Pronosticos de Demanda

Gestión de Operaciones
Pronósticos de Demanda
Agenda
 Introducción: ¿Qué es la demanda?
 Pronóstico de Demanda: Usos y
Características
 Tipos de Pronóstico de Demanda
 Cualitativos
 Cuantitativos
 Errores de Pronóstico
 Estimación Bajo Incertidumbre
2
Intro: ¿Qué es la Demanda?
“Cantidad de bienes o servicios que el consumidor está
dispuesto a adquirir a un precio dado y en un lugar
establecido”
 Saber cual será la demanda permite usar con eficiencia el

sistema productivo y entregar el producto a tiempo
 Dos fuentes básicas de demanda:
 Demanda Dependiente
 Demanda Independiente
 Respecto a la demanda independiente:
 Adoptar papel activo
• Presionar a fuerza de venta, subir/bajar precios, crear campañas,
etc.
 Adoptar papel pasivo
• Porque la empresa funciona a toda capacidad, o es la única en el
mercado, razones legales, éticas, etc.
3
Pronóstico de Demanda
 Los pronósticos de demanda son vitales para toda
organización de negocios
 Planeación de presupuesto y control de costos
 Productos nuevos
 Compensaciones al personal
 Selección de procesos
 Distribución de instalaciones
 Planeación de producción
 Programación
 Inventario
4
 El pronóstico es la base de la planeación corporativa
a largo plazo y tiene impacto directo en el mediano
y corto plazo
 Es importante ver el horizonte y el nivel de
agregación que se requiere para el pronóstico de
demanda
 Nivel Estratégico: Largo Plazo
 Nivel Táctico: Mediano Plazo
 Nivel Operacional: Corto Plazo.
 Ejemplo SUPERMERCADO
5
Horizonte de Exactitud Número de Nivel Método de

Uso
tiempo Necesaria Productos Gerencial Pronóstico
Cualitativos y
Diseño del Proceso Largo Media Unos o Pocos Alto
Causales
Planeación de la Capacidad Cualitativos y
Largo Media Unos o Pocos Alto
de Instalaciones Causales
Causales y de
Planeación Agregrada Mediano Alta Pocos Mediano
Series de Tiempo
Programación Corto La más Alta Muchos Más Bajo Series de Tiempo
Administración de
Corto La más Alta Muchos Más Bajo Series de Tiempo
Inventarios
6
 Un pronóstico perfecto es imposible
 Hay demasiados factores que no se pueden
pronosticar con certeza
 Revisión continua de los pronósticos
 Aprender a vivir con pronósticos imprecisos
 Flexibilidad de reacción
 Utilizar dos o tres métodos
 Análisis de sensibilidad del pronóstico
 No es un número sino un rango
7
Componentes de la Demanda
 Seis componentes:
 Demanda Promedio para el periodo
 Tendencia
 Elementos Estacionales
 Elementos Cíclicos
• Eventos como elecciones políticas, guerras, condiciones económicas
 Variación Aleatoria
• Eventos fortuitos. Parte de la demanda que no se puede identificar la
causa
 Autocorrelación
• Persistencia de la ocurrencia.
8
Componentes de la Demanda
Ciclo
Patrón
de estacionalidad
Tendencia
Promedio
Aleatorio
Tiempo
Serie de tiempo original
Tiempo
9
Tipos de Pronósticos
 Dos tipos básicos de pronósticos:
 Cualitativos
 Cuantitativos:
• Análisis de Series de Tiempo
• Relaciones Causales
• Simulación
10
Métodos Cualitativos
 Existen varios tipos de métodos cualitativos:
 Técnicas Acumulativas
 Investigación de Mercados
 Grupos de Consenso
 Analogía Histórica
 Método de Delphi
11
Métodos Cualitativos:
Técnicas Acumulativas
 Deriva pronóstico a través de la compilación de
entradas de aquellos que se encuentran al final de
la jerarquía.
 Supuesto: La persona que está más cerca del cliente
conoce mejor sus necesidades futuras.
 Pronósticos se suman y se llevan a nivel más alto.
 EJ: Almacén local trata con cada uno de los vendedores.

