EL PRONÓSTICO DE LA DEMANDA

Cristina Gigola

Departamento Académico de Ingeniería Industrial y Operaciones

ITAM

gigola@itam.mx

Contenido

• ¿Qué es y qué no es un pronóstico?

• ¿Qué se requiere para hacer un buen pronóstico de la demanda?

• ¿Quién debe hacer el pronóstico?

• ¿Cómo hacer un pronóstico?

– tipo de datos

– métodos cualitativos

– series de tiempo y sus componentes

– diagnóstico de una serie de tiempo con correlogramas

PRONÓSTICO DE LA DEMANDA

“UNA ESTIMACIÓN CUANTITATIVA Y/O CUALITATIVA DE

LA DEMANDA FUTURA, CON BASE EN INFORMACIÓN

ACTUAL O DEL PASADO DE LA DEMANDA REAL Y

DE OTROS FACTORES QUE LA AFECTAN ”

• La empresa se mueve en un contexto altamente incierto

• Política, tecnología y medio ambiente repercuten sobre variables relevantes para la empresa: costos de producción, inventarios, volumen de ventas

• La empresa debe tomar decisiones sobre

– Factores Controlables tomando en cuenta

– Factores Incontrolables.

¿PORQUÉ ES IMPORTANTE?

FACTORES CONTROLABLES

AQUELLOS SOBRE LOS CUALES LA EMPRESA DECIDE SU ESTRUCTURA, NIVELES, POLÍTICA Y MODO DE OPERAR:

• NIVELES DE PRODUCCIÓN

• NIVELES DE INVENTARIO

• CAPACIDAD

• ESTRATEGIAS

FACTORES INCONTROLABLES

AQUELLOS SOBRE LOS CUALES LA EMPRESA NO PUEDE DECIDIR NI MODIFICAR: DEPENDEN DE FACTORES EXTERNOS A LA EMPRESA

• DEMANDA DEL PRODUCTO

• COMPETENCIA

• ECONOMÍA

• COMPORTAMIENTO DEL CONSUMIDOR

¿QUÉ PRONOSTICAR?

• LA EMPRESA REQUIERE PREDECIR FACTORES

INCONTROLABLES: MERCADO, ENTORNO, ECONOMÍA,

QUE SON INCIERTOS, PARA DECIDIR (PLANEAR)

SOBRE FACTORES CONTROLABLES: NIVELES DE

INVENTARIO, DE PRODUCCIÓN, CAPACIDAD

• LA DEMANDA NO SE PLANEA, SE PRONOSTICA

OBJETIVO DEL PRONÓSTICO

REDUCIR LA INCERTIDUMBRE DEL FUTURO, MEDIANTE

LA ANTICIPACIÓN DE EVENTOS CUYA PROBABILIDAD

DE OCURRENCIA SEA RELATIVAMENTE ALTA, RESPECTO

A OTROS EVENTOS POSIBLES.

¿QUÉ NO ES UN PRONÓSTICO?

• UN PRESUPUESTO DE VENTAS NO ES UN PRONÓSTICO: este debe realizarse con base en un pronóstico de la demanda

• METAS DE VENTAS (lo que queremos que ocurra) NO SON PRONÓSTICOS (lo que creemos que ocurrirá): las metas deben fijarse a partir de un pronóstico

• REQUERIMIENTOS NETOS FUTUROS NO SON PRONÓSTICOS: se determinan a partir del pronóstico y el inventario actual

• OBJETIVOS FINANCIEROS: un pronóstico no es hacer que los números concuerden con un objetivo financiero

¿CÓMO ATACAR EL PROBLEMA?

• REDUCIR VARIABILIDAD E INCERTIDUMBRE CON:

– MEJOR PRONÓSTICO

– SINCRONIZAR OFERTA Y DEMANDA

– CAPACIDAD DE RESERVA: Inventarios de seguridad

– MINIMIZAR EFECTO “BULLWHIP”

– UTILIZAR ESTRATEGIAS ESPECIALES:ECR, POSPONEMENT,VMI,CPFR.

