Académique Documents
Professionnel Documents
Culture Documents
QU ES CONTROL DE PRODUCCIN?
Se refiere esencialmente a la cantidad de fabricacin de artculos y vigilar que se haga como se plane, es decir, el control se refiere a la verificacin para que se cumpla con lo planeado, reduciendo a un mnimo las diferencias del plan original, por los resultados y prctica obtenidos.
Dentro de las funciones bsicas del control de produccin podemos destacar las siguientes: Pronosticar la demanda del producto, indicando la cantidad en funcin del tiempo. Comprobar la demanda real, compararla con la planteada y corregir los planes si fuere necesario.
Establecer volmenes econmicos de partidas de los artculos que se han de comprar o fabricar.
Determinar las necesidades de produccin y los niveles de existencias en determinados puntos de la dimensin del tiempo.
Comprobar los niveles de existencias, comparndolas con los que se han previsto y revisar los planes de produccin si fuere necesario.
Es el arte y la ciencia de predecir los eventos futuros. Puede implicar el empleo de datos histricos y su proyeccin hacia el futuro mediante algn tipo de modelo matemtico.
Un factor que se debe de considerar cuando se hace un pronostico d ventas, en especial los largos es el ciclo de la vida del producto. Los productos e incluso los servicios, no se venden a un nivel constante a lo largo de su vida. Los productos mas exitosos pasan por 4 etapas. Introduccin Crecimiento Madurez Declinacin
1. 2. 3. 4.
Pronsticos econmicos marcan el ciclo del negocio al predecir las tasas de inflacin, oferta de dinero, nuevas construcciones, y otros indicadores de planeacin. Pronsticos tecnolgicos tienen que ver con las tasas de progreso tecnolgico, que pueden dar por resultado el nacimiento de productos novedosos, que requieren nuevas plantas y equipo. Pronsticos de demanda son proyecciones de la demanda para los productos o servicios de una compaa. Estos pronsticos, tambin llamados pronsticos de ventas, conducen la produccin de una compaa, la capacidad, y los sistemas de programacin, y sirven como insumos a la planeacin financiera, de mercado y de personal.
Recursos Humanos
Capacidad
Administracin de la cadena de suministro
Enfoques de Pronsticos
Jurado de opinin de Ejecutivos Mtodos Cualitativos Mtodo Delphi Composicin de la fuerza de ventas Encuesta en el mercado de consumo
Enfoque intuitivo Mtodos Cuantitativos Promedios Mviles (*) Suavizamiento exponencial (*) Proyeccin de tendencias (*) Regresin Lineal (*)
Modelo asociativo
Caractersticas: relacionan variables internas o externas con los niveles de demanda, lo que brinda una visin amplia del sector. Los costos que implican son de medios a bajos y usualmente requieren de equipo de cmputo.
Horizonte: son ms tiles para elaborar pronsticos a mediano plazo de productos o servicios existentes y para el diseo de estrategias de marketing, produccin y contratacin de personal.
Caractersticas
Funcionan cuando hay falta o escasez de datos histricos y cuando es difcil convertir en nmeros las variables que intervienen en la determinacin de la demanda futura. La mayora es bajo costo No requieren de equipo computacional para hacerse, aunque su planeacin implica una gran inversin de tiempo por parte de los directivos. Horizontes generalmente se utiliza para planear a mediano y largo plazo.
Enfoques de Pronsticos
Jurado de opinin de Ejecutivos Mtodos Cualitativos Mtodo Delphi Composicin de la fuerza de ventas Encuesta en el mercado de consumo
Enfoque intuitivo Mtodos Cuantitativos Promedios Mviles (*) Suavizamiento exponencial (*) Proyeccin de tendencias (*) Regresin Lineal (*)
Modelo asociativo
Tcnicas de pronsticos que usa una serie de datos puntuales del pasado para realizar un pronostico.
Variaciones Cclicas: se refiere a las oscilaciones de larga duracin alrededor de la recta o curva de
tendencia; estos ciclos, como se llaman a veces, pueden ser o no peridicos, es decir, puede seguir o no exactamente caminos analgicos despus de intervalos de tiempo iguales.
Variaciones Estacionales: se refiere a las idnticas o casi idnticas, normas que una serie de tiempo
parece seguir durante los correspondientes meses de los sucesivos aos. Las variaciones estacionales, se refiere en general a una periodicidad anual en negocios o teora econmica, las ideas envueltas pueden extenderse a incluir una periodicidad de cualquier intervalo de tiempo, tal como diaria, horaria, semanal, entre otras., dependiendo del tipo de datos que se utilicen.