Suma el total, agrega inventario de seguridad y efectos de
pedir en cantidad. Luego se lleva al almacén regional,
quien suma la cantidad de cada almacén local, etc.
12
Investigación de Mercados
 Se utiliza sobre todo para la investigación de nuevos
productos
 Métodos de recopilación: Encuestas, Entrevistas,
Focus Group, etc.
13
Grupos de Consenso
 “Dos cabezas piensan más que una”
 Grupo de personas con diversas posiciones en la empresa
 Reuniones abiertas con intercambio libre de ideas
 Algunas personas pueden sentirse intimidadas y no hablar
libremente
14
Analogía Histórica
 Producto General o Existente como modelo.
 Productos complementarios, sustituibles o
competitivos
 Ej: Tostador y Cafetera (NY-Wisconsin)
15
Método de Delphi
 Similar a grupos de consenso pero en forma de
cuestionario
 Se elige a los expertos a participar
 Por medio de un cuestionario se obtienen proyecciones
 Se resumen los resultados, se modifica el cuestionario y se
vuelve a repartir
 Nuevamente se resumen los resultados, se refinan
proyecciones y se plantean preguntas nuevas
 Si es necesario se vuelve a repetir el paso anterior
 Por lo regular se requieren tres rondas

 Elimina el problema de la intimidación
16
Métodos Cuantitativos:
Análisis de Series de Tiempo

 Predecir el futuro con información del pasado
 Varios modelos que consideran series de tiempo:
 Promedio Móvil Simple
 Promedio Móvil Ponderado
 Suavización Exponencial
 Análisis de Regresión Lineal
 Proyecciones de Tendencia
17
Métodos Cuantitativos: Análisis de Series de Tiempo
Promedio Móvil Simple

 Útil cuando la demanda no crece ni baja con rapidez
y no tiene características estacionales
Dt 1  Dt 2  ...  Dt  n
Ft 
n
Ft = Pronóstico para el periodo t
Dt 1 = Demanda real del periodo t-i
n = Número de periodos a promediar
 Varios efectos conflictivos de distintos periodos

 Mientras más largo, más se uniformarán los elementos
aleatorios, pero se retrasa la tendencia.
18

 Ej.: Periodos de 3 y 9 semanas
Semana Demanda 3 Semanas 9 Semanas Semana Demanda 3 Semanas 9 Semanas
1 800 16 1.700 2.200 1.811
2 1.400 17 1.800 2.000 1.800
3 1.000 18 2.200 1.833 1.811
4 1.500 1.067 19 1.900 1.900 1.911
5 1.500 1.300 20 2.400 1.967 1.933
6 1.300 1.333 21 2.400 2.167 2.011
7 1.800 1.433 22 2.600 2.233 2.111
8 1.700 1.533 23 2.000 2.467 2.144
9 1.300 1.600 24 2.500 2.333 2.111
10 1.700 1.600 1.367 25 2.600 2.367 2.167
11 1.700 1.567 1.467 26 2.200 2.367 2.267
12 1.500 1.567 1.500 27 2.200 2.433 2.311
13 2.300 1.633 1.556 28 2.500 2.333 2.311
14 2.300 1.833 1.644 29 2.400 2.300 2.378
15 2.000 2.033 1.733 30 2.100 2.367 2.378
19

 Ej.: Periodos de 3 y 9 semanas
3.000
2.500
2.000
1.500
1.000
Demanda Real
500
Pronóstico Móvil Simple con 3 semanas
Pronóstico Mövil Simple con 9 semanas
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 30
20
Promedio Móvil Ponderado

 Asigna importancia a los distintos elementos
Ft  wt 1  Dt 1  wt 2  Dt 2  ...  wt n  Dt n
Ft = Pronóstico para el periodo t