MEJOR PRONÓSTICO

• DATOS

– ACTUALIZADOS

– PRECISOS

– CONSIDERANDO RELACIONES CAUSALES

• TÉCNICAS

– MÚLTIPLES

– SISTEMÁTICAS

– COLABORATIVAS Y COMPARTIDAS

CARACTERÍSTICAS DEL PRONÓSTICO

• SIEMPRE ES ERRADO!!!!!

• ERROR DEL PRONÓSTICO: LA DIFERENCIA ENTRE LA DEMANDA ESTIMADA Y LA DEMANDA REAL

• EL ERROR DEL PRONÓSTICO TIENE UN COSTO DIRECTO CUANDO SE TRASLADA AL INVENTARIO DE SEGURIDAD

UNA PROYECCIÓN HISTÓRICA?

0

100

200

300

400

1 2 3 4 5 6 7 8 9 10

1 sigma-1 sigma2 sigma

-2 sigmaFORECASTACTUAL

MEDIA, RANGO, PROBABILIDAD

INVENTARIO DE SEGURIDAD

222

Ld sdLz

FACTOR DE SERVICIO

(Tipo I= % de ciclos

sin desabasto)

TIEMPO DE

SUMINISTRO

PROMEDIO

VARIABILIDAD DE

LA DEMANDA

VARIABILIDAD DEL

TIEMPO DE SUMINISTRO

DEMANDA

PROMEDIO

PRONÓSTICO E INVENTARIO

• A mayor error en el pronóstico (desviación-incertidumbre) mayor inventario de seguridad para un nivel de servicio dado

• El pronóstico ideal es el que no tiene error: no existe!

• El mejor es el que se puede mejorar constantemente midiendo el error:

– Debido a los datos

– Debido a intervenciones

FUENTE DE DATOS

• REQUIERO ESTIMAR LA DEMANDA DE MIS PRODUCTOS

– POR SKU, POR LOCALIZACIÓN, POR PERÍODO DE TIEMPO ( MES, SEMANA, DÍA)

• CON QUÉ DATOS????

– VENTAS HISTÓRICAS??????

¡¡¡DEMANDAVENTAS!!!

¿DÓNDE OBTENGO ESOS DATOS??????

• SISTEMAS DE INFORMACIÓN

– REGISTRA ÓRDENES, EMBARQUES O VENTAS?

– QUE TAN FÁCIL ES IDENTIFICAR LA INFORMACIÓN REQUERIDA EN EL SISTEMA?

• ¿Se registra un backorder como tal?

• ¿Se registra devolución como tal?

• ¿Se registra fechas de llegada de la orden y de embarque, o sólo fecha de facturación?

– ¿PERMITE INTERACTUAR CON OTRAS HERRAMIENTAS COMPUTACIONALES Y DE ANÁLISIS?

• ¿Permite modificar los datos para eliminar efectos de promoción?

• EL SISTEMA DE INFORMACIÓN POR SI SOLO NO GENERA UN BUEN PRONÓSTICO

INFORMACIÓN RELEVANTE

• Conocer el comportamiento de los clientes

• Identificar los factores que tienen influencia sobre la demanda y determinar su relación

• Considerar factores objetivos y subjetivos

– Demanda pasada

– Publicidad y promociones

– Precios y descuentos

– Competidores

– Factores económicos

CAMBIOS EN EL PATRÓN HISTÓRICO

• Un producto con demanda baja en Octubre y alta en Diciembre y Enero

– Un descuento en Octubre puede cambiar el patrón histórico

• El patrón histórico puede estar influenciado por promociones que ya no están vigentes

• Ventas puede estimar una demanda mayor al patrón histórico por una nueva promoción

• ¿Quién debe hacer el pronóstico?

