen muchas tcnicas de previsin desde
muy simples a muy sofisticadas. La seleccin
del mtodo depende de:
De la disponibilidad de datos histricos.
Grado de exactitud buscado.
Tiempo de que se dispone para efectuar el
anlisis.
Etapa del ciclo de vida del producto.
2.2. CICLO DE VIDA DE UN PRODUCTO
2.3. ETAPAS EN LA ELABORACIN DEL MODELO
DE PREDICCIN
a) Identificar el problema
b) Recopilar datos
c) Realizar el modelo y validarlo
d) Efectuar el pronstico.
e) Revisar el modelo en el tiempo para
asegurar su validez.

2.4. CLASIFICACIN DE TCNICAS
1. Mtodos cualitativos. Datos cualitativos. No
precisan datos histricos.
2. Mtodos de proyeccin predictiva (series
temporales). Uso de datos histricos. Se
pueden dividir en dos grupos: Deterministas
y Estocsticos (ARIMA).
3. Mtodos causales. Relaciones causa
efecto (regresin).

2.4.1. MTODOS CUALITATIVOS
Tcnica de DEPLPHI. Considera panel de
expertos.
Consenso de grupo.
Impacto cruzado.
Previsin imaginativa.
Analogas histricas.
MTODOS DE PROYECCIN PREDICTIVA (SERIES
TEMPORALES)
Serie temporales: Es un conjunto de valores
correspondientes a una variable observada
que estn ordenadas cronolgicamente y
separados por una distancia temporal
constante (ventas mensuales, consumo de combustible en el
pas, nmero de usuarios por hora en un servicio, etc.)

Estos mtodos analizan datos de la serie
temporal (carcter retroactivo) para producir
la prediccin valores futuros
CLASIFICACIN DE LOS MTODOS DE
PROYECCIN
Se pueden dividir en dos grupos:

Deterministas: Tienen un comportamiento
supuestamente fijo y que las alteraciones se
consideran exgenas.

Estocsticos: Presentan perturbaciones o
variabilidad.
COMPONENTES DE LA SERIE TEMPORAL
Son los siguientes:
Tendencia (T): Tiene que ver con la evolucin a largo plazo.
Pueden ser crecientes, decrecientes o constantes.
Ciclo (C): Van oscilando en periodos superiores a un ao.
Estacionalidad (E): Relacionada con patrones repetitivos.
Perodos temporales de un mes: Venta de panetn,
helados, etc.
La serie temporal puede explicarse as:

Y
t
= f (T
t
, C
t
, E
t
) V

Donde V: representa la aleatoriedad entre las medidas de la realidad y el modelo seguido para
el fenmeno observado.
2.5. COMPARACIN DE MODELOS
MAD (MEAN ABSOLUTE DESVIATION)
DESVIACIN ABSOLUTA MEDIA
RMSE (ROOT MEAN SQUARED
ERROR)
RAZ CUADRADA DEL ERROR CUADRTICO MEDIO
Donde Y
t
es el valor que se predice en el instante t. P
t
el valor
observado en el instante t. t es el nmero de perodo y T es el
nmero total de perodos que integran el intervalo de estudio.
EJEMPLO PARA EL USO DEL MAD Y EL RMSE
Meses Observacin Prediccin 1 Prediccin 2
1 200 202,0 200,0
2 135 200,0 167,5
3 195 193,5 181,3
4 197,5 193,7 189,4
5 310 194,0 249,7
6 175 205,6 212,3
7 155 202,6 183,7
8 130 197,8 156,8
9 220 191,0 188,4
10 277,5 193,9 233,0
11 235 202,3 234,0
Valores de
demanda
Valores obtenidos
con el modelo 1
Valores obtenidos
con el modelo 2
EJEMPLO PARA EL USO DEL MAD Y EL RMSE
Observaci
n
Prediccin 1 E
t
2 E
t
2
200 202,0 2,0 4,0
135 200,0 65,0 4.225,0
195 193,5 1,5 2,3
197,5 193,7 3,8 14,8
310 194,0 116,0 13.447,9
175 205,6 30,6 938,3
155 202,6 47,6 2.262,7
130 197,8 67,8 4.598,4
220 191,0 29,0 839,2
277,5 193,9 83,6 6.984,4
235 202,3 32,7 1.070,3
Tabla. Valores de Et y Et
2
con el modelo
1
Resultados:
Modelo 1
MAD: 43,6
RMSE: 55,9

EJEMPLO PARA EL USO DEL MAD Y EL RMSE
Observaci
n
Prediccin 2 E
t
2 E
t
2
200 200,0 0,0 0,0
135 167,5 32,5 1.056,3
195 181,3
197,5 189,4
310 249,7
175 212,3
155 183,7
130 156,8
220 188,4
277,5 233,0
235 234,0
Tabla. Valores de Et y Et
2
con el modelo
2
Resultados:
Modelo 2
MAD:_________
RMSE:________

Nota: Se elige el
modelo que presenta
menor MAD y RMSE
2.6. PREDICCIN BASADA EN EL ANLISIS DE LA SERIE
TEMPORAL MEDIANTE REGRESIN LINEAL
Ecuacin de regresin lineal:
Y
t
= ax + b
Donde:
Y
t
: representa el valor de la ordenada para un instante t.
.a: coeficiente de regresin
.b: trmino independiente
.x: variable independiente de la regresin lineal.