Upload
tomas-saavedra-carabantes
View
43
Download
0
Embed Size (px)
DESCRIPTION
pronosticos de demanda
Citation preview
GESTIÓN DE LA PRODUCCIÓN
Y OPERACIONES
Mayo 2015
Profesor: Francisco Yuraszeck
Ingeniero Comercial Universidad Técnica Federico Santa María
Master of Science en Marketing Universidad Adolfo Ibáñez
Socio Individual Instituto Chileno de Investigación Operativa (ICHIO)
PRONÓSTICOS DE
DEMANDA
Pronósticos de Demanda y Monitoreo
de Errores
Los pronósticos son vitales para toda organización de
negocios, así como para cualquier decisión importante de la
gerencia.
El pronóstico es la base de la planeación corporativa a largo
plazo.
Los pronósticos al ser la base del plan de producción,
cumplen un rol fundamental en las decisiones táctico
operacionales.
Por lo regular un pronóstico perfecto es imposible.
¿Por qué?
Ejemplos
Sony subestimó su demanda de Playstation 2, teniendo los clientes que esperar semanas para recibir sus consolas
Microsoft Xbox pensó que sería un éxito similar. Al tener más de 100.000 unidades en las tiendas sin vender, tuvo que reducir el precio en $100 USD.
Las dosis de vacunas de influenza el 2002-2003 se sobreestimaron, debiendo destruir 12 millones de dosis (de un total de 95 millones).
El año siguiente se produjeron 87 millones, pero ese año hubo escasez causando muchas muertes, especialmente en Colorado.
Nike 2003 usó un nuevo sistema computarizado para estimar la demanda, sin mayor revisión del resultado que entregaba el software
Nike perdió 108 millones de dólares en ventas, y su acción cayó un 33%.
Justo antes del lanzamiento del Iphone, Goldman Sachs aumentó la estimación de ventas del primer fin de semana de 350.000 a 700.000 unidades, y la demanda total de 4 a 5.3 millones de unidades
El primer fin de semana Apple no vendió todo sus equipos, cayó su acción un 6.1% y 2 meses después tuvo que reducir el precio del Iphone en $200 USD.
4
Ciclo del Pronóstico de Demanda
Formular el
problema
Obtener
Información
Selección de un
método
Implementar el
método
Evaluar el
método Usar el pronóstico
Pronósticos de Demanda y Monitoreo
de Errores
Se debe buscar el mejor método de pronóstico disponible
dentro de lo razonable.
La revisión y la actualización continua tomando en cuenta la
información nueva son básicas para pronósticos exitosos.
Fuentes básicas de la Demanda
Existen dos fuentes básicas de la demanda: dependiente e
independiente.
Demanda Dependiente: es la demanda de un producto o
servicio provocada por la demanda de otros productos o
servicios.
Demanda Independiente: no se deriva directamente de la
demanda de otros productos.
Fuentes básicas de la Demanda
Por ejemplo, si una empresa vende 1.000 triciclos, entonces se
van a necesitar 1.000 ruedas delanteras y 2.000 traseras. Este
tipo de demanda interna no necesita un pronóstico, sino sólo una
tabulación (demanda dependiente).
Por otra parte la cantidad de triciclos que la empresa podría
vender es la demanda independiente.
Fuentes básicas de la Demanda
En cuanto a la demanda independiente, una empresa puede
adoptar distintas estrategias:
1) Adoptar un papel activo para influir en la demanda (a
través de un mix de las variables del marketing operativo)
2) Adoptar un papel pasivo y simplemente responder a la
demanda.
