INTRODUCCIONUna de las directrices cruciales en la administracin de las cadenas de valor es LA PLANIFICACION EFICAZ DE DEMANDA DEL CLIENTE o CDP por sus siglas en ingls, la cual tiene como base pronsticos precisos.La CDP es un proceso de planificacin empresarial que permite a los equipos de venta formular pronsticos de demandas las cuales les sirven como base a los procesos de planificacin de servicios, produccin, etc.Pronosticar es el proceso de elaborar la visin ms probable de lo que ser la demanda futura, en base a suposiciones de tecnologa,competidores,precio,etc,en cambio planificar es el proceso de tomar decisiones administrativas acerca de cmo utilizar los recursos en respuesta a estos pronsticos.

CDP aplicado a la empresa UNILEVERUnilever es una empresa que provee productos de consumo de alta rotacin, est empresa utiliza un software de CDP llamado Manugistic el cual combina datos histricos de embarque y promociones a fin de colaborar con sus clientes ms importantes.Este pronstico bsico depende exclusivamente de informacin pasada y presente por lo que es necesario contar con datos confiables, sin embargo la mayora de datos se recopilan de sistemas dispares por lo cual no siempre pueden genera un buen pronstico.Para superar este problema los planificadores de Unilever ajustan sus pronsticos con las predicciones sobre las promociones planeadas as se podr saber si las ventas subirn o bajaran de acuerdo a cada promocin, esta informacin se enva al Sistema de Planificacin de Demanda y a los Centros de Distribucin.Adems para mejorar la precisin de los pronsticos Unilever compara los datos obtenidos en sus sistema de punto de venta (POS) con sus propios pronosticos,por desgracia la mayora de clientes no deja datos de POS, adems la integracin de estos datos es muy difcil ya que provienen de sistemas con distinto formato. Es por eso que las empresas piensan en interfaces para la captura de estos datos pero al no contar con un presupuesto viable para la creacin de interfaces, estas se ven obligadas a solo capturar datos de POS de empresas grandes.En general Unilever ha logrado un relativo xito al ver reducido su inventario y mejorar la atencin a sus clientes.El siguiente paso para Unilever es poder colaborar con sus clientes y proveedores para eso se necesita un proceso en donde el pronstico actual se combine con planes de promociones y otros datos para obtener un PRONSTICO FINAL, mediante el sistema CPFR.PRONOSTICOSUn pronstico es una prediccin de acontecimientos futuros que se utilizan con propsitos de planificacin. Los mtodos de pronstico pueden basarse en modelos matemticos que utilizan datos histricos disponibles o mtodos cualitativos que aprovechan la experiencia cualitativa o los juicios de los clientes. El sistema CDP que mencionamos antes combina ambos mtodos y pueden ser mejorados con el sistema CPFR. Los pronsticos son tiles para la administracin de procesos y la cadena de valor. Respecto a la cadena de valor la empresa los necesita para coordinarse con clientes y proveedores, a nivel de procesos, los pronsticos se necesitan para disear todos los procesos que ocurren dentro de la organizacin.

PRONOSTICOS EN LA ORGANIZACINEl pronstico general de la demanda se origina en el marketing, pero es necesario para los clientes internos de toda la organizacin para que formulen y ejecuten sus planes.Por ejemplo Finanzas necesita un pronstico para ver los flujos de efectivo y las necesidades de capital, RRHH necesita de pronsticos para prever la necesidad y contratacin de personal, Marketing es una de las fuentes principales de informacin del pronstico ya que se encuentran cerca a los clientes externos, Operaciones necesita pronsticos para la compra9 de materiales, mano de obra, programas de inventario, etc.

PATRONES DE DEMANDAEn la raz de la mayora de las decisiones de negocio se encuentra el reto de pronosticar la demanda del cliente. Es difcil ya que las demandas de bienes y servicios varan constantemente, por eso se utilizan PATRONES que prevean estos cambios bruscos.Las observaciones repetidas de la demanda de un producto o servicio en el orden en que se realizan forman un patrn que se conoce como SERIE DE TIEMPO, existen 5 patrones bsicos de las series de tiempo aplicados a la demanda son: Horizontal : Los datos fluctan en torno a una media constante Tendencia: El incremento o decremento sistemtico de la media de la serie a travs del tiempo Estacional: Un patrn repetible de incrementos o decrementos de la demanda dependiendo del da, semana, mes o temporada. Cclica : Pauta de incrementos o decrementos graduales y menos previsibles de la demanda, los cuales se presentan en el transcurso de periodos largos de tiempo Aleatorio: Variacin imprevisible de la demandaDe estos 5 patrones se combinan 4 (Horizontal, Tendencia, Estacional, Ciclico ) en diversos grados para definir el patrn fundamental.

