Clase 3
Pronosticando La Demanda
Para los Productos y
Servicios
Slide 4.1
1998 South-Western College Publishing
Contenido del Capitulo
I. Introducción
II. Las características de la Demanda
III. El Proceso de la Previsión
IV. UNA Vista preliminar
V. Los Métodos de Cualitativos Previsión
VI. Los Métodos cuantitativos – Series de Tiempo
VII. Los Métodos cuantitativos - los Modelos Asociativos
VIII.Midiendo El Error de la Previsión
IX. Supervisando y Controlando las Previsiones
X. Uso de Computadoras
Slide 4.2
Objetivos de Aprendizaje
–
–
–
–
–
–
Slide 4.3
Identificar y describir los componentes principales de una
serie de tiempo
Discutir los pasos involucrados en el proceso de la
previsión
Explicar los elementos cualitativos a prever
Explicar los elementos cuantitativos a prever
Distinguir el error entre las medidas absolutas y relativas
previstas
Describir maneras de supervisar y controlar el forecast
Un pronostico es una declaración o
inferencia
sobre el futuro, normalmente basado
en la información histórica.
Slide 4.4
Factores que Influyen en la
Demanda

Los Factores
Internos
– Presupuesto de
Ventas
– Publicidad
– Incentivos de Precio
– Diseño de
producto/servicio
– Las Políticas
promoción
– Los atrasos
Slide 4.5

Los Factores
externos
–
–
–
–
El Ciclo comercial
La competencia
El consumismo
Los Eventos
Mundiales
– Las Acciones
gubernamentales
– Ciclo de Vida de
producto
Estados de la demanda acorde con el
ciclo de vida del producto
Slide 4.7
Componentes de la demanda
Series de Tiempo
Media
0
1
2
3
4
5
0
1
2
3
4
5
0
1
2
3
4
5
0
1
2
3
4
5
0
1
2
3
4
5
Tendencia
Estacional
Cíclico
Aleatorio
Slide 4.8
Los pasos en el Proceso de
pronósticos
1. Establezca los objetivos para el pronostico.
2. Determine qué prever.
3. Especifique el lapso de tiempo para el
pronostico
4. Delimite y analice los datos.
5. Seleccione un método de pronostico.
6. Haga el pronostico
7. Presente los resultados del pronostico
8. Monitoree y controle la previsión.
Slide 4.9
Periodos de Tiempo de pronostico y uso de
las Aplicaciones
Horizonte
De Tiempo
Aplicación
de Pronostico
Cantidad
Método de
a Pronosticar Pronostico
Corto
Plazo
(0-3 meses)
Inventory management, Producto
master production
individual
scheduling, work force
scheduling
Media Móvil,
Suavización
Exponencial
Medio
Plazo
(3 meses2 años)
Production
planning, purchasing,
distribution
Familias
De producto
Regresión,
Análisis de series
De tiempo
Largo Plazo
(2 años +)
Capacity planning,
facility location
Ventas totales
Método Delphi,
Investigación de
mercado
Slide 4.10
Las consideraciones para seleccionar un
Método de pronóstico
1. El tipo y cantidad de datos disponible.
2. El modelo subyacente de los datos
pasados.
3. El horizonte de tiempo de previsión.
4. La habilidad técnica del pronosticador.
5. El uso del pronostico.
6. La actitud del usuario final hacia los
métodos específicos .
Slide 4.11
Métodos de pronostico
Los Métodos del juicio

Extrapolación
 Apreciación
Slide 4.12
de la fuerza de ventas

Jurado ejecutivo de opinión

Técnica Delphi
Métodos de pronostico
Métodos Numéricos
Comprobación del Mercado
 Estudio de Mercado de
consumidor BCV MPC
 El Mercado industrial Boletín
del BCV MPC

Slide 4.13
Métodos de pronostico
Series de tiempos





Slide 4.14
Promedios móviles
Suavizacion exponencial
Extrapolación de Serie de
Tiempo
Descomposición de Serie de
Tiempo
Método Box-Jenkins
Métodos de pronostico
Métodos Causales
Slide 4.15