Métodos de Pronósticos
El pronóstico se puede clasificar en cuatro tipos básicos:
Cualitativo o subjetivos
Análisis de series de tiempo
Relaciones causales
Simulación
Métodos de Pronósticos
Aplicación de
los
Pronósticos
Horizonte de
Tiempo
Exactitud
Requerida
N° de
Productos
Nivel
Administrativ
o
Método de
Pronóstico
Diseño de
Procesos Largo Plazo Mediana Uno o Pocos Alto
Cualitativos y
Causales
Planeación de
Capacidad de
Instalaciones
Largo Plazo Mediana Uno o Pocos Alto Cualitativos y
Causales
Planeación
Agregada
Mediano
Plazo Alta Pocos Medio
Causales y
Series de
Tiempo
Programación
de
Actividades
Corto Plazo Superior Muchos Bajo Series de
Tiempo
Administració
n de
Inventarios
Corto Plazo Superior Muchos Bajo Series de
Tiempo
Métodos de Pronósticos
La selección de la técnica de pronóstico a utilizar está influida
por diversos factores:
La precisión deseada del pronóstico
El costo del procedimiento
Los periodos futuros a proyectarse
La disponibilidad de personal calificado
Validez y disponibilidad de datos históricos
Se debe buscar:
Precisión y objetividad
Sensibilidad
Métodos Cualitativos o Subjetivos
Es utilizado cuando los métodos cuantitativos basados en
información histórica no pueden explicar por si solos el
comportamiento futuro esperado de alguna de sus variables, o
cuando no existen suficientes datos históricos.
Este tipo de métodos son subjetivos, basados en juicios y
opiniones.
Métodos Cualitativos o Subjetivos
Técnicas acumulativas: Deriva un pronóstico a través de la
compilación de entradas de aquellos que se encuentran al final
de la jerarquía y que tratan con lo que se pronostica. Por
ejemplo, un pronóstico de ventas se puede derivar combinando
las entradas de cada uno de los vendedores que están más
cerca de su territorio.
Investigación de Mercados: Se establece para recopilar datos
de varias formas (encuestas, entrevistas, etc) con el fin de
comprobar hipótesis acerca del mercado. Por lo general, se usa
para pronosticas ventas a largo plazo y de nuevos productos.
Métodos Cualitativos o Subjetivos
Grupos de Consenso: Intercambio libre en reuniones. La idea
es que la discusión en grupo produzca mejores pronósticos que
cualquier individuo. Los participantes pueden ser ejecutivos,
vendedores o clientes.
Analogía Histórica: Relaciona lo pronosticado con un artículo
similar. Es importante al planear nuevos productos en los que las
proyecciones se pueden derivar mediante el uso del historial de
un producto similar.
Métodos Cualitativos o Subjetivos
Método Delphi: Es probablemente la técnica cualitativa que más se utiliza.
Un grupo de expertos responde un cuestionario. Un moderador recopila los
resultados y formula un nuevo cuestionario que se presenta al grupo. Por lo
tanto existe un proceso de retroalimentación para el grupo mientras recibe
información nueva. No existe influencia por la presión del grupo o individuos
dominantes.
Métodos Causales
Proyección del mercado en base a datos históricos.
Buscar la causa del comportamiento de la variable a
proyectar relacionándola con variables explicativas.
Las variables explicativas son variables independientes, que
determinan en consecuencia las variables a proyectar.
Métodos Causales
Los modelos causales de uso más frecuente son:
Modelo de Regresión
Modelo Econométrico
Método de encuestas de intenciones de compra
Modelo de insumo-producto
Modelos de Serie de Tiempo
Se refieren a la medición de una variable en el tiempo a
intervalos espaciados uniformemente.
El objetivo de la identificación de la información histórica es
determinar un patrón básico en su comportamiento, que permita
la proyección futura de la variable deseada.
Por ejemplo, las ventas trimestrales recopiladas durante los
últimos años se pueden utilizar para pronosticar los trimestres
futuros.
Componentes de la Serie de Tiempo
En una serie histórica de datos existen cuatro patrones básicos
que pueden o no presentarse en dicha serie:
La tendencia
La estacionalidad
El componente cíclico
La componente no sistemática
20
Tiempo
Ca
ntid
ad
Tiempo
Ca
ntid
ad
Tiempo
Ca
ntid
ad
Demanda sin tendencia
ni estacionalidad
Demanda con tendencia
Demanda con estacionalidad
Año 2
Año 1
Componentes de la Serie de Tiempo
Modelos de Proyección (ST)
Los modelos de series de tiempo más usados son:
Promedios de Móviles Simples
Promedios de Móviles Ponderados
Alisamiento (o Suavizamiento) Exponencial
Método de Descomposición
Promedios Móviles Simples
Cuando la demanda de un producto no crece ni baja con
rapidez y si no tiene características estacionales, un promedio
móvil puede ser útil para eliminar las fluctuaciones aleatorias
del pronóstico.