DISEO DEL SISTEMA DE PRONSTICOAntes de comenzar con las tcnicas de pronstico, el gerente necesita tomar 3 decisiones :1) Qu vamos a pronosticar?Aunque se necesita algn tipo de estimacin de la demanda para bienes y servicio es de una compaa, puede resultar ms sencillo pronosticar la demanda total para grupos conjuntos y derivar luego los pronsticos correspondientes a productos o servicios individuales.Necesitamos tener en cuenta dos conceptos:Nivel de Agregacin: Es el acto de agrupar varios productos o servicios similares para que las compaas puedan realizar pronsticos ms precisos.Unidades de Medida: En lugar de usar unidades monetarias como unidad inicial de medida, los pronsticos ms tiles para la planificacin y el anlisis de los problemas de operacin se basan en unidades de productos o servicios tales como las SKU, ya que los pronsticos provenientes de las ventas fluctan con frecuencia.2) Seleccin del tipo de tcnica del pronsticoEl objetivo principal de una empresa es elaborar un pronstico til a partir de la informacin disponible, para los pronsticos de demanda se utilizan 2 tipos generales de tcnicas: Mtodos Cualitativos Mtodos CuantitativosSegn el ejemplo del proceso CDP de Unilever vemos que utiliza una combinacin de ambos mtodos, entre los mtodos cualitativos figuran los mtodos de juico en la que las opiniones de expertos y encuestas a consumidores se traducen en estimaciones cuantitativas. Entre los mtodos cuantitativos estn los mtodos causales y el anlisis de series de tiempo, en el primero utilizaremos datos histricos de variables independientes por ejemplo: campaas de promocin, condiciones econmicas y actividades de la competencia mientras que el segundo representa uno de tantos mtodos estadsticos que depende de los datos histricos de la demanda, con los que puede proyectar su magnitud futura, reconocer tendencias y patrones estacionales.Un factor clave para la seleccin del mtodo de pronstico ms adecuado es el Horizonte del tiempo correspondiente a la decisin que requieran pronosticar, Los procesos pueden ser a corto mediano y largo plazo

3) Pronsticos por medio de computadorasExisten muchos paquetes de software para pronstico que pueden usarse en computadores de cualquier tamao y ofrecen una amplia variedad de capacidades de pronsticos y formatos de informes entre ellos Manugistics, Forecast Pro y SAS.Los paquetes de software de pronostico leen los datos contenidos en hojas de clculo, trazan grficos y los pronsticos y los guardan para mostrar los resultados en hojas de clculo, el precio de estos software varan entre 150 y 10000 dlares, dependiendo de las funcionalidades que posean, el diseo de estos programas para computadoras personales y sus precios relativamente cmodos ponen estos paquetes al alcance de cualquier empresa.En este mbito tenemos precedentes como los de Unilever que opto por un enfoque el cual usa el software para compartir la informacin y colaborar con sus clientes. En la prctica este proceso es planificacin, pronostico y reabastecimiento en colaboracin (En ingls CPFR) que es un proceso de 9 pasos para administrar una cadena de valor, que permite a un fabricante y a sus clientes colaborar en la elaboracin del pronstico mediante la Internet.METODOS DE JUICIOLos pronsticos de los mtodos cuantitativos solo son posibles cuando existe una cantidad suficiente de datos histricos, que a menudo se conoce como archivo de historial en varios paquetes comerciales de software sin embargo estos no pueden ser confiables, por este motivo en algunos casos los mtodos de juicio son la nica manera prctica de realizar un pronostico, o tambin pueden utilizarse para modificar los pronsticos generados por los mtodos cuantitativos con el fin de prever sucesos especiales prximos y por ultimo tambin pueden utilizarse para ajustar el archivo de historial que se analizara con mtodos cuantitativos para descontar el impacto de acontecimientos especiales nicos que ocurrieron en el pasado.Si no se utilizaran mtodos de juicio se produciran pronsticos pocos confiables. A continuacin veremos los mtodos de juicio que se utilizan con mayor xito Las Estimaciones del personal de Ventas La Opinion Ejecutiva La Investigacion de Mercado El Metodo Delphi

1) Estimaciones del personal de ventasLas estimaciones del personal de ventas son pronsticos compilados a partir de estimaciones realizadas peridicamente por miembros del personal de ventas de las compaas.