Dt 1 = Demanda real del periodo t-1
wt 1 = Ponderación dada a la demanda real para el periodo t-1
n = Número total de periodos en el pronóstico
w
i 1
i 1
21
Promedio Móvil Ponderado

 Asigna importancia a los distintos elementos
 Experiencia
 Prueba
 Por regla general: Más importante el pasado más reciente
 Si los datos son estacionales: Ponderar según estacionalidad
• Ej: trajes de baño
22
Suavización Exponencial
 Cada incremento en el pasado se reduce 1 – a
Ft  Ft 1  a  ( Dt 1  Ft 1 )
Ft = Pronóstico suavizado exponencialmente para el periodo t

Dt 1 = Demanda real del periodo t-1
a = Constante de suavización
 La suavización exponencial es la más utilizada en las

técnicas de pronóstico.
23
 Se acepta en forma generalizada por seis razones:
 Sorprendentemente preciso
 Relativamente fácil de formular
 Modelo fácil de entender
 Se requieren pocos cálculos
 Bajo requerimiento de almacenamiento de datos
 Fácil de calcular pruebas de precisión de desempeño
24
 La razón por la que se llama suavización
exponencial es que cada incremento en el pasado se
reduce (1 – a)
Ft  Ft 1  a  ( Dt 1  Ft 1 )
Ft  Ft 1  (1  a )  Dt 1  a
Ft  ( Ft 2  (1  a )  Dt 2  a )  (1  a )  a  Dt 1
Ft  Ft  2  (1  a ) 2  Dt  2  a  (1  a )  Dt 1  a
25
 Cada incremento en el pasado se reduce 1 – a
Ft  ( Ft 3  (1  a )  Dt 3  a ))  (1  a ) 2  Dt  2  a  (1  a )  Dt 1  a
Ft  Ft 3  (1  a )3  Dt 3  a  (1  a ) 2  Dt 2  a  (1  a )  Dt 1  a
 Dato más reciente: (1  a ) 0  a

 Dato de un periodo anterior: (1  a )1  a
 Dato de dos periodos antes: (1  a ) 2  a
26
 Solo se requieren 3 piezas de datos para pronosticar
el futuro
 El pronóstico más reciente
 La demanda real que ocurrió durante el periodo de
pronóstico
 Una constante de suavización
 La constante de suavización determina el nivel de

uniformidad y la velocidad de reacción a las
diferencias entre los pronósticos y las ocurrencias
reales.
27
Ciclo
Patrón
de estacionalidad
Tendencia
Promedio
Aleatorio
Tiempo
Serie de tiempo original

 Suavización Exponencial es
capaz de estimar el Promedio,
la Estacionalidad y la Tendencia
de la Serie Original
Tiempo
28
 Suavización Exponencial con Tendencia:
At  a  Dt  (1  a )  ( At 1  Tt 1 ) 0 a 1
Tt    ( At  At 1 )  (1   )  Tt 1 0   1
Ft 1  At  Tt
 Donde Tt es la tendencia.
29
 Suavización Exponencial con Estacionalidad de
Largo L:
 Dt 
At  a     (1  a )  At 1 0 a 1
 Rt  L 
 Dt 
Rt       (1   )  R t  L 0   1
 At 
Ft 1  ( At ).Rt  L 1
 Donde Rt es el factor de estacionalidad.

