11

Previsin de la demanda

Gestin de OperacionesLuis G. Acosta Espejo

2

Pronsticos de Demanda y Monitoreo de Errores

Temas a tratarGestin de la demanda.Principios de los pronstico.Exactitud de un pronstico: medicin y fuentes de error.Modelos adaptativos de pronsticos.

23

Gestin de Demanda Clientes Internos y Externos

Promociones, Polticas de Precio, etc.

Planeacin y proyeccin de ventas y Pronsticos.

OfertaDemanda

4

Demanda Dependiente Independiente

La cantidad prevista se representa generalmente por nico nmero.

La cantidad prevista se representa generalmente por nico nmero.

35

Importancia del pronstico de la Demanda

cunto producir?

Proceso (arte y ciencia) de predecir eventos futuros.El pronstico es la nica estimacin de la demanda hastaque se conoce la demanda real.

Inputs Operaciones Outputs

Planear los niveles adecuados de recursos.

Utilizados tanto en procesos pull (capacidad e inventario) y push.

6

Principios de los pronsticosLas previsiones no son perfectas: Debe incluir el valor del

pronostico y una medida de error. Ventas esperadas = [100,1900] Promedio=1000. Ventas esperadas = [900,1100] Promedio=1000.

Las previsiones son ms exactas para grupos o familias de tems que para tems individuales (coeficiente de variacin menor).

Las previsiones son ms exactas para horizontes de tiempo ms cortos que para los mayores.

47

Etapas del proceso de previsin

Decidir qu pronosticar:

Ventas o demandaNivel de detalle: producto o familia Influencia de un producto sobre otroUnidades del pronsticoExtensin en tiempo

Evaluar y analizar datos apropiados

Datos necesarios y datos disponibles Identificar patrones en los datos

Seleccionar y probar el modelos de pronstico:

Definir criterios de seleccinReducir el nmero de opciones

Realizar el pronsticoMonitorear la exactitud de la previsin

8

Factores a considerar al seleccionar un mtodo de previsin

La precisin deseada del pronstico El costo del procedimiento Los periodos futuros a proyectarse Validez y disponibilidad de datos histricos Naturaleza de los productos o servicios

Considerar las fuentes de abastecimiento (tiempos de aprovisionamiento cortos mayor precisin pronsticos).

Precisin y objetividadSensibilidad

Se debe buscar

59

Tipos de pronsticos

Pronsticos econmicos, buscan identificar el ciclo del negocio, generan indicadores tales como: Tasas de inflacin Construccin de vivienda Suministros de dinero

Pronsticos tecnolgicos, ndices de progreso tecnolgico:Predecir nuevos cambios tecnolgicosPredecir la demanda de nuevos productos.

Pronsticos de la demanda Predecir la demanda de productos existentes.

10

Mtodos de Pronstico

Mtodos cualitativos o subjetivos. Mtodos cuantitativos:

Mtodos de extrapolacin (ejm, series de tiempo). Mtodos causales. Simulacin.

Se recomienda equilibrar los factores objetivos y subjetivos al pronosticar la demanda

611

Error de la previsin

Donde: xt, valor observado en el periodo t Ft, valor previsto para el periodo t et, error en la previsin del periodo t

t=1,2,3,....,n.

12

Fuentes de error

Error sistemtico:Es el que se comete consistentemente, como por ejemplo excluir variables correctas, utilizar relaciones errneas entre variables, etc.

Error aleatorio:Aquellos que no se pueden explicar con el modelo de pronstico.

713

Monitoreo y control

14

Discriminar entre pronsticos

815

Monitoreo del Pronstico Uso medidas que indiquen si el pronstico es confiable y

puede usarse.

16

Seal de rastreo - Grfica

Tiempo

Control -Lmite inferior

Control -Lmite superior

SR excede el lmite

Seal de rastreo

Rango aceptable

+

0

-

917

Tiempo (Aos)

Error

0

Patrn deseable

Tiempo (Aos)

Error

0

No deseable

Patrn para error del pronstico

18

Mtodos de Extrapolacin

Series de Tiempo

10

19

Series de Tiempo

Se refieren a la medicin de un conjunto ordenado de valores de una variable en el tiempo (observado a intervalos espaciados uniformemente).

Ejemplo: Se puede usar directamente?

Ao 1 Ao 2 Ao 4 Ao 5 Ao 6Ventas: 78,7 63,5 89,7 93,2 92,1

El objetivo de la recopilacin de la informacin histrica es identificar un patrn bsico en su comportamiento, que permita la proyeccin futura de la variable deseada.

20

Componentes de una serie de Tiempo

Ao1

Ao2

Ao3

Ao4

Estacional Tendencia

Demanda

actual

Demanda promedio

en 4 aos

Dem

anda del producto o servicio

Variacin

aleatoria

11

21

Metodologa de trabajoObjetivo:

Identificar las componentes y postular procesos adecuados para estimarlos.

Cul es el nivel de participacin de cada componente en los datos?

Luego que los efectos son medidos, el pronstico requiere que reincorporemos las componentes en las estimaciones del pronstico.

22

Mtodos para pronosticar por series de tiempo

Predecir el componente sistemtico de la demanda y estimar el componente aleatorio.

Meta:

= f(nivel, tendencia, estacional).Componente sistemtico

F T SL

12

23

Mtodos para pronosticar por series de tiempo

Existen diversas formas posibles de adoptar: Multiplicativo:

componente sistemtico = nivel x tendencia x factor estacional.Aditivo:

componente sistemtico = nivel+tendencia+factor estacional.Mixto:

componente sistemtico = (nivel+tendencia) x factor estacional.