Ventajas: El personal de ventas es el grupo con mayor probabilidad de saber que productos o servicios compraran los clientes en el futuro cercano adems de las cantidades. Los territorios de ventas estn divididos a menudo en distritos o regiones. La informacin desglosada de este modo puede ser til para propsitos de administracin de inventarios, distribucin y contratacin de personal. Los pronsticos de individuos del personal de ventas pueden combinarse fcilmente para obtener cifras correspondientes a ventas regionales o nacionales.

Desventajas: Los prejuicios individuales de los vendedores pueden introducir sesgos en los pronsticos, por ejemplo algunas personas son ms optimistas y otras ms cautelosas. Es posible que el personal de ventas no siempre perciba la diferencia entre lo que el cliente quiere y lo que el cliente necesita Si la empresa utiliza las ventas individuales como medida del desempeo, el personal de ventas puede subestimar sus pronsticos para que su propio desempeo parezca bueno cuando superen esas proyecciones, o para tener que esforzarse solamente hasta alcanzar las ventas mnimas requeridas.

2) Opinin EjecutivaLa opinin ejecutiva es un mtodo de pronstico el cual hace un resumen de las opiniones, experiencia y conocimientos tcnicos de uno o varios gerentes para llegar a un solo pronstico. La opinin ejecutiva puede utilizarse para modificar pronsticos de ventas existentes, afn de tomar en cuenta circunstancias inusitadas, como una nueva promocin de ventas o acontecimientos internacionales inesperados. La opinin ejecutiva puede usarse tambin para elaborar pronsticos tecnolgicos.La clave principal para la utilizacin eficaz de la opinin ejecutiva consiste en asegurarse de que el pronstico no refleje una serie de modificaciones independientes, sino un consenso de los ejecutivos acerca de un pronstico unificado.3) Investigacin de MercadoConsiste en un mtodo sistemtico para determinar el grado de inters del consumido externo por un producto o servicio, mediante la creacin y puesta a prueba de diversas hiptesis por medio de encuestas encaminadas a la recopilacin de datos. La realizacin de un estudio de investigacin de mercado incluye el diseo de un cuestionario. La decisin de cmo administrarlo, la seleccin de una muestra representativa y el anlisis de la informacin, aplicando el buen juicio y herramientas estadsticas para interpretar las respuestas. A pesar de que la investigacin de mercado produce informacin importante, una de sus desventajas son las numerosas salvedades y limitaciones que suelen incluir sus conclusiones.4) Mtodo DelphiEs un proceso para obtener el consenso dentro de un grupo de expertos, al tiempo que respeta el anonimato de sus integrantes. Esta forma de pronstico es til cuando no existen datos histricos sobre los cuales puedan desarrollarse modelos estadsticos y cuando los gerentes de la empresa no tienen experiencia en la cual fundamentar proyecciones bien informadas.Un coordinador enva preguntas a cada uno de los miembros del grupo de expertos externos, quienes tal vez ignoran quien ms est participando. El coordinador prepara un resumen estadstico de las respuestas, adems de un sumario de los argumentos que vienen a propsito de algunas de ellas. El informe se enva al mismo grupo para la otra ronda de opiniones y los participantes pueden modificar sus respuestas anteriores si as lo desean. Las rondas continan hasta llegar a un consenso.Este mtodo se usa para elaborar pronsticos a largo plazo de la demanda de productos y proyecciones de ventas de los nuevos productos.

LINEAMIENTOS PARA USAR PRONOSTICOS DE JUICIOLa necesidad de usar pronsticos de juicio es muy clara cuando no existen datos cuantitativos que permitan aplicar enfoques de pronstico tambin cuantitativos. Sin embargo los mtodos de juicio pueden utilizarse en combinacin con enfoques cuantitativos a fin de mejorar la calidad del pronstico.Entre los lineamientos aplicables tenemos: Ajuste los pronsticos cuantitativos cuando estos tienden a ser imprecisos y la persona que toma las decisiones posee un conocimiento contextual importante. Haga ajustes de los pronsticos cuantitativos para compensar sucesos especficos: Generalmente existen sucesos como campaas de publicidad, actividades de la competencia o acontecimientos internacionales que no se reconocen en los pronsticos cuantitativos y es preciso tenerlos en cuenta para elaborar un pronstico definitivo.METODOS CAUSALES: REGRESION LINEALLos mtodos causales se emplean cuando se dispone de datos histricos y se pueden identificar la relacin entre el factor que se intenta pronosticar y otros factores externos o internos .Estas relaciones se expresan en trminos matemticos y suelen ser muy complejas. Los mtodos causales proporcionan las herramientas de pronstico ms avanzadas y son excelentes para prever los puntos de cambio en la demanda y preparar pronsticos a largo plazo.En la regresin lineal, existe una variables conocida como variable dependiente, est relacionada con una o ms variables independientes por medio de una ecuacin lnea.La variable dependiente es la que el gerente desea pronosticar. Se supone que las variables independientes influyen en la variable dependiente y por ende son la causa de los resultados observados en el pasado.En trminos tcnicos la lnea de regresin minimiza las desviaciones cuadrticas con respecto a los datos reales.

