Mtodos de Pronsticos

Mtodos de PronsticosP. Reyes / enero 20101

http://renovables.wordpress.com/2008/03/PronsticosEl Pronstico de la Demanda en el Futuro es esencial para el manejo adecuado de la Cadena de Suministro.

http://core.ecu.edu/econ/rothmanp/bci_forecasts.htm2PronsticosCul ser la demanda del cliente por determinado producto en el futuro?En qu parte del proceso est el Inventario?

http://www.psychicguild.com/forecasting/3Patrones de demandaRelaciona cantidades demandadas con respecto al tiempo.

Por Temporada: los datos muestran consistentemente picos y valles.

Cclico: se observan incrementos y decrementos sobre diferentes perodos4Patrones de demandaComponenteDescripcinTendencia Es el componente de largo plazo que representa el crecimiento o disminucin en la serie sobre un periodo amplio. Cclico Es la fluctuacin en forma de onda alrededor de la tendencia. Estacional Es un patrn de cambio que se repite a s mismo perodo tras perodo ( ao tras ao, mes con mes, da con da, etc.) Aleatorio Mide la variabilidad de las series de tiempo despus de retirar los otros componentes (tendencias, ciclos, estacionalidad, etc.).5Patrones de demanda

http://www.monografias.com/trabajos61/gestion-compras-manejo-inventarios/gestion-compras-manejo-inventarios2.sh6Patrones de demanda

http://html.rincondelvago.com/ciclo-economico.html7Patrones de demandaUna curva en S es tpica del crecimiento del producto y el ciclo de madurez

http://samscam.co.uk/blog/4108Patrones de demanda

Extrapolacin tecnolgica9reas de toma de decisionesDecisiones importantes

ManufacturaPlaneacin de la produccinControl de InventariosPlaneacin Agregada

FinanzasInversin de Planta/ EquipoPlaneacin de Capital

PersonalPlaneacin de Fuerza de TrabajoContrataciones

MercadotecniaAsignacin de fuerza de trabajoPromocionesIntroduccin de Nuevos Productos

10Bases para pronsticosDatos histricos para proyectar el futuro en base a modelos matemticos.Prediccin del futuro subjetiva o intuitivaModelos causales de regresin

http://www.monografias.com/trabajos53/tasa-libor/tasa-libor2.shtmlhttp://elauladenfrente.blogspot.com/2008_08_01_archive.html11Horizonte de planeacinHorizonte de tiempoCorto plazo(0-3 meses)Mediano Plazo(3 meses- 2 aos)Largo Plazo(ms de 2 aos)Nivel de PronsticoProductos y servicios IndividualesVentas Totales/ Familias de Productos y ServiciosVentas Totalesrea de DecisinManejo de InventariosPrograma de ensamble FinalPrograma de fuerza de trabajoMPSPlaneacin de puestos directivosPlaneacin de la produccinMPSProcuracinDistribucin Localizacin de InfraestructuraPlaneacin de la capacidadGerencia de ProcesosTcnica de PronsticoSeries de tiempo/Registro Lineal/Pronstico cualitativoRegresin Lineal/Pronstico CualitativoRegresin Lineal/ Pronstico Cualitativo1212Informacin para el pronsticoDemanda en el pasado (Tendencia)Publicidad y esfuerzo del rea de MercadotecniaPosicin de VentasEconomaManejo de Descuentos en PreciosAcciones y Posicin de los competidores

13Insumos para la planeacinCondiciones del MercadoAcciones de la competencia

Gustos del Consumidor

Ciclo de vida de los productos

Estacin del ao

Planes de los clientesPanorama Econmico

Situacin del ciclo de los negocios

Indicadores LderesPrecios de las accionesRendimiento de los bonosPrecios de materialesOferta de dineroCierre de NegociosDesempleoOtros Factores

Legales

Polticos

Sociales

Culturales1414Insumos para la planeacinPlan de Mercadotecnia

Publicidad

Fuerza de ventas

Precio

Ventas histricas

Canales de ComercializacinPlan de ProduccinNivele y gestin de la calidad en el proceso de produccin

Servicio al cliente

Capacidad

Costos

Plan Financiero

Polticas de crdito

Polticas de facturacin

Manejo Financiero de recursos

1515Influencia del ciclo de vida del productoLos bienes y servicios no se venden en forma constante a travs de su vida en el mercado.

http://blogs.creamoselfuturo.com/industria-y-servicios/2007/04/24/creacion-de-empresas-e-innovacion-a-traves-del-ciclo-de-vida/print/1616Enfoques para pronsticosModelos de Decisin para PronsticosPronsticos Cuantitativos

Modelos MatemticosDatos Histricos

Pronsticos Cualitativos

Aspectos subjetivosIntuicin, emociones, experienciasSistema de Valores

17Forecasting ModelsPronsticos cualitativosGrass roots fuerza de ventas tendencias de clientes

http://technet.microsoft.com/en-us/library/bb687375.aspx19Grass roots Forecasting Se basa en cuestionar al personal cercano al cliente, tales como vendedores y distribuidores estables y con experiencia, sobre lo que piensan vender el siguiente periodo para considerarse en el pronstico.

