UN

IVE

RS

IDA

D T

EC

NO

LÓ

GIC

A E

CO

TE

C. IS

O 9

001:2

008

GERENCIA DE

PRODUCCION

Semestre 1 Año 2015

MBA. Marjorie Noboa Auz

PRONOSTICOS

1

UN

IVE

RS

IDA

D T

EC

NO

LÓ

GIC

A E

CO

TE

C. IS

O 9

001:2

008

Importancia estratégica de la

previsiónImpacto de la previsión:

• Recursos humanos: contratación, formación y despido de los trabajadores, calidad de la plantilla de trabajadores disminuye.

• Capacidad: si la capacidad es insuficiente, el déficit resultante puede traducirse en incumplimientos de entregas, perdida de clientes y perdida de cuota de mercado.

• Gestión de la cadena de suministros: las buenas relaciones con los suministradores y las ventajas consiguientes de precio para materiales y componentes dependen de la exactitud en las

• previsiones.

UN

IVE

RS

IDA

D T

EC

NO

LÓ

GIC

A E

CO

TE

C. IS

O 9

001:2

008

ETAPAS EN EL SISTEMA DE

PREVISION

Determinar uso de la previsión

(fábrica)

Seleccionar los artículos para los

que se va a realizar la previsión (por

segmentos)

Definir horizonte temporal de

previsión (tiempo)

Seleccionar el modelo de

previsión (técnica)

Recopilación de los datos necesarios

para hacer la previsión (base de datos de ventas)

Realizar la previsión

Validar e implementar los resultados (marketing,

ventas, finanzas y producción)

UN

IVE

RS

IDA

D T

EC

NO

LÓ

GIC

A E

CO

TE

C. IS

O 9

001:2

008

Previsión en Disney WorldCuando el consejero delegado de Disney, Robert Iger, recibe el informe diario de sus grandes parques temáticos en Orlando, florida, el informe solo incluye dos cifras: la previsión de publico ayer en los parques y la cantidad real de publico. Se espera un error próximo a cero (EPAM). Iger se toma muy en serio sus previsiones.

El equipo de previsiones de Disney World no hace, sin embargo, una única predicción diaria, y además Iger no es su único consumidor. El equipo también elabora previsiones diarias, semanales, mensuales, anuales y quinquenales para la dirección de recursos humanos, mantenimiento, operaciones, finanzas y para el departamento de programación de parques. Los que las hacen utilizan modelos de juicios de valor, modelos econométricos, modelos de medidas móviles y análisis de regresión. La previsión anual realizada por el equipo en 1999 sobre el volumen total de publico para el año 2000 obtuvo un EPAM de 0.

UN

IVE

RS

IDA

D T

EC

NO

LÓ

GIC

A E

CO

TE

C. IS

O 9

001:2

008

Previsión en el sector de

Servicios• Comercio minoristas especializados:

– Patrones de demanda en función de festividades y sus días (fines de semana, entre semana).

– Mantener registros de ventas, incluso en circunstancias especiales para desarrollar patrones y correlaciones que influyen sobre la demanda.

• Restaurantes de comida rápida:

– Demanda que afecta la venta, hora a hora incluso cada 15 minutos, hay un ahorro de costes laborales.

UN

IVE

RS

IDA

D T

EC

NO

LÓ

GIC

A E

CO

TE

C. IS

O 9

001:2

008

Impacto de una previsión

• Enfoque cualitativo: juicios de valor,

experiencia, intuición y muchos otros

factores difíciles de cuantificar.

• Enfoque cuantitativo: datos históricos y

relaciones causales o asociativas.

UN

IVE

RS

IDA

D T

EC

NO

LÓ

GIC

A E

CO

TE

C. IS

O 9

001:2

008

Métodos cuantitativos

• Modelos de series temporales:1. Enfoque simple

2. Medias móviles

3. Alisado exponencial

4. Proyección de tendencia

• Modelos asociativos ( o casuales)– Regresión lineal

7

UN

IVE

RS

IDA

D T

EC

NO

LÓ

GIC

A E

CO

TE

C. IS

O 9

001:2

008

Modelos de series temporales

• Predicen partiendo de la premisa de que el futuro es una función del pasado.

• Observan lo que ha ocurrido a lo largo de un periodo de tiempo y utilizan una serie de datos pasados para realizar una previsión.

8

UN

IVE

RS

IDA

D T

EC

NO

LÓ

GIC

A E

CO

TE

C. IS

O 9

001:2

008

Modelos causales

• Incorporan variables o factores que pueden influir en la cantidad que se va a predecir.– Un modelo causal para las ventas de cortacéspedes podría

incluir factores tales como el numero de viviendas nuevas comenzadas a construir, el presupuesto de publicidad y los precios de la competencia.