El objetivo del anlisis de regresin lineal es encontrar los valores de a y b que minimicen la suma de desviaciones cuadrticas de los puntos de datos reales que estn representando en el grfico. Con esta finalidad se utilizan programas de cmputo. Para cualquier conjunto de parejas de observaciones de Y Axel programa calcula los valores de a y b y ofrece medidas de la precisin del pronstico. Tres medidas de uso comn son el coeficiente de correlacin de la muestra, el coeficiente de determinacin de la muestra y el error estndar del estimado.a) Coeficiente de correlacin de la muestra rMide la direccin y fuerza de la relacin entre la variable dependiente e independiente. Los valores de r pueden fluctuar entre -1 y +1.Un coeficiente de relacin de +1 significa que los cambios registrados de uno a otro periodo en la direccin de la variable independiente siempre van acompaados por cambios de la variable dependiente en la misma direccin. Un coeficiente de relacin de -1 significa que los decrementos de la variable independiente siempre van acompaados de incrementos en la variable dependiente y viceversa. Cuando r tiene un valor de 0 significa que no existe relacin lineal entre las variables.b) Coeficiente de determinacin de la muestraMide la cantidad de variacin que presenta la variable dependiente con respecto a su valor medio, que se explica por la lnea de regresin. El coeficiente de determinacin es igual al cuadrado del coeficiente de correlacione valor de r2 vara entre 0 y 1.Las ecuaciones de regresin cuyo valor de r2 se aproxima a 1 son deseables porque eso significa que las variaciones de la variable dependiente y del pronstico generado por la ecuacin de regresin estn estrechamente relacionadas.c) El error estndar del estimado Syz Mide la proximidad con que los datos de la variable dependiente se agrupan alrededor de la lnea de regresin. Aunque es semejante a la desviacin estadas de la muestra, mide el error de la variable dependiente. Y con respecto a la lnea de regresin en lugar de medirlo con respecto a la media. En consecuencia es la desviacin estndar de la diferencia entre la demanda real y la estimacin obtenida con la ecuacin de regresin. Al determinar que variable independiente se incluir en la ecuacin de regresin, se debe elegir la que tenga el error estndar ms pequeo del estimado

EJERCICIO DE REGRESION LINEAL

Es acertado seleccin los gastos de publicidad para realizar un pronstico de verdad?

Observemos que el coeficiente de correlacin es r= 0.98.Puesto que el valor de r se aproxima mucho a 1 se concluye que existe una fuerte relacin positiva entre las ventas y los gatos de publicidad y que la eleccin fue acertada.A continuacin se examina el coeficiente de determinacin de la muestra r2 o 0.96.Este valor de r2 implica que el 96% de la variacin observada en las ventas se explica por los gastos de publicidad.Como el gasto de publicidad fue de 1750 el pronstico para el mes 6 segn la ecuacin es la de 183,016 unidades

MTODOS DE SERIES DE TIEMPO

En el anlisis de series de tiempo se identifican los patrones fundamentales de la demanda que se combinan para producir el patrn histrico observado en la variable dependiente, despus de lo cual se elabora un modelo capaz de reproducir dicho patrn.

Pronstico empricoEs un mtodo en el cual el pronstico de la demanda para el siguiente periodo es igual a la demanda observada en el periodo actual (Dt). De esta manera, si la demanda real del mircoles ha sido de 35 clientes, la demanda pronosticada para el jueves ser de 35 clientes. Si la demanda real del jueves es de 42 clientes, la demanda pronosticada para el viernes tambin ser de 42 clientes. El mtodo de pronstico emprico se puede adaptar para tomar en cuenta una tendencia de la demanda. El incremento (o decremento) observado en la demanda de los dos ltimos periodos se usa para ajustar la demanda actual a fin de llegar a un pronstico. Suponga que la demanda fue de 120 unidades en la ltima semana y de 108 unidades la semana anterior. El incremento de la demanda fue de 12 unidades en una semana, por lo que el pronstico para la siguiente semana sera de 120 + 12 = 132 unidades. Si la demanda real de la semana siguiente resultara ser de 127 unidades, el siguiente pronstico sera de 127 + 7 = 134 unidades. El mtodo de pronstico emprico tambin se puede aplicar a patrones estacionales. Si la demanda durante julio del ao pasado fue de 50,000 unidades, el pronstico para julio del ao en curso ser de 50,000 unidades. Asimismo, los pronsticos de demanda para cada uno de los meses del ao entrante ser un simple reflejo de la demanda real observada en esos mismos meses durante el ao pasado.