30
 Suavización Exponencial con Estacionalidad de
Largo L y tendencia:
 Dt 
At  a     (1  a )  ( At 1  Tt 1 ) 0  a  1
 Rt  L 
 Dt 
Rt       (1   )  R t  L 0   1
 At 
Tt    ( At  At 1 )  (1   )  Tt 1 0   1
Ft 1  ( At  Tt )  Rt  L 1
31
Análisis de Regresión Lineal

 Relación Funcional entre dos o más variables
correlacionadas.
 Se pronostica una variable en base a la otra.
 Se realiza a partir de datos observados.
 Se grafican los datos
Y  a  bX
Y = Variable Dependiente
a = Secante
b = Pendiente
X = Variable Independiente (En este caso el tiempo)
32

 Útil para el pronóstico a largo plazo de eventos
importantes, así como la planeación agregada.
 Supone que los datos del pasado, y los pronósticos
futuros caen sobre una recta.
 Pueden usarse periodos más cortos.
 Se utiliza tanto para Análisis de Series de Tiempo
como para Relaciones Causales, en cuyo caso una
variable es dependiente de la otra.
188
Sales
168
148
128
Sales
108 Sales
Regression
88
1 3 5 7 9 11 13 15 17
17 19
19 21
21 23
23 25
25 27
27 29
29
Week
34
Series de Tiempo Shiskin

 Puede definirse una serie temporal como datos
ordenados en forma cronológica que pueden tener
uno o más componentes de la demanda:
 Tendencia
 Estacional
 Cíclico
 Autocorrelación
 Aleatorio
 La descomposición de una serie temporal significa
identificar y separar los datos de la serie temporal
en estos componentes.
35
Series de Tiempo Shiskin

 Es fácil identificar la tendencia y el componente
estacional.
 Es más difícil identificar los componentes de los
ciclos, la autocorrelación y el aleatorio.
 Cuando se tienen efectos estacionales y de
tendencia al mismo tiempo, pueden relacionarse:
 Variación Estacional Aditiva -> Cantidad estacional es una
constante
 Variación Estacional Multiplicativa -> La tendencia se
multiplica por los factores estacionales
-> Es más común la multiplicativa.
36
Proyecciones de Tendencia
 Ajusta una recta matemática de tendencias a los
puntos de datos y las proyecta en el futuro
Tendencia Líneal Tendencia de curva S

2 2
1,9 1,9
1,8 1,8
1,7 1,7
1,6 1,6
1,5 1,5
1,4 1,4
1,3 1,3
1,2 1,2
1,1 1,1
1 1
0,9 0,9
0,8 0,8
0,7 0,7
0,6 0,6
1 2 3 4 5 6 7 8 9 10 11 12 1 2 3 4 5 6 7 8 9 10 11 12
Tendencia asintótica Tendencia exponencial

2 2
1,9 1,9
1,8 1,8
1,7 1,7
1,6 1,6
1,5 1,5
1,4 1,4
1,3 1,3
1,2 1,2
1,1 1,1
1 1
0,9 0,9
0,8 0,8
0,7 0,7
0,6 0,6
1 2 3 4 5 6 7 8 9 10 11 12 1 2 3 4 5 6 7 8 9 10 11 12
37
Relaciones Causales
 Tratar de entender el sistema subyacente y que
rodea al elemento que se va a pronosticar
 La gracia es que una variable independiente sea un
indicador guía
 Ej.: La lluvia para la venta de paraguas
 Relación causal -> Una ocurrencia causa la otra
 Es de gran importancia encontrar las ocurrencias
que realmente son la causa
38
Relaciones Causales
 Varios modelos:
 Análisis de Regresión Múltiple
 Modelos Econométricos
 Modelos de Entrada/Salida
 Principales Indicadores
39
Métodos Cuantitativos: Relaciones Causales
Análisis de Regresión Múltiple

 Similar al análisis de regresión en series de tiempo
pero con diversas variables
 Ej.: Mobiliario doméstico en función de número de
matrimonios, construcción de viviendas, ingreso disponible y
tendencias:
S  B  Bm (M )  Bh ( H )  Bi ( I )  Bt (T )
S = Ventas Brutas Anuales
B = Ventas de Base (a partir de otros factores que ejercen influencia)
M = Matrimonios durante el año
H = Construcción de viviendas durante el año
I = Ingreso personal disponible anual
T = Tendencia temporal
40