Implica distraer a la fuerza de ventas y puede ser sesgado. Los pronsticos pueden ajustarse con base en la correlacin histrica de la opinion de la fuerza de ventas y las ventas reales.

http://firgoa.usc.es/drupal/node/41923/print20Pronsticos cualitativosInvestigacin de mercado

http://www.elg-asesores.com/servicios.html21

http://customerservicevoodoo.wordpress.com/2009/05/Investigacin de mercadoPermite determinar si hay demanda suficiente para el producto o servicio

Permite determinar las necesidades y deseos del cliente actual o potencial

Hay dos tipos de investigacin de mercado: primaria y secundaria22Investigacin de mercadoIM Primaria: informacin directa de clientes actuales o potenciales, ms costosa

Encuestas (mail, telfono, cara a cara)

Grupos focales (6 10)Se comentan problemas y bondades del producto

Entrevistas individuales

23Investigacin de mercadoIM secundaria: informacin que alguien ms ha colectadoReportes / estudiosPeridicosRevistasBibliotecas (datos estadsticos)Organismos gubernamentalesEstadsticas en WebAsociaciones comerciales e industriales

24Investigacin de mercadoIM mientras opera el negocioReportes de ventas (seguir productos)

Competencia (cambios)

Encuestas de clientes

Identificar las zonas desde donde llaman los clientes

25Pronsticos cualitativosConsenso de expertos (evitar juicio de ejecutivos)

http://www.ravenwerks.com/?p=726Pronsticos cualitativosAnaloga histrica (geogrfica o histrica)Ver comportamiento de productos anlogos

http://www.chromaservices.ca/multimedia_services/convert_vhs_to_dvd.htmlhttp://www.hdtvexpert.com/pages_b/toshiba_HD-A2.html27Ciclo de vida del productoLos bienes y servicios no se venden en forma constante a travs de su vida en el mercado.

28

2829

http://exoplanet.as.arizona.edu/~lclose/teaching/a202/lect24.htmlPronsticos cualitativosAnaloga histricaVer comportamiento de productos anlogos

http://www.uiah.fi/projects/metodi/190.htm30Pronsticos cualitativosMtodo Delphi (Rand Corporation)Oculta la identidad de las personas que participan

Los pasos de este procedimiento son:Escoger los expertos que participarn. Debe haber personas que tengan conocimiento de distintas reas.Por medio de un cuestionario (o correo electrnico), obtener pronsticos (y las premisas o calificaciones para estos pronsticos) de todos los participantes. 31Pronsticos cualitativosResumir los resultados y volver a repartirlos entre los participantes, con las correspondientes preguntas nuevas.

Volver a resumir, mejorando los pronsticos y las condiciones y volver a preparar preguntas nuevas.

Repetir el paso 4 en caso necesario. Repartir los resultados finales entre todos los participantes.

32

Pronsticos cualitativosMtodo Delphi http://flickr.com/photos/78846417@N00/251326277533Pronsticos cuantitativosModelos deSeries de TiempoModelo CausalPredicen sobre la base que el futuro est en funcin del pasado.

Estn expresados en nocin matemtica.Se incorporan al modelo las variables o factores que pueden influenciar la cantidad que se pronostica.

34MODELOS DE SERIES DE TIEMPOMtodos cuantitativos de pronstico35Pronsticos cuantitativosMtodo de PronsticoCantidad de Datos HistricosPatrn de DatosPlazo del PronsticoTiempo de PreparacinAntecedentes del PersonalMtodo exponencial simple

5 a 10 observaciones para establecer el pesoLos datos deben ser estticosCortoBrevePoca sofisticacinMtodo Exponencial doble

5 a 10 observaciones para establecer los dos pesosTendencia pero no estacionalidadCorto a medianoBreveLeve sofisticacinMtodo Exponencial de WintersUn mnimo de 4 a 5 observaciones por temporada

Tendencia y estacionalidadCorto a medianoBreveModerada sofisticacinModelos de regresin de tendencias10 a 20; para estacionalidad un mnimo de 5 por estacin

