Slide 4.1

Clase 3Clase 3

Pronosticando La Demanda Pronosticando La Demanda Para los Productos y Para los Productos y

Servicios Servicios

1998 South-Western College Publishing

Slide 4.2

Contenido del CapituloContenido del Capitulo

I.I. Introducción Introducción II.II. Las características de la Demanda Las características de la Demanda III.III. El Proceso de la Previsión El Proceso de la Previsión IV.IV. UNA Vista preliminar UNA Vista preliminar V.V. Los Métodos de Cualitativos PrevisiónLos Métodos de Cualitativos PrevisiónVI.VI. Los Métodos cuantitativos – Series de TiempoLos Métodos cuantitativos – Series de TiempoVII.VII. Los Métodos cuantitativos - los Modelos Asociativos Los Métodos cuantitativos - los Modelos Asociativos VIII.VIII.Midiendo El Error de la PrevisiónMidiendo El Error de la PrevisiónIX.IX. Supervisando y Controlando las Previsiones Supervisando y Controlando las Previsiones X.X. Uso de ComputadorasUso de Computadoras

Slide 4.3

Objetivos de Aprendizaje Objetivos de Aprendizaje

– Identificar y describir los componentes principales de una Identificar y describir los componentes principales de una serie de tiempo serie de tiempo

– Discutir los pasos involucrados en el proceso de la Discutir los pasos involucrados en el proceso de la previsión previsión

– Explicar los elementos cualitativos a prever Explicar los elementos cualitativos a prever – Explicar los elementos cuantitativos a prever Explicar los elementos cuantitativos a prever – Distinguir el error entre las medidas absolutas y relativas Distinguir el error entre las medidas absolutas y relativas

previstasprevistas– Describir maneras de supervisar y controlar el forecastDescribir maneras de supervisar y controlar el forecast

Slide 4.4

Un pronostico es una declaración o Un pronostico es una declaración o inferencia inferencia

sobre el futuro, normalmente basado sobre el futuro, normalmente basado en la información histórica. en la información histórica.

Slide 4.5

Factores que Influyen en la Factores que Influyen en la Demanda Demanda

Los Factores Los Factores InternosInternos– Presupuesto de Presupuesto de

VentasVentas– PublicidadPublicidad– Incentivos de PrecioIncentivos de Precio– Diseño de Diseño de

producto/servicioproducto/servicio– Las Políticas Las Políticas

promociónpromoción– Los atrasos Los atrasos

Los Factores Los Factores externos externos – El Ciclo comercial El Ciclo comercial – La competencia La competencia – El consumismo El consumismo – Los Eventos Los Eventos

Mundiales Mundiales – Las Acciones Las Acciones

gubernamentales gubernamentales – Ciclo de Vida de Ciclo de Vida de

producto producto

Slide 4.7

Estados de la demanda acorde con el Estados de la demanda acorde con el ciclo de vida del productociclo de vida del producto

Slide 4.8

Componentes de la demanda Componentes de la demanda Series de Tiempo Series de Tiempo

MediaMedia

TendenciaTendencia

Estacional Estacional

CíclicoCíclico

AleatorioAleatorio

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

Slide 4.9

Los pasos en el Proceso de Los pasos en el Proceso de pronósticos pronósticos

1. Establezca los objetivos para el pronostico. 1. Establezca los objetivos para el pronostico. 2. Determine qué prever. 2. Determine qué prever. 3. Especifique el lapso de tiempo para el 3. Especifique el lapso de tiempo para el

pronosticopronostico4. Delimite y analice los datos. 4. Delimite y analice los datos. 5. Seleccione un método de pronostico. 5. Seleccione un método de pronostico. 6. Haga el pronostico 6. Haga el pronostico 7. Presente los resultados del pronostico 7. Presente los resultados del pronostico 8. Monitoree y controle la previsión. 8. Monitoree y controle la previsión.