Métodos de la correlación

Modelos de la regresión

Modelos Econometricos
Promedio Simple
Promedio Simple (SA)
= Suma de demandas para todos los períodos pasados
número de períodos de la demanda
= Dt + D t-1 + … + D t-(N-1)
N
donde: Dt
= demanda periodo actual
D t-1 = demanda periodo anterior
Dt-(N-1)= demanda en ultimo periodo la
cual data esta disponible
N
= total numero de periodos
Slide 4.16
Promedio Movil Simple
Simple Moving Average (SMA)
= Suma de demandas para los ultimos N periodos
# de periodos usados en el prom. Móvil.
=
Dt + D t+1 +…+ D t-(N-1)
N
donde:
Dt
= demanda periodo actual
D t+1 = demanda periodo anterior
D t-(N-1) = demanda en el ultimo periodo
para el cual el promedio móvil
es calculado
N
= numero de periodos usados
Slide 4.17
La estabilidad es la propiedad de no
fluctuar erráticamente para que el
pronostico siga el modelo básico de la
demanda
.
La sensibilidad es la habilidad de ajustarse
a los cambios el modelo de la demanda.
Slide 4.18
Promedio móvil ponderado
Weighted Moving Average (WMA)
= Wt Dt + Wt-1 Dt-1 +…+ Wt-(n-1) Dt-(N-1)
donde:
y
Slide 4.19
Wt = peso del periodo t
Wt-1 = peso del periodo t-1
Wt-(N-1)= peso del periodo t-(N-1)
Wt + Wt-1 +…+ W t-(N-1) = 1.0
Suavizamiento Exponencial
Simple
Ft+1 = Dt + (1-) Ft
Ft+1 = Pronostico del proximo periodo de
demanda
Dt
= demanda actual en el mas recuente
periodo
Ft
= demanda pronosticada en el más
reciente período

= (representa alfa) constante de
suavizacion exponencial
Slide 4.20
Suavizamiento Exponencial Simple
Ft+1 = Dt + (1-) Ft
Ft+1 = Pronostico del proximo periodo de demanda
Dt = demanda actual en el mas recuente periodo
Ft = demanda pronosticada en el más reciente
período
 = (representa alfa) constante de suavizacion
exponencial
Slide 4.20
Suavizamiento Exponencial Simple


weight
Incluir todas las observaciones pasadas
Dar mayor peso a las observaciones recientes que a las mas
lejanas
0  1

Decreasing weight given
to older observations
 (1   )
today
 (1   )
2
 (1   )
3

Suavizamiento Exponencial Simple
Internet Unicycle Sales (1000's)
450
400
350
Units
300
250
200
150
100
50
0
Jan-03
May-04
Sep-05
Feb-07
Jun-08
Month
Nov-09
Mar-11
Aug-12
Factores que complican el modelo
El modelo trabaja bien con data que
se mueve en un solo sentido
 Debe ser adaptado para data que
presenta tendencia
 Debe ser adaptado para data que
presenta patrones estacionales

Método de Holt’s
Doble suavizamiento exponencial
Que pasa cuando hay una tendencia
definida?
Una boutique tiene la siguiente data para los últimos 6 meses

1
510
Demanda
2
512
560
550
540
530
520
510
500
490
480
3
528
4
530
5
542
Actual
Forecast
1
2
3
4
5
6
Mes
7
8
9
10
6
552
Método de Holt’s
Doble suavizamiento exponencial

Ideas detrás del suavizamiento con tendencia:
– Elimine la tendencia de la serie de tiempo separando la base del
efecto tendencia
– Suavice la serie base de la manera usual usando un 
– Suavice la tendencia de la manera usual usando 