Es una técnica que se utiliza en pronósticos a corto plazo.
Es un método que requiere de una serie histórica para obtener
el valor a pronosticar.
Promedios Móviles Simples
Esta técnica tiene algunas limitaciones:
Requiere mucha información
No se adapta rapidamente al cambio. Cuanto más largo sea
el periodo del promedio móvil, más se uniformarán los
elementos aleatorios, pero si existe una tendencia en los datos,
el promedio móvil tiene la característica adversa de retrasar la
tendencia. Por lo tanto, aunque el periodo más corto produce
más oscilación, existe un seguimiento cercano a la tendencia.
Promedios Móviles Simples
La fórmula de un promedio móvil simple es:
Promedios Móviles Simples (Ejemplo)
Promedios Móviles Simples (Ejemplo)
Pronóstico de la demanda para promedios móviles de tres y
cinco semanas comparados con la demanda:
Promedio Móvil Ponderado
Permite asignar cualquier importancia a cada elemento siempre
y cuando la suma de todas las ponderaciones sea igual a uno.
La experiencia y las pruebas son las formas más sencillas de
elegir las ponderaciones.
Por regla general, el pasado más reciente es el indicador más
importante de lo que se espera en el futuro y, por lo tanto,
debe tener una ponderación más alta.
No obstante, si los datos son estacionales, las ponderaciones se
deben establecer en forma correspondiente.
Promedio Móvil Ponderado
Cuando existe una tendencia, las ponderaciones pueden ser
utilizados para poner más énfasis en los valores recientes.
Donde:
At-i : demanda real del periodo (t-i)
n : número de periodos incluidos en el promedio
pt-i: ponderación del periodo (t-i);
Ft : pronostico para el periodo t
Consideremos el siguiente ejemplo para obtener un promedio
ponderado para 3 semanas utilizando las siguientes
ponderaciones:
SEMANA DEMANDA SEMANA DEMANDA
1 800 16 1700
2 1400 17 1800
3 1000 18 2200
4 1500 19 1900
5 1500 20 2400
6 1300 21 2400
7 1800 22 2600
8 1700 23 2000
9 1300 24 2500
10 1700 25 2600
11 1700 26 2200
12 1500 27 2200
13 2300 28 2500
14 2300 29 2400
15 2000 30 2100
Promedio Móvil Ponderado
N-1 70% N-2 20% N-3 10%
Promedio Móvil Ponderado
Promedio Móvil Ponderado
0
500
1.000
1.500
2.000
2.500
3.000
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
DEMANDA
N=3
N=9
Prom. Pond
Alisamiento Exponencial
En estos métodos, cada vez que se añade un nuevo dato, se
elimina la observación más antigua y se calcula el nuevo
pronóstico.
Considera válida la premisa de que la importancia de los datos
disminuye mientras más antiguos sean.
El alisamiento o suavización exponencial es una de las técnicas
más utilizada de pronóstico.
Alisamiento Exponencial
El nombre se debe a que cada incremento del pasado se
reduce en (1 - α). Para realizar el pronóstico sólo se necesitan
tres datos: el pronóstico más reciente, la demanda que se
presentó para ese período y una constante de suavizamiento α.
Donde:
F(t) = El pronóstico suavizado exponencialmente para el
periodo t
F(t-1) = El pronóstico suavizado exponencialmente para el
periodo anterior
A(t-1) = La demanda real para el periodo anterior
α = El índice de respuesta deseado o constante de alisamiento
Constante α : Alisamiento Exponencial
α tiene un valor entre 0 y 1.
Esta constante determina el nivel de suavizamiento y la
velocidad de reacción ante las diferencias entre pronósticos y
hechos.
Si la demanda real es estable, un α pequeño reduce los
efectos de cambios a corto plazo.
Si la demanda real aumenta o decrece con rapidez un α de
gran magnitud puede seguir el ritmo de los cambios.