Slide 4.10

Periodos de Tiempo de pronostico y uso de Periodos de Tiempo de pronostico y uso de las Aplicacioneslas Aplicaciones

HorizonteHorizonte AplicaciónAplicación Cantidad Método de Cantidad Método deDe TiempoDe Tiempo de Pronostico a Pronosticarde Pronostico a Pronosticar Pronostico Pronostico

CortoCortoPlazoPlazo(0-3 meses)(0-3 meses)

MedioMedioPlazoPlazo(3 meses-(3 meses- 2 años)2 años)

Largo PlazoLargo Plazo(2 años +)(2 años +)

Inventory management,Inventory management,master productionmaster productionscheduling, work forcescheduling, work forceschedulingscheduling

Production Production planning, purchasing, planning, purchasing, distributiondistribution

Capacity planning,Capacity planning,facility locationfacility location

ProductoProductoindividualindividual

FamiliasFamiliasDe productoDe producto

Ventas totalesVentas totales

Media Móvil,Media Móvil,SuavizaciónSuavizaciónExponencialExponencial

Regresión,Regresión,Análisis de series Análisis de series De tiempoDe tiempo

Método Delphi,Método Delphi,Investigación de Investigación de mercadomercado

Slide 4.11

Las consideraciones para seleccionar un Las consideraciones para seleccionar un Método de pronóstico Método de pronóstico

1. 1. El tipo y cantidad de datos disponible. El tipo y cantidad de datos disponible. 2. 2. El modelo subyacente de los datos El modelo subyacente de los datos

pasados. pasados. 3. 3. El horizonte de tiempo de previsión. El horizonte de tiempo de previsión. 4. 4. La habilidad técnica del pronosticador. La habilidad técnica del pronosticador. 5. 5. El uso del pronostico. El uso del pronostico. 6. 6. La actitud del usuario final hacia los La actitud del usuario final hacia los

métodos específicos métodos específicos ..

Slide 4.12

Métodos de pronosticoMétodos de pronosticoLos Métodos del juicio Los Métodos del juicio

ExtrapolaciónExtrapolación

Apreciación de la fuerza de ventasApreciación de la fuerza de ventas

Jurado ejecutivo de opiniónJurado ejecutivo de opinión

Técnica DelphiTécnica Delphi

Slide 4.13

Métodos de pronosticoMétodos de pronostico Métodos NuméricosMétodos Numéricos

Comprobación del Mercado Comprobación del Mercado Estudio de Mercado de Estudio de Mercado de

consumidor BCV MPCconsumidor BCV MPC El Mercado industrial Boletín del El Mercado industrial Boletín del

BCV MPCBCV MPC

Slide 4.14

Métodos de pronosticoMétodos de pronostico Series de tiemposSeries de tiempos

Promedios móviles Promedios móviles Suavizacion exponencial Suavizacion exponencial Extrapolación de Serie de Extrapolación de Serie de

Tiempo Tiempo Descomposición de Serie de Descomposición de Serie de

Tiempo Tiempo Método Box-JenkinsMétodo Box-Jenkins

Slide 4.15

Métodos de pronosticoMétodos de pronostico Métodos CausalesMétodos Causales

Métodos de la correlación Métodos de la correlación

Modelos de la regresión Modelos de la regresión

Modelos Econometricos Modelos Econometricos

Slide 4.16

Promedio SimplePromedio Simple

Promedio Simple (SA)Promedio Simple (SA)

= Suma de demandas para todos los períodos pasados = Suma de demandas para todos los períodos pasados número de períodos de la demanda número de períodos de la demanda

= D= Dtt + D + D t-1t-1 + … + D + … + D t-(N-1)t-(N-1)

N N donde: Ddonde: Dtt = demanda periodo actual = demanda periodo actual

DD t-1t-1 = demanda periodo anterior = demanda periodo anterior

DDt-(N-1)t-(N-1)= demanda en ultimo periodo la= demanda en ultimo periodo la

cual data esta disponiblecual data esta disponible NN = total numero de periodos = total numero de periodos

Slide 4.17

Promedio Movil SimplePromedio Movil Simple

Simple Moving Average (SMA)Simple Moving Average (SMA)

= Suma de demandas para los ultimos N periodos= Suma de demandas para los ultimos N periodos # de periodos usados en el prom. Móvil.# de periodos usados en el prom. Móvil.