9

UN

IVE

RS

IDA

D T

EC

NO

LÓ

GIC

A E

CO

TE

C. IS

O 9

001:2

008

Citas famosas

• “ Nunca se puede prever el futuro por medio del pasado”. Sir Edmund Burke

• “ No conozco ninguna manera de estimar el futuro si no es a través del pasado”. Patrick Henry

10

UN

IVE

RS

IDA

D T

EC

NO

LÓ

GIC

A E

CO

TE

C. IS

O 9

001:2

008

Pronóstico de Series Temporales

• Implica que los valores futuros son predichos únicamente a partir de los valores pasados, y que se desestiman otras variables, sin importar cual sea el valor potencial que puedan tener.

11

UN

IVE

RS

IDA

D T

EC

NO

LÓ

GIC

A E

CO

TE

C. IS

O 9

001:2

008

Descomposición de una serie temporal

• Implica desglosar los datos pasados en cuatro componentes: tendencia, estacionalidad, ciclos y variación irregular o aleatoria.

12

UN

IVE

RS

IDA

D T

EC

NO

LÓ

GIC

A E

CO

TE

C. IS

O 9

001:2

008

Tendencia

• Movimiento gradual de subida o bajada de los valores de los datos a lo largo del tiempo. Cambios en los ingresos, la población, la distribución por edades o los gustos culturales pueden explicar movimientos en la tendencia,

13

UN

IVE

RS

IDA

D T

EC

NO

LÓ

GIC

A E

CO

TE

C. IS

O 9

001:2

008

Estacionalidad

• Patrón de variabilidad de los datos que se repite cada cierto numero de días, semanas, meses o trimestres. Existen 6 patrones de estacionalidad:

Restaurantes, peluquerías, distribuidores de cervezas, etc. 14

Período del patrón Duración de la

“estación”

Número de

“estaciones” en el

patrón

Semana Día 7

Mes Semana 4 – 41/2

Mes Día 28 – 31

Año Trimestre 4

Año Mes 12

Año Semana 52

UN

IVE

RS

IDA

D T

EC

NO

LÓ

GIC

A E

CO

TE

C. IS

O 9

001:2

008

• Ciclos: Patrones en los datos que ocurren cada cierto numero de años. Acontecimientos políticos o conflictos internacionales.

• Variaciones irregulares o aleatorias: Son “irregularidades” en los datos causados por el azar y situaciones inusuales. No siguen ningún patrón perceptible, por lo que no se pueden predecir.

En épocas estables, hacer pronósticos es fácil: consiste solo en sumar o restar al comportamiento de un año determinado unos cuantos puntos porcentuales.

15

UN

IVE

RS

IDA

D T

EC

NO

LÓ

GIC

A E

CO

TE

C. IS

O 9

001:2

008

Enfoque Simple

• Es una técnica de previsión que supone que la demanda

del próximo periodo es igual a la demanda del ultimo

periodo.

16

UN

IVE

RS

IDA

D T

EC

NO

LÓ

GIC

A E

CO

TE

C. IS

O 9

001:2

008

Medias móviles• Es un método de previsión que utiliza la media de los n

periodos de datos mas recientes para hacer la previsión

del periodo siguiente.

• Media Móvil = ∑ demanda de n periodos anteriores

n

17

UN

IVE

RS

IDA

D T

EC

NO

LÓ

GIC

A E

CO

TE

C. IS

O 9

001:2

008

Ejercicio

18

Calculo de la media

móvil

En la columna central de la tabla se muestran las ventas de

cabañas

para almacenar en el Garden Supply de Donna. En la

columna derecha

aparece una media móvil de tres meses.

Mes

Ventas

reales de

cabañas

Media móvil de

tres meses

Enero 10

Febrero 12

Marzo 13

Abril 16

(10 + 12 + 13) / 3

= 11,67

UN

IVE

RS

IDA

D T

EC

NO

LÓ

GIC

A E

CO

TE

C. IS

O 9

001:2

008

19

Calculo de la media móvil

En la columna central de la tabla se muestran las ventas de cabañas.

para almacenar en el Garden Supply de Donna. En la columna derecha

aparece una media móvil de tres meses.

Mes

Ventas reales de

cabañas

Media movil de tres

meses

Enero 10

Febrero 12

Marzo 13

Abril 16 (10 + 12 + 13) / 3 = 11,67

Mayo 19 (12 + 13 +16) /3 = 13,67

Junio 23 (13 + 16 +19) /3= 16

Julio 26 ( 16+ 19 + 23) / 3 = 19,33

Agosto 30 ( 19 + 23 + 26) / 3 = 22,67

UN

IVE

RS

IDA

D T

EC

NO

LÓ

GIC

A E

CO

TE

C. IS

O 9

001:2

008

20

Cálculo de la media móvil

En la columna central de la tabla se muestran las ventas de cabañas

para almacenar en el Garden Supply de Donna. En la columna derecha

aparece una media móvil de tres meses.