ESTIMACIN DEL PROMEDIO

Cada serie de tiempo de demanda tiene por lo menos dos de los cinco patrones posibles de demanda: el horizontal y el aleatorio. El patrn horizontal de una serie de tiempo se basa en la media de las demandas. Por lo tanto, el pronstico de demanda para cualquier periodo futuro es el promedio de las series de tiempo calculadas en el periodo actual. Por ejemplo, si el promedio de la demanda anterior que se calcul el martes es de 65 clientes, los pronsticos para el mircoles, jueves y viernes sern de 65 clientes cada da. Considere la figura 13.4, que muestra la llegada de pacientes a una clnica mdica en las ltimas 28 semanas. Suponga que el patrn de demanda aplicable al arribo de los pacientes no tiene ningn patrn de tendencia, estacional o cclico. La serie de tiempo muestra solamente un patrn horizontal y aleatorio. Como nadie puede prever errores aleatorios, nos centraremos con estimar el promedio. Las tcnicas estadsticas tiles para el pronstico de esas series de tiempo son: (1) promedios mviles simples; (2) promedios mviles ponderados, y (3) suaviza miento exponencial.

Promedios mviles simples

Se usa para estimar el promedio de una serie de tiempo de demanda y, por lo tanto, para suprimir los efectos de las fluctuaciones aleatorias. Este mtodo resulta ms til cuando la demanda no tiene tendencias pronunciadas ni influencias estacionales. La aplicacin de un modelo de promedio mvil requiere simplemente calcular la demanda promedio para los n periodos ms recientes, con el fin de usarla como pronstico para el siguiente periodo. Para el periodo siguiente, una vez que se conoce la demanda, la demanda ms antigua incluida en el promedio anterior se sustituye por la demanda ms reciente y luego se vuelve a calcular el promedio. De esta manera, se usan las n demandas ms recientes y el promedio se mueve de un periodo a otro. En trminos especficos, el pronstico correspondiente al periodo t + 1 se calcula como sigue:

Con el mtodo de promedio mvil, el pronstico de la demanda en el periodo siguiente ser igual al promedio calculado al final de este periodo. En cualquier mtodo de pronstico, es importante medir la precisin de los pronsticos. El error de pronstico es simplemente la diferencia que se obtiene al restar el pronstico de la demanda real en cualquier periodo determinado, o

Ejemplo

Considere la figura 13.5, que muestra una comparacin entre las llegadas reales de pacientes y un pronstico basado en un promedio mvil para tres y seis semanas, correspondientes a los datos de la clnica mdica. Observe que el pronstico del promedio mvil de tres semanas vara ms y reacciona con mayor rapidez ante las grandes fluctuaciones de la demanda.

Promedios mviles ponderados

En el mtodo de promedio mvil simple, todas las demandas tienen la misma ponderacin en el promedio, es decir, 1/n. En el mtodo de promedio mvil ponderado, cada una de las demandas histricas que intervienen en el promedio puede tener su propia ponderacin. La suma de las ponderaciones es igual a 1.0. Por ejemplo, en un modelo con promedio mvil ponderado de tres periodos, al periodo ms reciente se le puede asignar una ponderacin de 0.50, al segundo ms reciente se le asigna una ponderacin de 0.30, y al tercero ms reciente, una de 0.20. El promedio se obtiene multiplicando la ponderacin de cada periodo por el valor correspondiente a dicho periodo y sumando finalmente los productos:

La ventaja del mtodo de promedio mvil ponderado es que permite destacar la demanda reciente sobre la demanda anterior. (Incluso permite manejar los efectos estacionales, si se asignan ponderaciones ms altas a periodos anteriores en la misma temporada). Este pronstico suele responder mejor a los cambios registrados en el promedio fundamental de la serie de demandas que el pronstico de promedio mvil simple. No obstante, el pronstico de promedio mvil ponderado seguir retrasndose con respecto a la demanda porque slo calcula promedios de la demanda en el pasado. Este retraso es especialmente notable cuando existe una tendencia, porque el promedio de la serie de tiempo se va incrementando o disminuyendo en forma sistemtica. El mtodo de promedio mvil ponderado presenta los mismos inconvenientes que el mtodo de promedio mvil simple: es necesario recopilar los datos de n periodos de demanda para poder calcular el promedio correspondiente a cada periodo.