== DDtt + D + D t+1t+1 +…+ D +…+ D t-(N-1)t-(N-1)

NNdonde:donde:DDtt = demanda periodo actual = demanda periodo actual

D D t+1t+1 = demanda periodo anterior = demanda periodo anterior

D D t-(N-1)t-(N-1) = demanda en el ultimo periodo = demanda en el ultimo periodo

para el cual el promedio móvil para el cual el promedio móvil es calculadoes calculadoNN = numero de periodos usados = numero de periodos usados

Slide 4.18

La estabilidad La estabilidad es la propiedad de no es la propiedad de no fluctuar erráticamente para que el fluctuar erráticamente para que el pronostico siga el modelo básico de la pronostico siga el modelo básico de la demandademanda. .

La sensibilidad La sensibilidad es la habilidad dees la habilidad de ajustarseajustarsea los cambios el modelo de la demanda. a los cambios el modelo de la demanda.

Slide 4.19

Promedio móvil ponderado Promedio móvil ponderado

Weighted Moving Average (WMA)Weighted Moving Average (WMA)

= W= Wtt D Dtt + W + Wt-1t-1 D Dt-1t-1 +…+ W +…+ Wt-(n-1) t-(n-1) DDt-(N-1)t-(N-1)

donde:donde: WWtt = peso del periodo t= peso del periodo t

WWt-1t-1 = peso del periodo= peso del periodo t-1t-1

WWt-(N-1)t-(N-1)= peso del periodo= peso del periodo t-(N-1)t-(N-1)

yy WWtt + W + Wt-1t-1 +…+ W +…+ W t-(N-1) t-(N-1) = 1.0= 1.0

Slide 4.20

Suavizamiento Exponencial Suavizamiento Exponencial Simple Simple

FFt+1t+1 = = DDtt + (1- + (1-) F) Ftt

FFt+1t+1 = Pronostico del proximo periodo de = Pronostico del proximo periodo de

demandademandaDDtt = demanda actual en el mas recuente = demanda actual en el mas recuente

periodoperiodoFFtt = demanda pronosticada en el más = demanda pronosticada en el más

reciente período reciente período = (representa alfa) constante de = (representa alfa) constante de suavizacion exponencial suavizacion exponencial

Slide 4.20

Suavizamiento Exponencial SimpleSuavizamiento Exponencial Simple

FFt+1t+1 = = DDtt + (1- + (1-) F) Ftt

FFt+1t+1 = Pronostico del proximo periodo de demanda= Pronostico del proximo periodo de demanda

DDtt = demanda actual en el mas recuente periodo= demanda actual en el mas recuente periodo

FFtt = demanda pronosticada en el más reciente = demanda pronosticada en el más reciente

período período = (representa alfa) constante de suavizacion = (representa alfa) constante de suavizacion

exponencial exponencial

weight

today

Decreasing weight given to older observations

0 1

( )

( )

( )

1

1

1

2

3

Suavizamiento Exponencial SimpleSuavizamiento Exponencial Simple

Incluir todas las observaciones pasadasIncluir todas las observaciones pasadas Dar mayor peso a las observaciones recientes que a las mas Dar mayor peso a las observaciones recientes que a las mas

lejanaslejanas

Suavizamiento Exponencial SimpleSuavizamiento Exponencial Simple

Internet Unicycle Sales (1000's)

0

50

100

150

200

250

300

350

400

450

Jan-03 May-04 Sep-05 Feb-07 Jun-08 Nov-09 Mar-11 Aug-12

Month

Un

its

Factores que complican el modeloFactores que complican el modelo

El modelo trabaja bien con data que El modelo trabaja bien con data que se mueve en un solo sentido se mueve en un solo sentido

Debe ser adaptado para data que Debe ser adaptado para data que presenta presenta tendenciatendencia

Debe ser adaptado para data que Debe ser adaptado para data que presenta presenta patrones estacionalespatrones estacionales

Método de Holt’sMétodo de Holt’s

Doble suavizamiento exponencialDoble suavizamiento exponencial

Que pasa cuando hay una tendencia Que pasa cuando hay una tendencia definida?definida?