Mes

Ventas reales

de cabañas

Media móvil de

tres meses

Enero 10

Febrero 12

Marzo 13

Abril 16 (10 + 12 + 13) / 3 = 11,67

Mayo 19 (12 + 13 +16) /3 = 13,67

Junio 23 (13 + 16 +19) /3= 16

Julio 26 ( 16+ 19 + 23) / 3 = 19,33

Agosto 30

( 19 + 23 + 26) / 3

= 22,67

Septiembre 28

(+23 + 26 + 30) /

3= 26,33

Octubre 18 (26 +30 + 28 ) / 3= 28

Noviembre 16 ( 30 +28 +18 ) / 3= 25,33

Diciembre 14 (28 + 18 + 16) / 3 = 20,67

UN

IVE

RS

IDA

D T

EC

NO

LÓ

GIC

A E

CO

TE

C. IS

O 9

001:2

008

Media móvil ponderada

• Cuando existe una tendencia o patrón detectable se puede utilizar

ponderaciones o pesos para resaltar mas los valores recientes. Esta

practica hace que la técnica de previsión sea mas sensible a los

cambios, porque los periodos mas recientes se ponderan con un

mayor peso.

21

UN

IVE

RS

IDA

D T

EC

NO

LÓ

GIC

A E

CO

TE

C. IS

O 9

001:2

008

22

Cálculo de la media móvil ponderada

El Garden Supply de Donna decide hacer una previsión de las ventas

de cabañas de almacenamiento ponderando los tres meses pasados

de la siguiente manera:

Ponderación aplicada Periodo

3 Ultimo mes

2 Hace dos meses

1 Hace tres meses

6 Suma de ponderaciones

Previsión para este mes =

3 x ventas ultimo mes + 2 x ventas hace dos meses + 1 x ventas hace tres meses

6 (suma de ponderaciones )

Mes

Ventas

reales de

cabañas Media movil de tres meses

Enero 10

Febrero 12

Marzo 13

Abril 16 (3x 13) + (2 x 12) +( 10) / 6 = 12,17

Mayo 19 (3x 16) + (2 x 13) +( 12) / 6 = 14,33

Junio 23 (3x 19) + (2 x 16) +( 13) / 6 = 17,00

Julio 26 (3x 23) + (2 x 19) +( 16) / 6 = 20,50

Agosto 30 (3x 26) + (2 x 23) +( 19) / 6 = 23,83

Septiembre 28 (3x 30) + (2 x 26) +( 23) / 6 = 27,50

Octubre 18 (3x28) + (2 x 30) +( 26) / 6 = 28,33

Noviembre 16 (3x 18) + (2 x 28) +( 30) / 6 = 23,33

Diciembre 14 (3x 16) + (2 x 18) +(28) / 6 = 18,67

UN

IVE

RS

IDA

D T

EC

NO

LÓ

GIC

A E

CO

TE

C. IS

O 9

001:2

008

Alisado exponencial• Técnica de previsión de media móvil ponderada en la que los datos

se ponderan mediante una función exponencial.

• Se determina un contante de alisado que es un numero entre 0 y 1

• NUEVA PREVISION= previsión del ultimo periodo +

+ α (demanda real del ultimo periodo –

- previsión del ultimo periodo)

También expresada:

Ft = F t-1 + α (At-1 – Ft-1)

Donde

Ft = nueva previsión

F t-1 = previa previsión

α = constante de alisado o ponderación

At-1 = demanda real del periodo previo

23

UN

IVE

RS

IDA

D T

EC

NO

LÓ

GIC

A E

CO

TE

C. IS

O 9

001:2

008

Desviación absoluta media - DAM

• Se calcula sumando los valores absolutos de los

errores de previsión individuales y dividiendo

por el numero de periodos de los datos (n):

DAM = Σ (Real – Previsto)

n

DAM = Σ (desviaciones)

n

24

UN

IVE

RS

IDA

D T

EC

NO

LÓ

GIC

A E

CO

TE

C. IS

O 9

001:2

008

25

prevision de grano descargado en el primer trimestre fue de 175 toneladas. Dos son los

valores de α examinados: α = 0,1 y α = 0,50

Trimestre

Toneladas

descargada

s

Prevision

redondead

a

utilizando

α = 0,10

Prevision

redondead

a

utilizando

α = 0,50

α = 0,10 α = 0,50

1 180 175 175 5 5

2 168 176 = 175 + 0,1(180-175) 178 8 10

3 159 175 = 175,50+0,1(168-175,50) 173 16 14

4 175 173 166 2 9

5 190 173 170 17 20

6 205 175 180 30 25

7 180 178 193 2 13

8 182 178 186 4 4

9 179 184 84 100

DAM = (Σ desviaciones) / n 10,5 12,5

Según este analisis es preferible una constante de alisado de α = 10 a una de

α = 0,50 puesto que su DAM es menor.