Tendencia y estacionalidadCorto a medianoBreveModerada sofisticacinModelos de regresin causal10 observaciones por variable independienteCapacidad para manejar patrones complejosCorto, mediano o largoMucho para preparacin, breve para la aplicacin

Considerable sofisticacinDescomposicin de series de tiempoBasta con ver 2 crestas y vallesManeja patrones cclicos y estacinales; puede identificar puntos de inflexinCorto a medianoBreve a moderadoPoca sofisticacin36Pronsticos cuantitativosPromedio ingenuoPronstico t = resultado del mes anteriorMesiXiFiXi-Fi|Xi-Fi||(Xi-Fi)/Xi|*100(Xi-Fi) 2Enero152----Febrero28152292935.80841Marzo34781-343472.341,156Abril46547181827.69324Mayo55065-151530.00225Junio67350232331.51529Julio74573-282862.22784Agosto86045151525.00225Septiembre95060-101020.00100Octubre107950292936.71841Noviembre114579-343475.561,156Diciembre126245171727.42289Suma709102524446,470MADMAPEMSDMedia0.832137.02539.1737Pronsticos cuantitativosPromedio ingenuoPronstico t = resultado del mes anterior38Pronsticos cuantitativosPromedio simplePronstico t = promedio de meses anterioresMesiXiFiXi-Fi|Xi-Fi||(Xi-Fi)/Xi|*100(Xi-Fi) 2Enero152----Febrero28152292935.80841Marzo34767-2019.541.49380Abril46560557.6925Mayo55061-1111.2522.50127Junio67359141419.18196Julio74561-1616.33336.30267Agosto86059111.671Septiembre95060-1010.14320.29103Octubre1079582120.88926.44436Noviembre114565-2019.543.33380Diciembre12625933.18185.1310Suma709-41502602,766MADMAPERMSMedia-0.3012.48321.65230.5239Pronsticos cuantitativosPromedio simplePronstico t = promedio de meses anteriores40Pronsticos cuantitativosPromedio mvil simplePronstico t = promedio de n=3 meses anterioresMesiXiFiXi-Fi|Xi-Fi||(Xi-Fi)/Xi|*100(Xi-Fi) 2Enero152----Febrero281-----Marzo347Abril46564.3310.66671.030Mayo55054.00-448.0016Junio67362.671010.33314.16107Julio74556.00-111124.44121Agosto86059.3310.66671.110Septiembre95051.67-21.66673.333Octubre107963.00161620.25256Noviembre114558.00-131328.89169Diciembre126262.00000.000Suma709-257101672MADMAPERMSMedia-0.174.77788.4356.04

41Pronsticos cuantitativosPromedio mvil simplePronstico t = promedio de n=3 meses anteriores

42

Promedio mvil simple

43Promedio mvil simple

http://www.fxwords.com/m/moving-averages.html44Pronsticos cuantitativosPromedio mvil ponderado (pesos 0.6, 0.3, 0.1)Pronstico t = Resultado mes anterior*0.6 + Res. de hace dos meses*0.3 + Res. de hace tres meses*0.1MesiXiFiXi-Fi|Xi-Fi||(Xi-Fi)/Xi|*100(Xi-Fi) 2Enero152----Febrero281-----Marzo347Abril46557.7077.311.2353Mayo55061.20-1111.222.40125Junio67354.201918.825.75353Julio74565.30-2020.345.11412Agosto86053.9066.110.1737Septiembre95056.80-76.813.6046Octubre107952.502726.533.54702Noviembre114568.40-2323.452.00548Diciembre126255.7066.310.1640Suma70931272242,317MADMAPERMSMedia0.2710.55818.66193.1045Pronsticos cuantitativosPromedio mvil ponderado (pesos 0.6, 0.3, 0.1)Pronstico t = Resultado mes anterior*0.6 + Res. de hace dos meses*0.3 + Res. de hace tres meses*0.146Pronsticos cuantitativosPromedio mvil ponderado47

http://www.marketoracle.co.uk/Article9875.htmlPronsticos cuantitativosSuavizamiento exponencial simple (alfa =0.2)Asigna la ponderacin mayor a los valores observados ms recientes, y ponderaciones decrecientes a los valores ms antiguos. Minitab usa el promedio de las primeros 6 observaciones (o N, si N < 6) para el valor inicial estimado en tiempo uno.Los valores subsecuentes se calculan con la frmula:

Pronstico t = Resultado mes anterior*Alfa + (1-Alfa) *pronstico del mes anterior

48Pronsticos cuantitativosF1 = promedio de las primeras 6 observaciones

MesiXiFiXi-Fi|Xi-Fi||(Xi-Fi)/Xi|*100(Xi-Fi) 2Enero15261.33-9.339.3317.9587.11Febrero28159.4721.5321.5326.58463.68Marzo34763.77-16.7716.7735.69281.34Abril46560.424.584.587.0520.99Mayo55061.33-11.3311.3322.67128.48Junio67359.0713.9313.9319.09194.10Julio74561.85-16.8516.8537.45284.07Agosto86058.481.521.522.532.30Septiembre95058.79-8.798.7917.5777.21Octubre107957.0321.9721.9727.81482.71Noviembre114561.42-16.4216.4236.50269.73Diciembre126258.143.863.866.2314.91Suma709-12.11146.90257.112,306.64MADMAPEMSDMedia-1.0112.2421.43192.2249Pronsticos cuantitativosF1 = promedio de las primeras 6 observaciones

50

Pronsticos cuantitativosSuavizamiento exponencial dobleConsidera la tendenciaLt es el nivel en tiempo t, alfa es el peso para el nivel Tt es el nivel de tendencia en tiempo t, g es el peso para la tendencia tY es el valor observado en tiempo t, Yest es el valor estimado un paso adelante en tiempo t51

Pronsticos cuantitativosLos valores de estimaciones iniciales son: S1= X1 T1 = X2 - X1Las proyecciones o pronsticos se obtienen con las siguientes ecuaciones:

St equivalente del valor suavizado exponencial nico Beta coeficiente de suavizamiento, anlogo a lfaTt tendencia suavizada en la serie de datos.m nmero de perodos a pronosticar 1,2,352

Pronsticos cuantitativosSuavizamiento exponencial doble53MesiXiFiXi-Fi|Xi-Fi||(Xi-Fi)/Xi|*100(Xi-Fi) 2Enero15260.29-8.298.2915.9568.80Febrero28158.0822.9222.9228.29525.15Marzo34763.03-16.0316.0334.11257.01Abril46559.555.455.458.3929.72Mayo55060.58-10.5810.5821.16111.94Junio67357.9815.0215.0220.57225.53Julio74561.10-16.1016.1035.79259.36Agosto86057.362.642.644.406.98Septiembre95057.47-7.477.4714.9355.76Octubre107955.2623.7423.7430.06563.81Noviembre114560.24-15.2415.2433.86232.13Diciembre126256.815.195.198.3726.93Suma7091.25148.68255.882,363.12MADMAPEMSDMedia0.1012.3921.32196.93Pronsticos cuantitativosSuavizamiento exponencial de Winters para tendencia y estacionalidad54

Pronsticos cuantitativosSuavizamiento exponencial de Winters para tendencia y estacionalidad55MesiXiFiXi-Fi|Xi-Fi||(Xi-Fi)/Xi|*100(Xi-Fi) 2Enero152520.000.000.000.00Febrero281810.000.000.000.00Marzo347470.000.000.000.00Abril465650.000.000.000.00Mayo550500.000.000.000.00Junio673730.000.000.000.00Julio745450.000.000.000.00Agosto860600.000.000.000.00Septiembre950500.000.000.000.00Octubre1079790.000.000.000.00Noviembre1145450.000.000.000.00Diciembre1262620.000.000.000.00Suma7090.000.000.000.00MADMAPEMSDMedia0.000.000.000.00Pronsticos cuantitativosModelo aditivo, la variacin aleatoria permanece constante durante la tendencia o en el tiempo56

http://www.stats.govt.nz/reports/seasonal-adjustment/the-underlying-model.aspxPronsticos cuantitativosModelo multiplicativo, la variacin aleatoria se incrementa durante la tendencia o en el tiempo57

http://www.stats.govt.nz/reports/seasonal-adjustment/the-underlying-model.aspxPronsticos cuantitativosSuavizamiento exponencial de Winters para tendencia y estacionalidad58

Pronsticos cuantitativosMtodo de descomposicin59

Errores de pronsticoEs la diferencia entre el valor del pronstico y lo ocurrido en realidad. En estadstica a estos errores se les llama residuales60

Errores de pronstico MADEs el promedio de las desviaciones absolutas de los valores reales menos los pronosticados61

MesiXiFiXi-Fi|Xi-Fi|Enero152---Febrero281---Marzo347Abril46564.3310.67Mayo55054.00-44.00Junio67362.671010.33Julio74556.00-1111.00Agosto86059.3310.67Septiembre95051.67-21.67Octubre107963.001616.00Noviembre114558.00-1313.00Diciembre126262.0000.00Suma709-257.33MADMedia-0.174.78