Una boutique tiene la siguiente data para los últimos 6 meses

1 2 3 4 5 6510 512 528 530 542 552

480490500510520530540550560

1 2 3 4 5 6 7 8 9 10

Mes

Demanda

Actual

Forecast

Ideas detrás del suavizamiento con tendencia:Ideas detrás del suavizamiento con tendencia:– Elimine la tendencia de la serie de tiempo separando la base del efecto Elimine la tendencia de la serie de tiempo separando la base del efecto

tendenciatendencia– Suavice la serie base de la manera usual usando un Suavice la serie base de la manera usual usando un

– Suavice la tendencia de la manera usual usando Suavice la tendencia de la manera usual usando Suavizamiento de la base Suavizamiento de la base BBtt

ºº Suavice la serie con la tendencia Suavice la serie con la tendencia TTtt

Pronostique t Pronostique t k k periodos en el futuro periodos en el futuro FFt+kt+k con la base y la tendenciacon la base y la tendencia

))(1( 11 tttt TFDF

11 )1()( tttt TFFT

ttkt kTFF

Método de Holt’sMétodo de Holt’s

Doble suavizamiento exponencialDoble suavizamiento exponencial

Método de Holt’sMétodo de Holt’sDoble suavizamiento exponencialDoble suavizamiento exponencial

Internet Unicycle Sales (1000's)

0

50

100

150

200

250

300

350

400

450

Jan-03 May-04 Sep-05 Feb-07 Jun-08 Nov-09 Mar-11 Aug-12

Month

Un

its

= 0.2, = 0.4

Método de Winter´sMétodo de Winter´s Suvizamiento exponencial con tendencia y Suvizamiento exponencial con tendencia y

estacionalidadestacionalidad

Ideas detrás del método:Ideas detrás del método:– Elimine la tendencia y estacionalidad de la serie de tiempo Elimine la tendencia y estacionalidad de la serie de tiempo

– Suavice la Suavice la basebase de la manera usual usando de la manera usual usando – Suavice la Suavice la tendenciatendencia de la manera usual usandode la manera usual usando – Suavice la Suavice la estacionalidadestacionalidad de la manera usual usando de la manera usual usando

Asuma Asuma mm estaciones en un cicloestaciones en un ciclo– 12 meses en un año12 meses en un año– 4 cuartos en un mes4 cuartos en un mes– 3 meses en un trimestre3 meses en un trimestre– etceteraetcetera

Método de Winter´sMétodo de Winter´s Suavizamiento exponencial con tendencia y Suavizamiento exponencial con tendencia y

estacionalidadestacionalidad

Suavice la Suavice la base base de pronostico de pronostico BBtt

Suavice la Suavice la serie de tendencia serie de tendencia TTtt

Suavice la Suavice la serie de estacionalidadserie de estacionalidad SStt

))(1( 11

ttmt

tt TB

S

DB

11 )1()( tttt TBBT

mtt

tt S

B

DS )1(

Método de Winter´sMétodo de Winter´s Suavizamiento exponencial con tendencia y Suavizamiento exponencial con tendencia y

estacionalidadestacionalidad

Pronostique Pronostique FFt t con tendencia y estacionalidad con tendencia y estacionalidad

Suavice el pronostico de la tendencia Suavice el pronostico de la tendencia TTtt

Suavice el pronostico de la estacionalidad Suavice el pronostico de la estacionalidad SStt

mktttkt SkTBF )( 11

11 )1()( tttt TBBT

mtt

tt S

B

DS )1(

Método de Winter´sMétodo de Winter´s Suavizamiento exponencial con tendencia y Suavizamiento exponencial con tendencia y

estacionalidadestacionalidad

Internet Unicycle Sales (1000's)