Suaviza miento exponencial

El mtodo de suaviza miento exponencial es un mtodo de promedio mvil ponderado muy refinado que permite calcular el promedio de una serie de tiempo, asignando a las demandas recientes mayor ponderacin que a las demandas anteriores. Es el mtodo de pronstico formal que se usa ms a menudo por su sencillez y por la reducida cantidad de datos que requiere. A diferencia del mtodo de promedio mvil ponderado, que requiere n periodos de demanda pasada y n ponderaciones, el mtodo de suaviza miento exponencial necesita solamente tres datos: el pronstico del ltimo periodo, la demanda de ese periodo y un parmetro de suaviza miento, alfa (), cuyo valor flucta entre 0 y 1.0. Para elaborar un pronstico con suaviza miento exponencial, simplemente se calcula un promedio ponderado de la demanda ms reciente y el pronstico calculado para el ltimo periodo. La ecuacin correspondiente a este pronstico es:

La siguiente es una ecuacin equivalente:

Esta forma de la ecuacin muestra que el pronstico para el periodo siguiente es igual al pronstico del periodo actual ms una proporcin del error del pronstico correspondiente al periodo actual. El nfasis que se hace en los niveles de demanda ms recientes puede ajustarse modificando el parmetro de suaviza miento. Los valores ms grandes de hacen nfasis en los niveles recientes de la demanda y dan lugar a pronsticos que tienen mejor capacidad de respuesta ante los cambios en el promedio fundamental. Con valores de ms pequeos, se considera ms uniformemente la demanda pasada y se producen pronsticos ms estables. En la prctica, se ensaya con diversos valores de y se elige el que produzca los mejores pronsticos. Para poner en marcha el suaviza miento exponencial se requiere un pronstico inicial. Hay dos formas de obtener ese pronstico inicial: usar la demanda del ltimo periodo, o si se dispone de datos histricos, calcular el promedio de varios periodos recientes de demanda. El efecto de la estimacin inicial del promedio sobre las estimaciones sucesivas del mismo disminuye a travs del tiempo porque, con el suaviza miento exponencial, las ponderaciones asignadas a las demandas histricas sucesivas que se utilizan para calcular el promedio disminuyen exponencialmente. Este efecto se puede ilustrar con un ejemplo. Suponiendo que _ = 0.20, el pronstico para el periodo t + 1 es:

Finalmente, las ponderaciones de las demandas de hace muchos periodos se aproximan a cero. Igual que en el mtodo de promedio mvil ponderado, la suma de las ponderaciones debe ser igual a 1.0, lo cual va implcito en la ecuacin de suaviza miento exponencial.

INCLUSIN DE UNA TENDENCIA

En seguida se considerar una serie de tiempo de la demanda con una tendencia. En una serie de tiempo, una tendencia es un incremento o decremento sistemtico en el promedio de la serie a travs del tiempo. Cuando existe una tendencia significativa, los mtodos de suaviza miento exponencial deben modificarse; de lo contrario, los pronsticos siempre estarn por arriba o por debajo de la demanda real. Para mejorar el pronstico, es necesario calcular una estimacin de la tendencia. Comenzaremos calculando la estimacin actual de dicha tendencia, que no es sino la diferencia entre el promedio de la serie calculado en el periodo actual y el promedio calculado en el ltimo periodo. Para obtener una estimacin de la tendencia a largo plazo, se pueden promediar las estimaciones actuales. El mtodo para estimar una tendencia es similar al que se emplea para estimar el promedio de la demanda con el suaviza miento exponencial. El mtodo para incorporar una tendencia en un pronstico suavizado exponencialmente se conoce como mtodo de suaviza miento exponencial ajustado a la tendencia. En este enfoque, se suavizan las estimaciones del promedio y la tendencia, para lo cual se requieren dos constantes de suaviza miento. Se calcula el promedio y la tendencia para cada periodo:

Para realizar pronsticos para periodos posteriores al siguiente, se multiplica la estimacin de la tendencia (Tt) por el nmero de periodos adicionales que se desea incluir en el pronstico, y se suman los resultados al promedio actual (At). Las estimaciones del promedio y la tendencia correspondientes al ltimo periodo que se requieren en el primer pronstico pueden obtenerse a partir de datos del pasado o basarse en una estimacin aproximada si no existen datos histricos. Para encontrar los valores de y , es frecuente que el analista ajuste sistemticamente y hasta obtener los errores de pronstico ms bajos posibles. Este proceso se puede llevar a cabo en un ambiente experimental, usando el modelo para pronosticar las cifras histricas de demanda.