– Resultado de una actividad colaborativa

NATURALEZA DE LA DEMANDA

LA METODOLOGÍA PARA REALIZAR PRONÓSTICOS DEPENDE DE LA NATURALEZA DE LA DEMANDA

• REGULAR O ESTACIONARIA: fácil

• ESTACIONAL: menos fácil pero factible

• ERRÁTICA O ALEATORIA: difícil

• DEPENDIENTE: no se estima, se calcula

• INDEPENDIENTE: se estima o pronostica

SITUACIONES ESPECIALES

• PRODUCTOS O SERVICIOS NUEVOS

–No hay información histórica • recurrir a mercadotecnia: estudios de mercado

• tomar información de productos similares

• técnicas cualitativas

• PRODUCTOS DE TEMPORADA

– Ciclo de Vida corto

• Alinear producción y surtido

• Acortar tiempos de suministro

Poder observar una porción de la demanda (real) aumenta la precisión del pronóstico :

Sport Obermeyer (Fisher and Raman, 1996)

SEGÚN EL HORIZONTE DE

PLANEACIÓN

• LARGO PLAZO: inversión en capital, localización de planta, nuevos productos, expansión, crecimiento del mercado, tecnología

• MEDIANO PLAZO: tamaño de la fuerza de trabajo, fluctuaciones de la demanda, requerimientos de capacitación

• CORTO PLAZO: frecuencia de pedidos , demanda, niveles de inventario requeridos

• El pronóstico a largo plazo es menos preciso que el pronóstico a corto plazo

– Tiene mayor error o desviación de la media

– Pan: en la tarde se pronostica las ventas del día siguiente; la estimación es más precisa que si estimara las ventas de ese día una semana antes

– La información más reciente permite ajustar el pronóstico

AGREGACIÓN

• El pronóstico agregado es más preciso que el desagregado

• Se puede pronosticar el PIB anual (de USA) con un error del 2%, pero es más difícil pronosticar las ventas anuales de una empresa con un error del 10% y más difícil aún pronosticar las ventas de un producto con esa precisión

• Niveles de agregación: varias compañías, una compañía, familia de productos, SKU

• A mayor agregación mayor precisión porque la variabilidad suele ser menor.

CLASIFICACIÓN DE TÉCNICAS DE PRONÓSTICOS

POR TIPO DE DATOS

• CUALITATIVAS: Utilizan información cualitativa (experiencia de expertos) para desarrollar escenarios futuros.ÚTIL EN LARGO PLAZO

• CUANTITATIVAS: se basan en datos numéricos y utilizan herramienta matemática y estadística para su elaboración. Suponen que el futuro puede predecirse midiendo el pasado. CORTO PLAZO

TÉCNICAS CUALITATIVAS

SUBJETIVAS: LA MISMA TÉCNICA USADA POR

DOS EXPERTOS DISTINTOS PUEDE PRODUCIR RESULTADOS DIFERENTES

• PANEL DE EXPERTOS (consensos, focus group)

• SONDEOS (investigación de mercados)

• ANALOGÍAS (históricas, geográficas, culturales)

• MÉTODO DELPHI

• IMPACTO CRUZADO

• ANÁLISIS DE ESCENARIOS

CONSENSO GENERAL

• SE REÚNE A UN GRUPO DE EXPERTOS

• A PARTIR DE UNA LLUVIA DE IDEAS SE ESTABLECEN

DISCUSIONES HASTA LLEGAR A UN ACUERDO QUE

REFLEJE EL SENTIR DE LA MAYORÍA

OBTENER INFORMACIÓN ACERCA DEL

COMPORTAMIENTO DEL MERCADO, MEDIANTE

ENCUESTAS DIRIGIDAS AL PÚBLICO CONSUMIDOR O

A PARTIR DE LA EXPERIENCIA DE VENDEDORES, PARA

CONCLUIR SOBRE EL COMPORTAMIENTO FUTURO

SONDEOS

ANALOGÍAS HISTÓRICAS

SE FUNDAMENTA EN UN ANÁLISIS COMPARATIVO DE

CASOS SIMILARES AL QUE SE ESTUDIA. TRATA DE

RECONOCER PATRONES DE SIMILITUD PARA SACAR

CONCLUSIONES Y OBTENER UN PRONÓSTICO:

productos similares, producto en otros mercados, etc.