0

50

100

150

200

250

300

350

400

450

500

Jan-03 May-04 Sep-05 Feb-07 Jun-08 Nov-09 Mar-11 Aug-12

Month

Un

its

= 0.2, = 0.4, = 0.6

Slide 4.21

Variables Independientes Y Variables Independientes Y DependientesDependientes

Variable Dependiente Variable Dependiente – Su valor es dependiente del valor de algún Su valor es dependiente del valor de algún

otro factor (es )otro factor (es ) Variable independiente Variable independiente

– los valores son determinados fuera del los valores son determinados fuera del sistema que esta siendo modelado sistema que esta siendo modelado

Slide 4.25

Regresión Lineal SimpleRegresión Lineal Simple

Un método de pronostico en cuál el la Un método de pronostico en cuál el la variable dependiente se predice variable dependiente se predice como una función de una variable como una función de una variable independiente. independiente.

La ecuación: La ecuación:

Y=a+bxY=a+bx

Calculo de los parámetrosCalculo de los parámetros

22

xn

yxxynb

x

22

2

xxn

xyxyxa

Slide 4.25

Regresión Lineal múltipleRegresión Lineal múltiple Un método de pronostico en cuál el la Un método de pronostico en cuál el la

variable dependiente se predice como una variable dependiente se predice como una función de dos o más variables función de dos o más variables independientes. independientes.

La ecuación:La ecuación:

y= a+by= a+b11XX11+b+b22XX22+…+b+…+bkkXXkk

Slide 4.24

El Coeficiente de Determinación El Coeficiente de Determinación (r(r22))

Los valores van entre 0 y 1 Los valores van entre 0 y 1

Indica el porcentaje de Indica el porcentaje de

variación en la variable variación en la variable

dependiente que se explica dependiente que se explica

por la variación en la por la variación en la

variable independiente variable independiente

2222

2

2

][ yynxxn

yxxynr

Slide 4.23

Coeficiente de correlación Coeficiente de correlación (r)(r)

Una medida relativa de la asociación entre Una medida relativa de la asociación entre

las variables independientes y las variables independientes y

dependientes (el rango de valores entre -1 dependientes (el rango de valores entre -1

y +1). y +1).

Valor positivo: la variable dependiente se Valor positivo: la variable dependiente se

mueve en la misma dirección que la mueve en la misma dirección que la

variable independiente. variable independiente.

Valor negativo: la variable dependiente se Valor negativo: la variable dependiente se

mueve en la dirección opuesta a la mueve en la dirección opuesta a la

variable independiente. variable independiente.

2rr

Slide 4.26

Error Error ii = Actual = Actual ii - Pronostico - Pronostico ii

¿Que es error?Que es error?

Slide 4.22

El Error estándar de la Estimación El Error estándar de la Estimación

Similar a la desviación estándar. Similar a la desviación estándar.

Basado en el cuadrado de las desviaciones verticales de Basado en el cuadrado de las desviaciones verticales de

las observaciones reales de la regresión contra la línea de las observaciones reales de la regresión contra la línea de

regresión en vez de desviaciones sobre la media. regresión en vez de desviaciones sobre la media.

Le permite al pronosticador comparar la regresión y hace Le permite al pronosticador comparar la regresión y hace

las declaraciones sobre los intervalos de confianza para las declaraciones sobre los intervalos de confianza para

pronosticar Yi. pronosticar Yi.

ForecastingForecasting Performance Performance

Mean Forecast ErrorMean Forecast Error (MFE or Bias)(MFE or Bias):: Mide el promedio Mide el promedio de la desviacion entre el forecast y el real. de la desviacion entre el forecast y el real.

Mean Absolute DeviationMean Absolute Deviation (MAD)(MAD):: Mide el promedio de Mide el promedio de la de la desviacion absoluta entre el forecast y el real.la de la desviacion absoluta entre el forecast y el real.

Mean Absolute Percentage ErrorMean Absolute Percentage Error (MAPE)(MAPE):: Mide el Mide el error absoluto como un porcentaje del forecast.error absoluto como un porcentaje del forecast.