La figura 13.6 muestra el pronstico ajustado a la tendencia (la lnea gris clarol) correspondiente a Medanalysis, para un periodo de 15 semanas. Se ha establecido en 0.20, en 0.20, la demanda inicial en 28 y la estimacin inicial de la tendencia en 3. Al final de cada semana, se calcul un pronstico para la semana siguiente, usando el nmero de anlisis de sangre correspondiente a la semana actual. Observe que los pronsticos (los cuales se presentan en la tabla 13.2) varan menos que la demanda real a causa del efecto suavizador del procedimiento que se emple para calcular las estimaciones del promedio y la tendencia. Mediante el ajuste de y , se puede hallar un pronstico ms apropiado. Para elaborar pronsticos correspondientes a periodos posteriores al siguiente, se multiplica la estimacin de la tendencia por el nmero de periodos adicionales que se desea incluir en el pronstico y se suma el resultado al promedio actual. Por ejemplo, si al final de la semana 2 se deseara estimar la demanda de anlisis de sangre en la semana 6 (es decir, 4 semanas ms adelante), el pronstico sera de 35.23 + 4(3.28) = 48 anlisis. Una vez que llega la semana 15 y se sabe que el nmero real de llegadas fue de 75 pacientes, el promedio suavizado se actualiza a 66.38 y el promedio de la tendencia a 2.29. En seguida, se pueden elaborar pronsticos para varias semanas en el futuro. Por ejemplo, los pronsticos para las prximas 3 semanas seran:Pronstico para la semana 16 = 66.38 + (1) (2.29) = 68.67 Pronstico para la semana 17 = 66.38 + (2) (2.29) = 70.96 Pronstico para la semana 18 = 66.38 + (3) (2.29) = 73.25.

PATRONES ESTACIONALES

Muchas organizaciones tienen una demanda estacional de sus bienes o servicios. Los patrones estacionales estn formados por movimientos ascendentes o descendientes de la demanda, que se repiten con regularidad, medidos en periodos de menos de un ao (horas, das, semanas, meses o trimestres). En este contexto, dichos periodos se llaman estaciones. Por ejemplo, la llegada de los clientes a un establecimiento de comida rpida en un da cualquiera puede alcanzar un punto mximo entre las 11 de la maana y la 1 de la tarde, y de nuevo entre las 5 de la tarde y las 7 de la noche. En este caso, la duracin del patrn estacional es de un da y cada hora del da es una estacin. Una manera sencilla de tomar en cuenta los efectos estacionales es usar una de las tcnicas ya descritas, pero limitando los datos de la serie de tiempo a periodos de la misma estacin. Por ejemplo, para un efecto estacional de un da de la semana, una serie de tiempo correspondera a los lunes, otra a los martes, y as sucesivamente. Si se usa el pronstico emprico, el pronstico para este martes es la demanda real de hace siete das (la del martes pasado), en vez de la demanda real de hace un da (la del lunes). Si se usa el mtodo del promedio mvil ponderado, se atribuyen ponderaciones altas a los periodos anteriores que pertenecen a la misma estacin. El procedimiento en cuatro pasos que aqu se presenta requiere el uso de promedios simples de la demanda pasada, pero tambin podran usarse otros mtodos ms complejos para calcular promedios, como los de promedio mvil o suaviza miento exponencial. La siguiente descripcin est basada en un patrn estacional con un ao de duracin y estaciones equivalentes a un mes, aunque el procedimiento se puede utilizar con cualquier patrn estacional y con estaciones de cualquier duracin.

1. Para cada ao, calcule la demanda promedio por estacin, dividiendo la demanda anual entre el nmero de estaciones por ao. Por ejemplo, si la demanda total de un ao es de 6,000 unidades y cada mes representa una estacin, la demanda promedio por estacin ser de 6,000/12 = 500 unidades.

2. Para cada ao, divida la demanda real correspondiente a una estacin entre la demanda promedio por estacin. El resultado as obtenido ser un ndice estacional para cada una de las estaciones del ao, el cual indica el nivel de la demanda en relacin con la demanda promedio. Por ejemplo, suponga que la demanda de marzo fue de 400 unidades. Entonces, el ndice estacional de marzo es de 400/500 = 0.80, lo que indica que la demanda de marzo es 20% inferior a la demanda promedio por mes. Asimismo, un ndice estacional de 1.14 para abril implica que la demanda de abril es 14% mayor que la demanda promedio por mes.

3. Calcule el ndice estacional promedio para cada estacin, usando los resultados del paso 2. Sume los ndices estacionales para una estacin dada y divdalos entre el nmero de aos que abarquen los datos. Por ejemplo, suponga que se han calculado tres ndices estacionales para abril: 1.14, 1.18 y 1.04. El ndice estacional promedio de abril es (1.14 + 1.18 + 1.04)/3 = 1.12. ste es el ndice que se usar para pronosticar la demanda de abril.