MÉTODO DELPHI

PRETENDE LLEGAR A UN CONSENSO A TRAVÉS DE LA

OPINIÓN DE EXPERTOS, EVITANDO LA

CONFRONTACIÓN DE LOS MISMOS, YA QUE NO EXISTE

UNA INTERACCIÓN DIRECTA ENTRE LOS

PARTICIPANTES. ESTOS EXPRESAN LIBREMENTE SUS

OPINIONES.

MÉTODO DELPHI

• Los expertos responden un cuestionario

• Se obtiene la media y desviación de cada pregunta

• Se pide justificar respuesta a aquellos que se encuentran fuera del rango de dos o mas desviaciones, sobre la media de cada pregunta.

• Se pasa esta opinión a todos los participantes y se vuelve a aplicar el cuestionario

• El proceso se repite hasta lograr un consenso en las diferentes preguntas o hasta identificar subgrupos de opiniones

• Con la información obtenida se procede a la toma de decisiones.

IMPACTO CRUZADO

• Analiza las interrelaciones que puedan tener efecto entre diferentes sucesos que está previsto que ocurran.

• Analiza los efectos que la ocurrencia o no de un evento determinado puede provocar en la probabilidad de ocurrencia de los otros.

• Se dice que hay impacto cruzado cuando la probabilidad de ocurrencia de un evento depende de la ocurrencia de otro.

• La probabilidad puede aumentar (impacto positivo), disminuir (impacto negativo) o permanecer igual (no hay impacto)

IMPACTO CRUZADO

• Determinar los eventos a incluirse en el estudio

• Estimar la probabilidad inicial de cada evento y la probabilidad condicional de cada par de eventos

• Seleccionar eventos en forma aleatoria y calcular su repercusión sobre los demás eventos como resultado de la ocurrencia o no del evento elegido.

• Ejemplo:

– Analizar la demanda de agua potable en el DF

– Factores a tomar en cuenta:

• aumento de la población

• cambio climático

• aumento de las tarifas de agua

• nuevas tecnologías de captación de agua

ANÁLISIS DE ESCENARIOS

Describir diferentes escenarios futuros posibles (muy

probable, probable, poco probable) considerando

factores que los determinen (cambios en la población,

inflación, variación de la demanda) para reconocer las

implicaciones a largo plazo de los cambios posibles

TÉCNICAS CUANTITATIVAS

• OBJETIVAS: PARTIENDO DE LOS MISMOS DATOS SE OBTIENE SIEMPRE EL MISMO RESULTADO

– SERIES DE TIEMPO

– MÉTODOS CAUSALES

– SIMULACIÓN

– Redes neuronales, sistemas expertos, pronósticos bayesianos y MAS!!!!

SERIES DE TIEMPO

• Usa información histórica y supone que la demanda pasada es un buen indicador de la demanda futura

• Útiles en situaciones de estabilidad o productos cuyo patrón de demanda no cambia significativamente en el tiempo

• Son las técnicas más usadas para el corto plazo

MÉTODOS CAUSALES: REGRESIÓN

• Supone que la demanda está correlacionada con otros factores

• El modelo describe la relación entre la demanda y estos factores

• Permite pronosticar la demanda a partir de información de los factores relacionados

• Ejemplo: determinar el impacto de precios, competencia, introducción de nuevos productos, etc., en la demanda futura.

EL PRONÓSTICO CUANTITATIVO

La materia prima de un pronóstico son los datos

• Dos tipos de datos: • Transversales – SON DATOS OBSERVADOS EN UN MOMENTO

PRECISO DEL TIEMPO: un día, una hora, una semana, etc.. Ejemplo: observar una característica en una muestra de productos para controlar calidad, ingreso de la población, grado de escolaridad de empleados, etc...