Standard Squared ErrorStandard Squared Error (MSE)(MSE): mide la varianza del : mide la varianza del error del forecast variance of forecast errorerror del forecast variance of forecast error

Que tan bueno es el pronostico?

Forecasting Performance MedidasForecasting Performance Medidas

)(1

1t

n

tt FD

nMFE

n

ttt FD

nMAD

1

1

n

t t

tt

D

FD

nMAPE

1

100

2

1

)(1

t

n

tt FD

nMSE

Want MFE to be as close to zero as possible -- Want MFE to be as close to zero as possible -- minimum biasminimum bias

A large positive (negative) MFE means that the A large positive (negative) MFE means that the forecast is undershooting (overshooting) the actual forecast is undershooting (overshooting) the actual observationsobservations

Note that zero MFE Note that zero MFE does notdoes not imply that forecasts are imply that forecasts are perfect (no error) -- only that mean is “on target”perfect (no error) -- only that mean is “on target”

Also called forecast Also called forecast BIASBIAS

Mean Forecast Error Mean Forecast Error (MFE or Bias)(MFE or Bias)

)(1

1t

n

tt FD

nMFE

Mean Mean AbsoluteAbsolute Deviation Deviation (MAD)(MAD)

Measures absolute errorMeasures absolute error Positive and negative errors thus do not cancel Positive and negative errors thus do not cancel

out (as with MFE)out (as with MFE) Want MAD to be as small as possibleWant MAD to be as small as possible No way to know if MAD error is large or small in No way to know if MAD error is large or small in

relation to the actual datarelation to the actual data

n

ttt FD

nMAD

1

1

Mean Absolute Percentage ErrorMean Absolute Percentage Error (MAPE)(MAPE)

Same as MAD, except ...Same as MAD, except ... Measures deviation as a percentage of actual dataMeasures deviation as a percentage of actual data

n

t t

tt

D

FD

nMAPE

1

100

Mean Squared Error (MSE)Mean Squared Error (MSE)

Measures squared forecast error -- error varianceMeasures squared forecast error -- error variance Recognizes that large errors are disproportionately Recognizes that large errors are disproportionately

more “expensive” than small errorsmore “expensive” than small errors But is not as easily interpreted as MAD, MAPE -- But is not as easily interpreted as MAD, MAPE --

not as intuitivenot as intuitive

2

1

)(1

t

n

tt FD

nMSE

Coeficiente de variabilidadCoeficiente de variabilidad

dtual DemanMean of Ac

ing Errorf Forecasteviation oStandard D

N

N

1i

2)i

DemandForecastedi

mand(Actual De

SD) =eviation (Standard D

Supervisando los pronósticos y Supervisando los pronósticos y Señal de rastreoSeñal de rastreo

control de graficosy Cuadros

=rastreo de Señal

N

1=i MAD

iDemand Forecasted

iDemand Actual

•Comparación visual del real con el Forecast

Afortunadamente hay Afortunadamente hay software...software...

Slide 4.27

Medidas absolutas del Error de PronósticoMedidas absolutas del Error de Pronóstico

Mean Square Error (MSE) =

Standard Deviation (SD) =

Mean Absolute Deviation (MAD)

(Actual Demandi Forecasted Demandi )2i 1

N

N

(Actual Demandi

Forecasted Demandi)2

i 1

N

N

(Actual Demandi Forecasted Demandi )2i 1

N

N

Slide 4.28

Medidas Relativas del Error de PronosticoMedidas Relativas del Error de Pronostico

Mean Percentage Error (MPE)

Coefficient of Variation (CVAR)

Mean Absolute Percent Error (MAPE)

Actual Demandi

Forecasted Demandi

Actual Demandii 1

N100 N

Standard Deviation of Forecasting Error

Mean of Actual Demand

Actual Demandi

Forecasted Demandi

Actual Demandii 1

N100 N

Slide 4.29

Supervisando y Controlando los Supervisando y Controlando los Pronósticos Pronósticos

Visual comparison of actual data and forecasts.

Tracking Signal =

Control Charts

Actual Demandi

Forecasted Demandi

MADi = 1

N