DESVIACION ABSOLUTA

UN

IVE

RS

IDA

D T

EC

NO

LÓ

GIC

A E

CO

TE

C. IS

O 9

001:2

008

Error cuadrado medio ECM

• Es la media de las diferencias al cuadrado entre

los valores previstos y los observados.

2

ECM = Σ (errores de previsión)

n

26

UN

IVE

RS

IDA

D T

EC

NO

LÓ

GIC

A E

CO

TE

C. IS

O 9

001:2

008

27

Trimestre

Toneladas

descargad

as real

Prevision

redondead

a

utilizando

α = 0,10 (Error)2

1 180 175 5 25

2 168 176 8 64

3 159 175 16 256

4 175 173 2 4

5 190 173 17 289

6 205 175 30 900

7 180 178 2 4

8 182 178 4 16

9 179 84 1558

ECM= Σ (errores de prevision)2

n

ECM = 1558/8

ECM = 194,8

UN

IVE

RS

IDA

D T

EC

NO

LÓ

GIC

A E

CO

TE

C. IS

O 9

001:2

008

Error porcentual absoluto medio

• Se calcula como la media de la diferencia, en valor

absoluto, entre los valores previstos y reales, expresada

como porcentaje sobre los valores reales.

n

100 Σ (Reali – Previstoi) / Reali

i=1

EPAM=

n

28

UN

IVE

RS

IDA

D T

EC

NO

LÓ

GIC

A E

CO

TE

C. IS

O 9

001:2

008

29

Trimestre

Toneladas

descargadas

real

Prevision

redondeada

utilizando α

= 0,10

1 180 175 100(5/180) = 2,78

2 168 176 100(8/168)= 4,76

3 159 175 100(16/159)= 10,06

4 175 173 100(2/175)= 1,14

5 190 173 100(17/190)= 8,95

6 205 175 100(30/205)= 14,63

7 180 178 100(2/180)= 1,11

8 182 178 100(4/182)= 2,20

Suma porcentual de errores= 45,64

EPAM= 45,64% / 8

EPAM= 5,71%

UN

IVE

RS

IDA

D T

EC

NO

LÓ

GIC

A E

CO

TE

C. IS

O 9

001:2

008

Ejercicio en clase

30

AÑO 1 2 3 4 5 6 7 8 9 10 11

Demanda 7 9 5 9 13 8 12 13 9 11 7

a) Represente los datos anteriores en un grafico

b) Empezando en el cuarto año y hasta el año 12, prevea la demanda utilizando una media

móvil de tres años. Represente su previsión en el mismo grafico inicial.

c) Empezando en el cuarto año y hasta el año 12, predecir la demanda utilizando una media

móvil de tres años con una ponderación de 0,1, 0,3 y 0,6; utilizando 0,6 para el año mas

reciente. Represente la previsión en el mismo grafico.

d) Compare las previsiones con los datos originales; ¿ cuál de las previsiones parece que

da un mejor resultado?

UN

IVE

RS

IDA

D T

EC

NO

LÓ

GIC

A E

CO

TE

C. IS

O 9

001:2

008

Señal de seguimiento

• Se calcula como la suma continua de los errores de

previsión (SCEP) dividida por la desviación absoluta

media (DAM):

Señal de seguimiento = SCEP

DAM

∑

(demanda real del periodo i - demanda prevista del

periodo i)

DAM

DAM =

∑ | errores en la previsión |

n

UN

IVE

RS

IDA

D T

EC

NO

LÓ

GIC

A E

CO

TE

C. IS

O 9

001:2

008

A continuación se muestran las ventas trimestrales (en miles), así

como

las previsiones de la demanda y los cálculos del error. El objetivo es

calcular la señal de seguimiento y determinar si las previsiones se

están realizando correctamente:

Trimestr

e

Demanda

real

Demanda

prevista Error SCEP

Erros de

previsión

absoluto

Error de

previsión

absoluto

acumulado DAM

Señal de

seguimient

o

(SCEP/DA

M)

1 90 100 -10 -10 10 10 10 -1

2 95 100 -5 -15 5 15 7,5 -2

3 115 100 15 0 15 30 10 0

4 100 110 -10 -10 10 40 10 -1

5 125 110 15 5 15 55 11 0,5

6 140 110 30 35 30 85 14,17 2,5

Al final del 6to.trimestre DAM= 85 = 14,2

6

Señal de seguimiento = 35 = 2,5

14,2

Esta señal de seguimiento esta dentro de los limites aceptables. Se ve

que

fluctúa entre -2,0 DAM y +2,5 DAM