Ft  Dde
 (1   )( Ft 1
Suavizamiento
t la base Bt
 Tt 1 )
º
Suavice
T  la(serie
F con
Fla tendencia
)  (1 Tt )T
t
t
t 1
t 1
Pronostique t k periodos en el futuro Ft+k con la base y la
tendencia
F  F  kT
t k
t
t
Método de Holt’s
Doble suavizamiento exponencial
Internet Unicycle Sales (1000's)
= 0.2, = 0.4
450
400
350
Units
300
250
200
150
100
50
0
Jan-03
May-04
Sep-05
Feb-07
Jun-08
Month
Nov-09
Mar-11
Aug-12
Método de Winter´s
Suvizamiento exponencial con tendencia y
estacionalidad

Ideas detrás del método:
– Elimine la tendencia y estacionalidad de la serie de tiempo
– Suavice la base de la manera usual usando 
– Suavice la tendencia de la manera usual usando 
– Suavice la estacionalidad de la manera usual usando g

Asuma m estaciones en un ciclo
–
–
–
–
12 meses en un año
4 cuartos en un mes
3 meses en un trimestre
etcetera
Método de Winter´s
Suavizamiento exponencial con tendencia y
estacionalidad

Suavice la base de pronostico Bt
Bt  

Dt
St  m
 (1   )( Bt 1  Tt 1 )
Suavice la serie de tendencia Tt
Tt   ( Bt  Bt 1 )  (1   )Tt 1

Suavice la serie de estacionalidad St
St  g
Dt
Bt
 (1  g ) St m
Método de Winter´s
Suavizamiento exponencial con tendencia y
estacionalidad

Pronostique Ft con tendencia y estacionalidad
Ft k  ( Bt 1  kTt 1 ) St  k m

Suavice el pronostico de la tendencia Tt
Tt   ( Bt  Bt 1 )  (1   )Tt 1

Suavice el pronostico de la estacionalidad St
St  g
Dt
Bt
 (1  g ) St m
Método de Winter´s
Suavizamiento exponencial con tendencia y
estacionalidad
Internet Unicycle Sales (1000's)
= 0.2, = 0.4, g= 0.6
500
450
400
350
Units
300
250
200
150
100
50
0
Jan-03
May-04
Sep-05
Feb-07
Jun-08
Month
Nov-09
Mar-11
Aug-12
Variables Independientes Y
Dependientes

Variable Dependiente
– Su valor es dependiente del valor de algún
otro factor (es )

Variable independiente
–
Slide 4.21
los valores son determinados fuera del
sistema que esta siendo modelado
Regresión Lineal Simple

Un método de pronostico en cuál el la
variable dependiente se predice
como una función de una variable
independiente.

La ecuación:
Y=a+bx
Slide 4.25
Calculo de los parámetros
b
n  xy   x  y 
n
x
2
  x 
2
a 

 y   x  xy
n  x   x 
x
2
2
2
Regresión Lineal múltiple

Un método de pronostico en cuál el la
variable dependiente se predice como una
función de dos o más variables
independientes.

La ecuación:

Slide 4.25
y= a+b1X1+b2X2+…+bkXk
El Coeficiente de Determinación
(r2)


Los valores van entre 0 y 1
Indica el porcentaje de
variación en la variable
dependiente que se explica
por la variación en la
variable independiente
Slide 4.24


2





n
xy

x
y



2


r 
2
 [ n  x 2   x 2 ] n  y 2   y  





Coeficiente de correlación (r)

Una medida relativa de la asociación
entre las variables independientes y
dependientes (el rango de valores entre
-1 y +1).

Valor positivo: la variable dependiente
se mueve en la misma dirección que la
variable independiente.

Valor negativo: la variable dependiente
se mueve en la dirección opuesta a la
variable independiente.
Slide 4.23
r 
r
2
¿Que es error?
Error i = Actual i - Pronostico i
Slide 4.26
El Error estándar de la Estimación

Similar a la desviación estándar.

Basado en el cuadrado de las desviaciones verticales
de las observaciones reales de la regresión contra la
línea de regresión en vez de desviaciones sobre la
media.

Le permite al pronosticador comparar la regresión y
hace las declaraciones sobre los intervalos de confianza
para pronosticar Yi.
Slide 4.22
Forecasting Performance
Que tan bueno es el pronostico?