 Es conveniente hacer un pronóstico con regresión
múltiple cuando varios factores influyen en la
variable de interés
 Su dificultad radica en:
 Encontrar las verdaderas fuentes de causa
 Ver la independencia de las fuentes
 Cálculos matemáticos
41

Estacionalidad
Subclase
Elasticidad
Demanda Efecto Precio Estilo i
Estilo i Promoción
 P I 
Di (t , P, I )  Ki  K (t )  K prom  exp (   i )(1  )   max( 0,1  )
 PInicial Ic 
Magnitud Ventas
Estilo i Elasticidad Elasticidad
Precio Subclase Inventario Subclase
t = Tiempo (Semana) I = Inventario

P = Precio Ic = Inventario Crítico
PInicial = Precio Inicial (salida)
42
Modelos Econométricos
 Intentos por describir algún sector de la economía
mediante ecuaciones interdependientes
43
Modelos de Entrada/Salida
 Se enfoca en ventas de otras industrias
 Indica los cambios en las ventas que una industria
productora puede esperar debido a los cambios en
las compras por parte de la otra
44
Principales Indicadores
 Estadísticas que se mueven en la misma dirección
que la serie a pronosticar, pero antes que ésta
 Ej: Un incremento en el precio de la gasolina indica un
abaja futura en la venta de autos grandes
45
Modelos de Simulación
 Modelos dinámicos
 Permiten hacer suposiciones acerca de las variables
internas y el ambiente externo del modelo
 ¿Qué pasaría si subiera los precios?
 Análisis de Sensibilidad
46
Modelos de Simulación:
Pronóstico Enfocado
 Creación de Bernie Smith, quien lo usa para manejo
de inventarios de bienes terminados.
 Smith dice que los enfoques estadísticos no dan los
mejores resultados
 Afirma que son mejores las técnicas simples
 El pronóstico enfocado prueba varias reglas y las
simula sobre datos del pasado
47
Modelos de Simulación:
Pronóstico Enfocado
 Ejemplos de reglas:
 Lo que se haya vendido en los últimos tres meses, probablemente
es lo que se venderá en los meses siguientes
 Lo que se vendió en el mismo trimestre del año pasado, se
venderá también en este periodo
 El cambio porcentual de los últimos tres meses de este año será el
mismo que se obtendrá en los tres meses siguientes
 Las reglas de pronóstico no son rígidas

 Si una regla funciona, se agrega, sino, se suprime
 Luego se simula por computadora con datos históricos
 Lo que mejor pronostique el pasado, se usa para el futuro
48
Errores de Pronóstico
 Se refiere a la diferencia entre el valor de
pronóstico y lo que ocurrió en realidad.
 Nos sirven para ver en qué momento el pronóstico
falla o los datos no sirven
1
MAD   Dt  Ft
n t
1 MAD  0.8 desv. estandard
1 des. estandard  1.25 MAD
 Se utiliza por su simplicidad.
49
 El valor ideal de MAD es cero (ie, no existe error de
pronósticos).
 Mientras mas grande MAD, menor la precisión del
modelo.
 MAD se usa para:
 Comparar distintos modelos de pronósticos.
 Elegir el “mejor” modelo dentro de una familia de modelos
 Si |Ft - Dt| > 3,75 x MADt (tres desviaciones

estándar), entonces existen sospechas de VALOR
EXTREMO.
50
 Señal de Rastreo:
suma acumulada de la desviación del pronóstico

T
MAD
 Si T  [-6,6] (confiabilidad menor al 97%), entonces

debe revisarse el modelo ya que está sesgado.
51
 MAD pronosticada:
MADt  a  Ft  Dt  (1  a )  MADt 1
52
Pronósticos Bajo Incertidumbre
 En muchos casos no es una buena idea resumir en un

número nuestras predicciones futuras sobre el
comportamiento de la demanda. O, depender demasiado
de la información histórica.
 Ciclos de venta muy cortos.
 Demanda altamente estocástica.
 Rápidos cambios tecnológicos y de modas.
 Ejemplos: ropa de moda, juguetes, juegos