La principal desventaja de este método es que no se puede
pronosticar el valor de α.
Se requiere un método para rastrear y cambiar los valores
de α, de manera de ajustarlo a los datos reales.
Alisamiento Exponencial
Para poner en marcha el método de alisamiento exponencial se
requiere de un pronostico inicial. Hay dos formas de realizar el
pronostico inicial.
Usar la demanda del último periodo.
Calcular el promedio de varios periodos recientes de
demanda.
Ejemplo: Alisamiento Exponencial
Ejemplo: Alisamiento Exponencial
Ejemplo: Alisamiento Exponencial
0
500
1.000
1.500
2.000
2.500
3.000
3.500
ENE FEB MAR ABR MAY JUN JUL AGO SEP OCT NOV DIC
DEMANDA ALFA = 0,1 ALFA = 0,5 ALFA = 0,9
El suavizamiento exponencial requiere de dar a la constante α
un valor entre 0 y 1.
Si la demanda real es estable (como la demanda de
electricidad o alimentos), sería deseable un α pequeño para
reducir los efectos de los cambios a corto plazo o aleatorios.
Si la demanda real aumenta o disminuye con rapidez (como en
los artículos de moda) se busca un α grande para tratar de
seguir el paso al cambio.
Constante α : Alisamiento Exponencial
Considera simultáneamente los patrones de una serie histórica
de datos:
La tendencia
El componente cíclico
El componente estacional
Componente no sistemático
Métodos de Descomposición
El método de descomposición considera que los cuatro
componentes se relacionan a través de:
S= T × C × Y + μ
Donde:
S= Valor pronosticado
T= Factor de tendencia
C= Componente cíclico
Y= Componente estacional
μ= Variación no sistemática
Métodos de Descomposición
Ejemplo: Métodos de Descomposición
Ejemplo: Métodos de Descomposición
Paso 1 Calcular el factor de
estacionalidad, realizando el
cuociente entre el valor
pronosticado según el
promedio móvil y el valor real
de la demanda.
Ejemplo: Métodos de Descomposición
Paso 2 Se calcula el factor de estacionalidad promedio para cada
período.
Ejemplo: Métodos de Descomposición
Paso 3 Ajustar cada factor promedio, multiplicándolo por el factor de
estacionalidad K, calculado de:
En nuestro ejemplo:
Ejemplo: Métodos de Descomposición
Paso 4 Calcular la tendencia, ajustando los datos a una regresión
simple:
x(i) =1,2,...48 (períodos)
y(i) = dda(i) (demanda)
y = mx + b con m = -36.6 ; b= 25.465
=> s(t) = -36,6*t + 25.465
Ejemplo: Métodos de Descomposición
Ejemplo: Métodos de Descomposición
y = -36,648x + 25465R² = 0,008
0
5.000
10.000
15.000
20.000
25.000
30.000
35.000
40.000
45.000
1 3 5 7 9 11 13 15 17 19 21 23 25 27 29 31 33 35 37 39 41 43 45 47
Recuerde Para encontrar los valores de las variables a y b, en cualquier
línea de regresión, se pueden utilizar las siguientes ecuaciones.
Ejemplo: Métodos de Descomposición
Paso 5 Se calcula el factor cíclico de la serie histórica a partir de la
siguiente expresión:
En nuestro ejemplo:
Enero 1991 t = 13
Ejemplo: Métodos de Descomposición
Paso 6 Determinar el factor cíclico promedio para cada período
Ejemplo: Métodos de Descomposición
Paso 7
Se realiza el pronostico en base a la siguiente relación
S(t)= T(t) × Y × C + μ
Donde:
S= Valor pronosticado
T= Factor de tendencia
C= Componente cíclico
Y= Componente estacional
μ= Variación no sistemática
Ejemplo: Métodos de Descomposición
En nuestro ejemplo:
Enero de 1994 t=49
T(49) = -36,6*49+25.465 = 23.672
Y = 146,5/100
C = 1,0051
=> S(49) = 34.785
Ejemplo: Métodos de Descomposición
El término error se refiere a la diferencia entre el valor del
pronóstico y lo que ocurrió en la realidad.