Mean Forecast Error (MFE or Bias): Mide el promedio
de la desviacion entre el forecast y el real.

Mean Absolute Deviation (MAD): Mide el promedio de
la de la desviacion absoluta entre el forecast y el real.

Mean Absolute Percentage Error (MAPE): Mide el
error absoluto como un porcentaje del forecast.

Standard Squared Error (MSE): mide la varianza del
error del forecast variance of forecast error
Forecasting Performance Medidas
MFE 
1
n
MAD 
(D
t
t 1

Dt  Ft
t 1
100
n
MSE 
 Ft )
n
1
n
MAPE 
n
1
n
n

t 1
Dt  Ft
Dt
n
 ( Dt  Ft )
t 1
2
Mean Forecast Error
(MFE or Bias)
MFE 
1
n
(D

n
t
 Ft )
t 1




Want MFE to be as close to zero as possible -minimum bias
A large positive (negative) MFE means that the
forecast is undershooting (overshooting) the actual
observations
Note that zero MFE does not imply that forecasts are
perfect (no error) -- only that mean is “on target”
Also called forecast BIAS
Mean Absolute Deviation (MAD)
MAD 
1
n
D

n
t
 Ft
t 1




Measures absolute error
Positive and negative errors thus do not cancel
out (as with MFE)
Want MAD to be as small as possible
No way to know if MAD error is large or small in
relation to the actual data
Mean Absolute Percentage Error
(MAPE)
MAPE 
100
n


n

t 1
Dt  Ft
Dt
Same as MAD, except ...
Measures deviation as a percentage of actual data
Mean Squared Error (MSE)
MSE 
1
n
(D

n
t
 Ft )
2
t 1



Measures squared forecast error -- error variance
Recognizes that large errors are disproportionately
more “expensive” than small errors
But is not as easily interpreted as MAD, MAPE -not as intuitive
Coeficiente de variabilidad
Standard Deviation of Forecasting Error
Mean of Actual Demand
 Standard Deviation (SD) =
N

i  1
( Actual Demand  ForecastedDemand )
i
i
N
2
Supervisando los pronósticos y
Señal de rastreo
• Comparación visual del real con el Forecast
 Señal de rast reo =
 Actual Demand i  Forecasted Demand i 




MAD
i = 1

N

 Cuadros y graficos de cont rol
Afortunadamente hay
software...
Medidas absolutas del Error de Pronóstico

M e a n
S q u a re
E rro r (M S E )
N
 (A c tu a l D e m a n d i
i 1
=
 F o re c a s te d
D e m a n d i )
2
N

S ta n d a rd
N

i

D e v ia tio n
(S D )

(A c tu a l D e m a n d
=
F o re c a s te d
D e m a n d
i
1
i
N

M e a n
A b s o lu te
D e v ia tio n
N
 (A c tu a l D e m a n d i
i 1
Slide 4.27
(M A D )
 F o re c a s te d
N
)

D e m a n d i )
2
2
Medidas Relativas del Error de Pronostico
 M e a n P e rc e n ta g e E rro r (M P E ) 
N

i  1



 F o re c a s te d D e m a n d
A c tu a l D e m a n d
i
i
A c tu a l D e m a n d
i



 100
 C o e ffic ie n t o f V a ria tio n (C V A R ) 
S ta n d a rd D e v ia tio n o f F o re c a s tin g E rro r
M e a n o f A c tu a l D e m a n d
 M e a n A b s o lu te P e rc e n t E rro r (M A P E ) 
N

i  1
Slide 4.28
 F o re c a s te d D e m a n d
A c tu a l D e m a n d
i
i
A c tu a l D e m a n d
i
 100
N
N
Supervisando y Controlando los
Pronósticos

V is u a l c o m p a ris o n o f a c tu a l d a ta a n d fo re c a s ts .

T ra c k in g S ig n a l
N

i =

Slide 4.29


1 
=
 F o re c a s te d D e m a n d
A c tu a l D e m a n d
C o n tro l C h a rts
i
i
M A D



Descargar

The Strategic Planning Hierarchy