Variaciones Irregulares: son movimientos espordicos de las series de tiempo debido a sucesos
ocasionales, tales como inundaciones, huelgas, elecciones, etc. Aunque normalmente se supone que tales sucesos producen variaciones que solamente duran un corto intervalo de tiempo.
Tcnica de pronostico que supone que en el siguiente periodo la demanda ser igual a la del periodo mas reciente.
Mtodo de pronostico que utiliza un promedio de los n periodos mas recientes de datos para pronosticar el siguiente periodo.
Promedio Mvil =
Demanda en los
n n
periodos anteriores
Ejemplo: Las ventas de cobertizos de una empresa X, se muestran en la columna central de la siguiente tabla. A la derecha se da el promedio mvil de tres meses.
Mes
Enero Febrero Marzo Abril Mayo Junio Julio
Agosto
Septiembre Octubre Noviembre Diciembre
30
28 18 16 14
(19+23+26)/3 = 22
Vemos que el pronstico para diciembre es de 20 2/3 . Para proyectar la demanda de cobertizos en enero prximo, sumamos las ventas de octubre, noviembre y diciembre entre 3: pronstico para enero = (18+16+14)/3 = 16
Siguiendo con el ejemplo anterior. Esta empresa decidi pronosticar las ventas de cobertizos ponderando los ltimos tres meses como sigue:
Ponderacin Aplicada 3 2 1 6 Periodo ltimo mes o ms reciente Hace dos meses Hace tres meses Suma de ponderaciones
Mes
Enero Febrero Marzo Abril Mayo Junio Julio Agosto Septiembre Octubre Noviembre Diciembre
1/6
1/3
(3x23)+(2x19)+(16) /6 = 201/2 (3x26)+(2x23)+(19) /6 = 235/6 (3x30)+(2x26)+(23) /6 = 271/2 (3x28)+(2x30)+(26) /6 = 281/3 (3x18)+(2x28)+(30) /6 = 231/3
(3x16)+(2x18)+(28) /6 = 18
2/3
Demanda de Ventas
25
15
10
Ene
Feb
Mar
Abr
May
Jun
Jul
Ago
Sep
Oct
Nov
Dic
Mes
El suavizamiento exponencial es un mtodo de pronstico de promedios mviles ponderado que sigue siendo bastante fcil de usar. Implica mantener muy pocos registros de datos histricos. La frmula bsica para el suavizamiento exponencial se expresa como sigue:
Nuevo Pronstico = Pronstico del periodo anterior + (Demanda real del mes anterior Pronstico del periodo anterior)
Ejemplo: En Enero, un distribuidor de automviles predijo que la demanda para Febrero sera de 142 Ford Mustang. La demanda real de febrero fue de 153 autos. Si empleamos la constante de suavizado que eligi la administracin , = 0.20, podemos pronosticar la demanda de marzo mediante el modelo de suavizamiento exponencial. Sustituyendo los datos del ejemplo en la frmula, obtenemos. (suavizamiento exponencial)
Nuevo pronstico (para la demanda de marzo) = 142 + 0,20 (153 142) = 142 + 2,2 = 144,2
As el pronstico de la demanda de marzo para los Ford Mustang se redondea a 144
Donde es la ponderacin, o constante de suavizamiento que tiene un valor entre 0 y 1. Matemticamente la ecuacin puede escribirse como:
Donde: Ft = nuevo pronstico Ft-1= pronstico del periodo anterior = constante de suavizamiento (o ponderacin) (0<= =>1) At-1= demanda real en el periodo anterior
La constante de suavizamiento () se encuentra generalmente en un intervalo de 0.05 a 0.50 para aplicaciones de los negocios. Pero puede cambiarse para dar mas peso a los datos recientes o mas peso a los datos anteriores. Seleccin de la Constante de Suavizamiento. El valor apropiado de la constante de suavizamiento puede hacer la diferencia entre un pronstico preciso y uno impreciso. Se eligen valores de cuando el promedio tiene probabilidades de cambiar. Se emplean valores bajos de cuando el promedio en que se basa es bastante estable. El objetivo de elegir esta constante es obtener el pronstico ms preciso.