Ejemplo: Un modelo aditivo

Perodo

| | | | | | | | | | | | | | | |0 2 4 5 8 10 12 14 16

Dem

anda

13

Ejemplo: Un modelo multiplicativo

Perodo

Dem

anda

| | | | | | | | | | | | | | | |0 2 4 5 8 10 12 14 16

26

Algunos mtodos

Veremos mtodos adaptativos, donde nivel, tendencia y estacionalidad se actualizan despus de cada observacin de la demanda.

Los modelos adaptativos ms usados son: Promedios mviles Suavizamiento Exponencial Mtodo de Holt Mtodo de Winters

14

27

Promedios Mviles

Es una tcnica que se utiliza en pronsticos a corto plazo.

Entrega, como previsin, la media de los datos de algunos perodos recientes.

Requiere de una serie histrica para obtener el valor a pronosticar

Componente sistemtico = nivel

28

Observaciones

Los promedios mviles son tiles en series de tiempo que fluctan en torno a un nivel base constante:

Nivel base para la serie

Variacin aleatoria en el periodo t respecto al nivel base.

15

29

Ejercicio

Para cul de estas series se ajusta mejor los promedios mviles? Justifique su respuesta.

En funcin de su respuesta anterior Cul es el mejor valor para el nmero de periodos usados para calcular el promedio mvil (parmetro n)?

30

Suavizamiento Exponencial

Asume que el valor de prediccin de los datos disminuye mientras ms antiguos sean.

El nombre se debe a que con cada incremento del tiempo, el peso del pasado se reduce en (1 - ) .

Para realizar el pronstico slo se necesitan tres datos: el pronstico ms reciente, la demanda que se present para ese perodo y una constante de suavizamiento

antiguas

recientesComponente sistemtico = nivel

16

31

Mtodo

Ft+1 : es el pronstico hecho en el perodo t, para el perodo t+1.

32

Constante de suavizamiento ()

tiene un valor entre 0 y 1. Esta constante determina el nivel de suavizamiento y la

velocidad de reaccin ante las diferencias entre pronsticos y hechos.

Si la demanda real es estable, un pequeo reduce los efectos de cambios a corto plazo. Si la demanda real aumenta o decrece con rapidez un de gran magnitud puede seguir el ritmo de los cambios.

Si el valor de que minimiza el MAD es > a 0,5 quiere decir que la serie posee tendencia, estacionalidad o variacin cclica.

Cmo determinar el mejor valor para ?

17

33

Ejercicio

Para cul de estas series se ajusta mejor el suavizamiento exponencial? Justifique su respuesta.

En funcin de su respuesta anterior Cul es el mejor valor para la constante de suavizamiento?

34

Mtodo de Holt

Utilizado para pronosticar demandas con tendencia lineal. Este mtodo separa la serie en dos componentes: nivel

base (Lt) y tendencia (Tt). Para cada componente realiza una estimacin suavizada.

Ejm. Si L20=20 y T20=2, quiere decir que despus de observar x20, opinamos que el nivel base de la serie es 20 y que ste nivel aumenta 2 unidades por periodo.

Componente sistemtico = nivel + tendencia

18

35

Mtodo de Holt (2) Sean y las constantes de suavizamiento, cada una

entre 0 y 1.

El pronstico para xt+k realizado al final del periodo t, est dado por:

Componente sistemtico = nivel + tendencia

36

EjemploUna empresa tuvo los siguientes ingresos en el perodo de febrero

a julio

Use el mtodo de Holt para pronosticar los ingresos. Suponga que el pronstico inicial para febrero es de 65.000 dlares y el ajuste de tendencia inicial 0. Los valores posibles para las constantes de suavizamiento son de =0,1; 0,5; 0,9 y =0,2.

a)Si se asume que el nivel base es estable Cul es pronstico de ingreso para los meses de agosto y diciembre?

b)Usted considera confiable este pronstico? Justifique su respuesta.

19

37

Ejercicio

Para cul de estas series se ajusta mejor el mtodo de Holt? Justifique su respuesta.

En funcin de su respuesta anterior, determine la mejor combinacin de las constantes de suavizamiento

38

Mtodo de Winters

Considera que la serie en tres componentes nivel base (Lt), tendencia (Tt) y estacional (St). En este caso utilizaremos Stcomo una estimacin para el factor multiplicativo estacional para el mes t.

La actualizacin de estas estimaciones se realiza despus de observar xt.

Observacin: Periodicidad p de los datos, se refiere al nmero de periodos en la duracin del patrn estacional.Ej. p=4 en el caso trimestral.

Componente sistemtico = (nivel + tendencia) x factor estacional

20

39

Mtodo de Winters (2) Sean , y las constantes de suavizamiento, cada una

entre 0 y 1.

El pronstico para xt+k realizado al final del periodo t, est dado por:

40

Mtodo de Winters - Observaciones Se requieren valores iniciales para:

L0 T0 S0, S-1, S-2,, S-p+1.

Se requiere determinar la mejor combinacin de parmetros , , .

La actualizacin de cada factor estacional se realiza pocas veces (cada 1/p de todos los periodos). Se requiere dar ms peso a cada observacin, por lo tanto valores de >0, no es imposible.

21

4141

Ejercicio

Para cada una de las series, obtenga el pronstico para el mes 30.

Evale el desempeo del pronstico.

42

Lectura complementaria

Winston, W. Captulo 24 Modelos para pronsticos. Heizer, J.; Render, B. Captulo 4, Pronsticos. Stadtler, H.; Kilger, C. Captulo 7 Demand Planning.