– Objetivo: extrapolar el comportamiento a toda la población. Inferencia estadística

– Uso: modelos causales (regresión)

GRÁFICA DE DISPERSIÓN: datos transversales

0

1

2

3

4

5

6

0 5 10 15 20

No

de f

allas

Antiguedad

Fallas en la operación

Fallas en la operación

Obs Antigüedad No de

Empleado Empresa fallas

1 5 3

2 20 3

3 7 5

4 12 2

5 10 4

6 25 0

7 23 5

8 5 5

9 19 2

10 11 1

EL PRONÓSTICO CUANTITATIVO

• Series de tiempo

– UNA SUCESIÓN CRONOLÓGICA DE OBSERVACIONES DE UNA VARIABLE (DEMANDA) A INTERVALOS IGUALES DE TIEMPO

– Ejemplo: ventas trimestrales de los últimos 5 años, demanda mensual, desempleo en los últimos años, precio de un producto en el tiempo, etc..

– Objetivo: analizar patrones del pasado que puedan extrapolarse al futuro

– Uso: modelos de series de tiempo

SERIE DE TIEMPO MENSUAL: demanda

Mes Demanda

Enero 380

Febrero 231

Marzo 290

Abril 218

Mayo 370

Junio 350

Julio 232

Agosto 253

Septiembre 184

Octubre 328

Noviembre 305

Diciembre 196

PATRONES O COMPONENTES DE UNA SERIE DE TIEMPO

• TENDENCIA: componente de muy largo plazo

• ESTACIONALIDAD: componente de corto plazo

• CICLICIDAD: componente de largo plazo

• FACTOR ALEATORIO: componente de muy corto plazo

TENDENCIA

• CRECIMIENTO DE LA POBLACIÓN

• INFLACIÓN

• VENTAS DE UN PRODUCTO EN SU ETAPA DE CRECIMIENTO EN EL CICLO DE VIDA

• TECNOLOGÍA

COMPONENTE DE MUY LARGO PLAZO QUE

REPRESENTA EL CRECIMIENTO O DECRECIMIENTO

DE LOS DATOS EN UN PERÍODO EXTENDIDO

FACTORES QUE EXPLICAN LA TENDENCIA:

TENDENCIA:ventas mensuales (9 años)

ESTACIONALIDAD

• PERÍODOS ESCOLARES

• PERÍODOS VACACIONALES

• PRODUCTOS DE ESTACIÓN

• ESTACIONES DEL AÑO

PATRÓN DE CAMBIO QUE SE REPITE AÑO CON AÑO

EN EL MISMO NÚMERO DE PERÍODOS

FACTORES QUE EXPLICAN ESTACIONALIDAD:

ESTACIONALIDAD: serie mensual

60

80

100

120

140

160

180

2001 2002 2003 2004 2005 2006 2007 2008 2009 2010

Ventas mensuales

CICLICIDAD

• PERÍODOS DE EXPANSIÓN Y DE RECESIÓN DE

LA ECONOMÍA

• CICLOS ECONÓMICOS

FLUCTUACIÓN ALREDEDOR DE LA TENDENCIA

QUE SE REPITE PERO A INTERVALOS DISTINTOS Y

CON AMPLITUDES DISTINTAS

FACTORES QUE EXPLICAN LA CICLICIDAD:

CICLICIDAD

100

150

200

250

300

350

400

1980 1985 1990 1995 2000 2005 2010

VENTAS TENDENCIA

SERIE ESTACIONARIA

• SISTEMAS DE PRODUCCIÓN CON TASA

UNIFORME

• VENTAS DE PRODUCTOS EN SU ETAPA DE

MADUREZ EN EL CICLO DE VIDA

SERIE CUYO VALOR PROMEDIO NO CAMBIA

A TRAVÉS DEL TIEMPO: media y varianza constante

FACTORES QUE EXPLICAN UN COMPORTAMIENTO

ESTACIONARIO

SERIE ESTACIONARIA

200

400

600

800

1000

2003 2004 2005 2006 2007 2008 2009 2010

VENTAS TENDENCIA

FACTOR ALEATORIO

• CAMBIOS CLIMÁTICOS

• DESASTRES NATURALES

• HUELGAS

• HECHOS FORTUITOS

MIDE LA VARIABILIDAD DE UNA SERIE CUANDO

LOS DEMÁS COMPONENTES SE HAN ELIMINADO O

NO EXISTEN

FACTORES QUE EXPLICAN EL FACTOR ALEATORIO

SERIE ALEATORIA:generada por números aleatorios

0

200

400

600

800

1000

5 10 15 20 25 30

ALEA

SERIE CON VARIOS PATRONES

100

200

300

400

500

1980 1985 1990 1995 2000 2005 2010

VENTAS

CICLO

TENDENCIA

DATOS ESPORÁDICOS: Demanda Intermitente

OUTLIERS: DATOS EXTREMOS

• Es un valor atípico en la serie de datos: demasiado alto o demasiado bajo con respecto al resto de los datos de la serie, que no se repite necesariamente en el pasado o en el futuro

• Deben tratarse con cuidado porque afectan de manera importante el resultado de cualquier método de pronósticos.

• Distorsionan el análisis de patrones

• Un efecto estacional NO ES UN OUTLIER. La estacionalidad se mide y se estima con métodos adecuados para incorporarla al pronóstico

• Promociones anuales: no son outliers. Se mide el efecto y se estima para incorporarlo al pronóstico

OUTLIERS

OUTLIERS: causas

• Desviaciones que ocurren por situaciones inusuales

– Detectables: huelgas, guerras, salud (influenza), desastres naturales, rebajas especiales, competidores

• error en la entrada de datos al sistema: humano, por unidades. Corregir antes de cualquier análisis posterior

• Método de pronóstico no adecuado: constante en series estacionales

– Desconocidas

• Al inicio de la serie: mejor quitar ese valor

• Al final de la serie: ¡cuidado! Puede indicar un cambio en la demanda futura

• En valores intermedios: corregir mediante métodos estadísticos

PATRONES Y CORRELOGRAMAS

Una forma de saber si la serie tiene Tendencia,

tiene

Estacionalidad, es una serie Aleatoria o es una

serie

Estacionaria es mediante la observación del

Correlograma.

• Correlograma: gráfica que muestra los

coeficientes de autocorrelación de la serie

AUTOCORRELACIÓN

CORRELACIÓN DE LA SERIE CON ELLA MISMA

REZAGADA UNO O VARIOS PERÍODOS

donde: Yt= es la observación en el tiempo t Y = la media de los valores de la serie

rk = coeficiente de Autocorrelación de orden k

n

t

t

kt

n

kt

t

k

YY

YYYY

r

1

2

1

)(

))((

TENDENCIA

Si la serie tiene Tendencia los coeficientes de autocorrelación son significativamente distintos de cero en los primeros rezagos y caen gradualmente a cero.

ESTACIONALIDAD

Si la serie tiene un patrón estacional el coeficiente de

autocorrelación correspondiente a cierto rezago (4 si la serie es trimestral, 12 si es anual, etc.) es significativamente distinto de cero.

SERIE DE DIFERENCIAS

Para quitar la tendencia a la serie se usa el Método de

Diferencias: se genera una nueva serie en la cual cada

observación es la diferencia de la observación t y la

observación t-1 de la serie original.

Dif t = Yt - Yt-1

ESTACIONALIDAD

Quitando la tendencia a la serie Ventas(serie

D(Ventas)), se observa una correlación significativamente distinta de cero en el rezago número 12 (observar que la serie es mensual)

-60

-40

-20

0

20

40

81 82 83 84 85 86 87 88 89 90

D(VENTAS)

SERIE ALEATORIA

Si la serie es aleatoria los coeficientes de

autocorrelación son todos significativamente cero

0

200

400

600

800

1000

5 10 15 20 25 30

ALEA

SERIE ESTACIONARIA

Los coeficientes de autocorrelación de

una serie estacionaria son cero excepto

para los dos o tres primeros rezagos

-10000

0

10000

20000

30000

40000

50000

55 60 65 70 75 80 85

SEARS DSEARS

EJERCICIO

• Analizar la serie VENTAS a partir del correlograma