La exactitud general de cualquier modelo de pronstico puede determinarse al comparar los valores pronosticados con los valores reales u observados. Se define como:
En la prctica se usan varias medidas para calcular el error global de pronstico. Estas medidas pueden usarse para comparar distintos modelos de pronsticos, as como para vigilar los pronsticos y asegurar su buen desempeo.
La primera medicin del error global de pronstico para un modelo es la desviacin absoluta media (MAD). Su valor se calcula sumando los valores absolutos de los errores individuales de pronstico y dividiendo el resultado entre el nmero de periodos con datos (n)
EJEMPLO.-
Durante los ltimos 8 trimestres, el Puerto de Baltimore ha descargado de los barcos grandes cantidades de grano. El Jefe de Operaciones del puerto quiere probar el uso de suavizamiento exponencial para ver que tan bien funciona la tcnica para predecir el tonelaje descargado. Supone que el pronstico de grano descargado durante el primer trimestre fue 175 toneladas. Se examinan dos valores de .
= 0,10 y = 0,50.
Pronstico
Trimestre 1 2 3 4 5 6 7 8 9
175
178
173 166 170 180 193 186 184
173 = 174,75+0,10 (159-174,75) 173 = 173,18+0,10 (175+173,18) 175 = 173,36+0,10(190-173,36) 178= 175,02+0,10(205-175,02) 178 = 178,02 + 0,10 (180-178,02) 179 = 178,22 + 0,10 (182-178,22)
Para evaluar la precisin de ambas constantes de suavizado, calculamos los errores de pronstico en trminos de desviaciones absolutas y MAD
Pronstico Redondeado con =0,10 175 176 175 173 173 175 178 178 Pronstico Redondeado con =0,50 175 178 173 166 170 180 193 186
Toneladas reales Trimestre 1 2 3 4 5 6 7 8 Descargadas 180 168 159 175 190 205 180 182
84
100 12,50
MAD =
desviaciones n
10,50
Con base en este anlisis, una constante de suavizado de =0,10 es preferible a =0,50 por que su MAD es ms pequea. Se debe encontrar la constante de suavizado con el menor error de pronstico.
El error cuadrtico medio (MSE) es una segunda forma de medir el error global de pronstico. El MSE es el promedio de los cuadrados de las diferencias encontradas entre los valores pronosticados y observados.
Pronstico
Redondeado con =0,10 175 176 175 173 173 175 178 178
2
(Error)
2
1 2 3 4 5 6 7 8
5 = 25
2 2
MSE =
(errores de pronstico) n
= 1.558 / 8 = 194,75
Usando un = 0,50 se obtendra un MSE de 201,5. Por lo tanto el = 0,10 es una mejor eleccin por que se minimiza el MSE.
El error porcentual absoluto medio (MAPE) calcula el promedio de las diferencias absolutas encontradas entre los valores pronosticados y los reales, y se expresa como un porcentaje de los valores reales.
1 2 3 4 5
100(5/180) = 2,77% 100(8/168) = 4,76% 100(16/159) = 10,06% 100(2/175) = 1,14% 100(17/190) = 8,95% 100(30/205) = 14,63% 100(2/180) = 1,11% 100(4/182) = 2,20%
6
7 8
205
180 182
175
178 178
= 45,62%
MAPE =
Para mejorar el pronstico, ilustraremos un modelo de suavizamiento exponencial mas complejo, uno que hace ajustes de tendencia. La idea es calcular un promedio suavizado exponencialmente de los datos y despus ajustar el retraso positivo o negativo encontrado en la tendencia. La nueva formula es:
Pronstico incluyendo la tendencia (FITt) = Pronstico suavizado exponencialmente (Ft) + tendencia suavizada exponencialmente (Tt)
Este procedimiento requiere dos constantes de suavizamiento: para el promedio y para la tendencia. Despus calculamos el promedio y tendencia para cada periodo
Ft = (Demanda real del ltimo periodo) +(1 ) (Pronstico del ltimo periodo + Tendencia estimada para el ltimo periodo)
(4-9)
Tt = (Pronstico de este periodo Pronstico del ltimo periodo) + (1-)(Tendencia estimada para el ultimo periodo)
(4-10)
Donde: Ft = pronstico suavizado exponencialmente de la serie de datos incluidos en el periodo t. Tt = tendencia suavizada exponencialmente en el periodo t. At = demanda real en el periodo t. = constante de suavizamiento para el promedio (0<= <=1) = constante de suavizamiento para la tendencia (0<= <=1)
Proyeccin de Tendencias
Mtodo de pronstico de series de tiempo que ajusta una recta de tendencia a una serie de datos histricos y despus proyecta la recta al futuro para pronosticar.