La demanda de un producto se genera mediante la interacción
de varios factores demasiado complejos para describirlos con
precisión en un modelo. Por lo tanto, todas las proyecciones
contienen algún grado de error.
Al analizar los errores de pronóstico, es conveniente distinguir
entre las fuentes de error y la medición de errores.
Errores de Pronósticos
Los errores se pueden clasificar como sesgados o aleatorios.
Los errores sesgados ocurren cuando se comete un error
consistente. Las fuentes de sesgo incluyen el hecho de no incluir
las variables correctas, el uso de relaciones equivocadas entre
las variables, etc.
Los errores aleatorios se definen como aquellos que el modelo
de pronóstico utilizado no puede explicar.
Fuentes de Error
Varios términos comúnmente empleados para describir el grado
de error son el error estándar, error cuadrado medio (o
varianza) y desviación absoluta media (MAD).
La desviación absoluta media (MAD) es el error promedio en
los pronósticos, mediante el uso de valores absolutos.
Es valiosa porque, al igual que la desviación estándar, mide la
dispersión de un valor observado en relación con un valor
esperado.
En resumen la MAD es igual a la suma de las desviaciones
absolutas dividida entre el número de períodos.
Medición de Errores
Recuerde que el error de un pronóstico se define como:
E(t) = A(t) – F(t)
Donde:
A(t) : demanda real del periodo t.
F(t) : pronostico para el periodo t.
E(t) : error en el periodo t.
Medición de Errores
La expresión para la Desviación Media Absoluta (MAD) es:
Medición de Errores
Desviación Estándar del Error es:
Cuando los errores que ocurren en el pronóstico tienen una
distribución normal (el caso más común) la desviación absoluta
media se relaciona con la desviación estándar como:
1 desviación estándar ≈ 1,25 MAD
Por el contrario
1 MAD ≈ 0,8 desviaciones estándar
Desviación Absoluta Media (MAD)
Desviación Absoluta Media (MAD)
TS (#
MADs)
% datos dentro
del rango
+- 1 57.62 %
+-1.5 76.98%
+-2 89.04%
+-3 98.36%
+-4 99.86%
Una manera de monitorear los pronósticos para asegurar que
se están llevando a cabo en forma adecuada es el empleo de
una señal de rastreo.
Una señal de rastreo es una medida de desempeño de la
efectividad del pronostico, al predecir los valores reales. Al
actualizar los pronósticos en forma semanal, mensual o
trimestral, el nuevo valor disponible de la demanda se compara
con los valores pronosticados.
Señal de Rastreo
La señal de rastreo se calcula como la suma de los errores de los
pronósticos dividido entre la desviación media absoluta.
El numerador de la señal de rastreo consiste en la suma corriente de
los errores pronosticados, considerando la naturaleza del error (por
ejemplo, los errores negativos cancelan los positivos y viceversa)
Señal de Rastreo
Ejemplo
Es posible formarse una mejor idea sobre lo que la MAD y la
señal de seguimiento significan trazando los puntos en una
gráfica. Aunque esto no es completamente legitimo dado el
tamaño de la muestra de nuestro ejemplo, se grafica cada mes
de modo de mostrar el cambio en la señal de seguimiento.
Comentarios
Observe que cambió de menos 1 MAD a más 3.3 MAD. Esto
sucedió porque la demanda real fue mayor que el pronóstico
en cuatro de los seis periodos.
Si la demanda real no cayera por debajo del pronóstico para
compensar el numerador de la señal de rastreo positiva
continua, la señal de seguimiento seguiría aumentando y se
llegaría a la conclusión de que suponer una demanda de 1.000
mensual constituye un mal pronóstico.
Comentarios
Comentarios
Los límites aceptables para la señal de seguimiento dependen
del tamaño de la demanda pronosticada (los artículos de
volumen alto o ingreso alto se deben vigilar con frecuencia) y la
cantidad de tiempo del personal disponible (los límites
aceptables más estrechos hacen que mayor cantidad de
pronósticos estén fuera de los límites y por lo tanto requieren de
más tiempo para investigarlos).