Errores de pronstico MAPEEs el porcentaje de error promedio absoluto de las desviaciones de los valores reales menos pronstico entre valor real62

MesiXiFiXi-Fi|(Xi-Fi)/Xi|*100Enero152---Febrero281---Marzo347Abril46564.3311.03Mayo55054.00-48.00Junio67362.671014.16Julio74556.00-1124.44Agosto86059.3311.11Septiembre95051.67-23.33Octubre107963.001620.25Noviembre114558.00-1328.89Diciembre126262.0000.00Suma709-2101MAPEMedia-0.178.43

Errores de pronstico MSDEs el promedio de las desviaciones al cuadrado de los valores reales menos pronstico (amplifica las diferencias grandes)63

MesiXiFiXi-Fi(Xi-Fi) 2Enero152--Febrero281---Marzo347Abril46564.3310Mayo55054.00-416Junio67362.6710107Julio74556.00-11121Agosto86059.3310Septiembre95051.67-23Octubre107963.0016256Noviembre114558.00-13169Diciembre126262.0000Suma709-2672MSDMedia-0.1756.04Lmites de prediccin / seal de rastreoLmite superior = Pronstico + 1.96*1.25*MADLmite inferior = Pronstico - 1.96*1.25*MADDesviacin estndar = 1.25*MAD

Una seal de rastreo es una medida que indica si el promedio del pronstico est siguiendo el ritmo de un verdadero cambio ascendente o descendente en la demanda. Constituye el nmero de desviaciones medias absolutas en que el valor del pronstico est por arriba o por abajo de los hechos.

64Ejercicio 1Los datos de la demanda para el ltimo ao se muestran a continuacin, calcular el pronstico para los siguientes tres meses, indicar los errores. Si se utiliza mtodos de suavizamiento utilizar alfa = 0.3, Beta = 0.3, Gama = 0.3 65MesDemandaEne62Feb65Mar67Abr68May71Jun73Jul76Ago78Sep78Oct80Nov84Dic85

EjerciciosPeriod Forecast13 87.544414 89.940115 90.8469

66

Anlisis de tendencia con regresin linealRegresin es la relacin funcional de dos o ms variables crrelacionadas. La usamos para prever una variable, dada otra variablePresupone que los datos del pasado y las proyecciones del futuro quedan aproximadamente en lnea recta67http://serc.carleton.edu/introgeo/teachingwdata/StatRegression.htmlAnlisis de tendencia con regresin linealUna empresa hace publicidad de un nuevo producto y se desea pronosticar los clientes nuevos para los periodos 13 y 14 con base en los datos de los ltimos 12 meses68MesClientes141243339437542635730831932103011281228

Ejercicio 2Estimar el pronstico para el cuarto trimestre de ventas de una empresa considerando los datos de ventas reales de los ltimos 21 meses Si se utiliza mtodos de suavizamiento utilizar alfa = 0.3, Beta = 0.3, Gama = 0.3 69AoMesVentas2000Ene3002000Feb4002000Mar4252000Abr4502000May4002000Jun4602000Jul4002000Ago3002000Sep3752000Oct5002000Nov5502000Dic5002001Ene2752001Feb3752001Mar3502001Abr4252001May4002001Jun3502001Jul2752001Ago3502001Sep375Ejercicio 2 70

Period Forecast22 409.22923 403.60924 387.989MODELOS CAUSALESRegresin lineal y mltiple71Modelos de regresin linealSe asume que una variable dependiente Y depende de otra variable independiente X, tal como ventas y cantidad de lluvia

72

Regresin lineal73

http://serc.carleton.edu/introgeo/teachingwdata/StatRegression.htmlModelos de regresin mltipleSe asume que una variable dependiente Y depende de otras variable independiente Xs, tal como ventas depende de la publicidad, ingreso, etc.74

Ejemplo de Regresin mltipleNo se sabe si los precios o la publicidad influyen ms en las ventas de la empresa para analizar lo anterior se toman las ventas reales en millares de 12 aos con sus correspondientes datos de precios/unidad y publicidad en ($000) 75Regresin mltipleAoVentasPrecioPublicidad199040028060019917002158351992900211110019931300210140019941150215120019951200200130019969002259001997110020711001998980220700199912342119002000925227700200180024569076Regresin mltiple77a) Ecuacin de regresin Ventas = 2191 - 6.91 Precio + 0.325 Publicidad

b) Identificar los factores significativos con influencia en la respuestaP value de Precio = 0.042 Si P