A travs del mtodo de Mnimos Cuadrados, encontramos la recta que mejor se ajuste a las observaciones reales.
Una recta de mnimos cuadrados se describe en trminos de su ordenada o interseccin con el eje y y su pendiente.
Si calculamos la pendiente y la ordenada, expresamos la recta con la siguiente ecuacin:
y = a + y a
b x
y gorro = valor calculado de la variable que debe predecirse (variable dependiente) = ordenada
Los profesionales de estadsticas han desarrollado ecuaciones que se utilizan para encontrar los valores de a y b para cualquier recta de regresin. La pendiente b se encuentra mediante:
b =
xy - n x y
x - nx
2 2
donde:
b = pendiente de la recta de regresin = signo de suma
a=
y - bx
A continuacin se muestra la demanda de energa elctrica en la ciudad de Puerto Montt, durante el ao 1997 al 2003, en kilowatt. El Jefe de Operaciones de la empresa SAESA, debe pronosticar la demanda para el 2004 ajustando una recta de tendencia a estos datos.
Ao
1997 1998 1999 2000 2001 2002 2003
Para simplificar, transformamos los valores de x (tiempo) en nmeros ms sencillos, como 1,2,3,4 Demanda de energa Ao
1997 1998 1999 2000 2001 2002 2003
Periodo (x)
1 2 3 4 5 6 7 X = 28
Elctrica (y)
74 79 80 90 105 142 122 y = 692
2
xy
74 158 240 360 525 852 854
1 4 9 16 25 36 49
x = 140
xy = 3.063
X = 28 =4 X= n 7
y y=
= 692 = 98,86 7
b =
xy - n x y x - nx
2 2
140- (7) ( 4 )
= 295 = 10,54 28
As, la ecuacin de mnimos cuadrados para la tendencia es y = 56,70 + 10,54 x. Para proyectar la demanda en el 2004, primero denotamos el ao 2004 en el nuevo sistema de cdigos como x = 8.
Estimamos la demanda para el 2005 insertando x = 9 en la misma ecuacin: Demanda en el 2005 = 56,70 + 10,54 (9)
= 151,56, o 152 Kilowatt.
Para comprobar la validez del modelo, graficamos la demanda histrica y la recta de tendencia. En este caso debemos tener cuidado y tratar de comprender el cambio en la demanda de 2002 a 2003.
Recta de tendencia y =56,70 + 10,54 x Demanda de energa
160
150
140
130 120 110 100 90 80
Demanda histrica
70 60
50
1997 1998 1999 2000 2001 2002 2003 2004 2005
Ao
Regresin Lineal
Regresin lineal simple:
Podemos usar el mismo modelo matemtico que usamos con el mtodo de mnimos cuadrados para la proyeccin de tendencias, con el fin de realizar un anlisis de regresin lineal. Las variables dependientes que deseamos pronosticar se simbolizan con y. Pero la variable independiente, x, ya no necesita ser el tiempo. Usamos la ecuacin.
y = a + y a
b x
= valor calculado de la variable que debe predecirse (variable dependiente) = ordenada, interseccin con el eje y.
Los siguientes datos relacionan las cifras de ventas de un bar de un pequeo Hotel, con el nmero de huspedes registrados esa semana:
semana
Huspedes
1
2 3 4
16
12 18 14
$330
270 380 300
200
150
100
50
12
16
20
Ventas, y
330
270 380 300 y = 1.280
Huspedes,x
16
12 18 14 X = 60
2
x
256
144 324 196
xy
5.280
3.240 6.840 4.200
x = 920
xy =19.560
X = 60 = 15 X= n 4
y y=
= 1.280 = 320 4
b =
xy - n x y x - nx
2 2
920- (4) ( 15 )
= 360 = 18 20
a = y - b x = 320 18(15) = 50
La ecuacin de regresin estimada es, por lo tanto,
y = 50 + 18 x
Ventas = 50 + 18 (huspedes)
Si el pronstico es de 20 huspedes la semana siguiente de cunto se esperan que sean las ventas?
y = 50 + 18 x
Ventas = 50 + 18 (huspedes)
Demanda histrica
200
150
100
50
12
16
20