computacionales, música, libros, artículos electrónicos…
53
 En estos casos puede ser mejor modelar la

demanda como una variable aleatoria (o proceso
estocástico) y usar pronósticos para definir su
distribución de probabilidades.
 Uno de los ejemplos más populares es suponer

que la demanda está Normalmente distribuida
con media  y desviación estándar s.
54
 Supongamos que tenemos N observaciones de la

demanda
 {xi: i=1,…,N}. Como podemos estimar  y s?
Metodo de Maxima Verosimili tud
n
1 n
max V(μ, s)    ( xi ,  , s ) 
 ,s
V   xi
i 1 n i 1
 
n
 ix   2
n 2
  s   xi  V 
1
max ln V(μ, s)   ln 2s 2  i 1
n 2
2s 2
V
 ,s 2 n i 1
55
Conclusiones
 No es fácil desarrollar un sistema de
pronóstico
 Es fundamental para cualquier esfuerzo de
planeación
 En corto plazo: Predecir necesidades de
materiales, productos, servicios u otros recursos
 En largo plazo: Base para los cambios
estratégicos, como el desarrollo de mercados
nuevos, creación de productos, ampliar
instalaciones
56
Conclusiones
 Para los pronósticos de largo plazo son
provechosos los métodos causales
 Para los de corto y mediano plazo, los
modelos simples, como la suavización
exponencial, pueden ser satisfactorios
 La filosofía ideal es crear el mejor pronóstico que
sea posible y protegerse manteniendo la
flexibilidad del sistema para tener en cuenta
inevitables errores de pronóstico
57

Pronosticos de Demanda

Transféré par

Informations du document

Copyright

Formats disponibles

Partager ce document

Partager ou intégrer le document

Options de partage

Avez-vous trouvé ce document utile ?

Ce contenu est-il inapproprié ?

Droits d'auteur :

Formats disponibles

Pronosticos de Demanda

Transféré par

Droits d'auteur :

Formats disponibles

Gestión de Operaciones

 Saber cual será la demanda permite usar con eficiencia el

Horizonte de Exactitud Número de Nivel Método de

Serie de tiempo original

 EJ: Almacén local trata con cada uno de los vendedores.

 Ej: Tostador y Cafetera (NY-Wisconsin)

 Por lo regular se requieren tres rondas

Análisis de Series de Tiempo

Promedio Móvil Simple

 Varios efectos conflictivos de distintos periodos

Promedio Móvil Simple

Promedio Móvil Simple

Promedio Móvil Ponderado

Ft = Pronóstico para el periodo t

n = Número total de periodos en el pronóstico

Promedio Móvil Ponderado

Ft = Pronóstico suavizado exponencialmente para el periodo t

 La suavización exponencial es la más utilizada en las

 Dato más reciente: (1  a ) 0  a

 La constante de suavización determina el nivel de

Serie de tiempo original

 Donde Rt es el factor de estacionalidad.

Análisis de Regresión Lineal

Análisis de Regresión Lineal

Análisis de Regresión Lineal

Series de Tiempo Shiskin

Series de Tiempo Shiskin

Tendencia Líneal Tendencia de curva S

Tendencia asintótica Tendencia exponencial

Análisis de Regresión Múltiple

Análisis de Regresión Múltiple

Análisis de Regresión Múltiple

t = Tiempo (Semana) I = Inventario

 Las reglas de pronóstico no son rígidas

 Si |Ft - Dt| > 3,75 x MADt (tres desviaciones

suma acumulada de la desviación del pronóstico

 Si T  [-6,6] (confiabilidad menor al 97%), entonces

 En muchos casos no es una buena idea resumir en un

 Ejemplos: ropa de moda, juguetes, juegos

 En estos casos puede ser mejor modelar la

 Uno de los ejemplos más populares es suponer

 Supongamos que tenemos N observaciones de la

Vous aimerez peut-être aussi