4. Calcule el pronstico de cada estacin para el ao siguiente. Comience con el clculo de la demanda promedio por estacin para el ao siguiente. Use el mtodo emprico, los promedios mviles, el suaviza miento exponencial, el suaviza miento exponencial ajustado a la tendencia, o la regresin lineal, para elaborar el pronstico de la demanda anual. Divida luego la demanda anual entre el nmero de estaciones por ao. Encuentre finalmente el pronstico estacional, multiplicando el ndice estacional por la demanda promedio por estacin. Al final de cada ao, se puede actualizar el factor estacional promedio de cada estacin. Se calcula el promedio de todos los factores histricos correspondientes a la estacin o, si se necesita tener cierto control sobre la pertinencia de los patrones de la demanda pasada, se calcula un promedio mvil o un promedio sencillo con suaviza miento exponencial.

La figura 13.8 (a) muestra una serie de tiempo con un patrn estacional multiplicativo. Observe cmo va aumentando la amplitud de las estaciones, lo que refleja una tendencia ascendente de la demanda. Sucede lo contrario cuando la demanda tiene una tendencia descendente. Otra opcin, en lugar del mtodo estacional multiplicativo, es el mtodo estacional aditivo, en el cual los pronsticos estacionales se obtienen sumando una constante (por ejemplo, 50 unidades) a la estimacin de la demanda promedio por estacin. Este mtodo se basa en la suposicin de que el patrn estacional es constante, cualquiera que sea la demanda promedio. La figura 13.8 (b) muestra una serie de tiempo con un patrn estacional aditivo. En este caso, la amplitud de las estaciones se mantiene siempre idntica, independientemente de cul sea el nivel de la demanda.

SELECCIN DE UN MTODO DE SERIES DE TIEMPO

Ahora se estudiarn los factores que los gerentes deben tomar en cuenta al seleccionar un mtodo para elaborar pronsticos con series de tiempo. Una consideracin importante es el desempeo del pronstico, el cual determinan los errores de pronstico. Los gerentes tienen que aprender a medir los errores de pronstico y la forma de detectar cuando algo marcha mal en el sistema de pronstico. Despus de examinar los errores de pronstico y su deteccin, se explicarn los criterios que los gerentes pueden aplicar para seleccionar un mtodo apropiado de pronstico con series de tiempo.

ERROR DE PRONSTICO

Los pronsticos casi siempre contienen errores. Los errores de pronstico se clasifican en dos formas: ya sea como errores de sesgo o como errores aleatorios. Los errores de sesgo son el resultado de equivocaciones sistemticas, por lo cual se observa que el pronstico siempre es demasiado alto o demasiado bajo. Con frecuencia, esos errores son el resultado de pasar por alto o no estimar correctamente los patrones de la demanda, como los de tendencia, los estacionales o los cclicos. El otro tipo de error de pronstico, el error aleatorio, es el resultado de factores imprevisibles que provocan que el pronstico se desve de la demanda real. Los analistas de pronsticos intentan minimizar los efectos de los errores de sesgo y los errores aleatorios, seleccionando modelos de pronstico apropiados, pero es imposible suprimir los errores en todas sus formas. Mediciones del error de pronstico La definicin presentada anteriormente del error de pronstico para un periodo determinado (Et = Dt - Ft) es el punto de partida para crear varias medidas del error de pronstico que abarcan un periodo relativamente largo. La suma acumulada de errores de pronstico (CFE) (del ingls cumulative sum of forecast errors) mide el error total de un pronstico:

Los grandes errores positivos tienden a compensarse con grandes errores negativos en la medida de la CFE. Sin embargo, la CFE resulta til para evaluar el sesgo de un pronstico. Por ejemplo, si un pronstico siempre resulta ms bajo que la demanda real, el valor de la CFE ser cada vez ms grande. Este error de magnitud creciente indica que existe una deficiencia sistemtica en el mtodo de pronstico. Es posible que el analista haya omitido un elemento de tendencia o un patrn cclico, o tal vez las influencias estacionales hayan cambiado con respecto a su patrn histrico. Observe que el error de pronstico promedio es simplemente:

El error cuadrtico medio (MSE) (del ingls mean squared error), la desviacin estndar (S) y la desviacin media absoluta (MAD) (del ingls mean absolute deviation) miden la dispersin de los errores de pronstico:

El smbolo matemtico || se usa para indicar el valor absoluto; es decir, indica que debe hacerse caso omiso de los signos positivos o negativos. Si el valor del MSE, la s o la MAD es pequeo, el pronstico se aproxima generalmente a la demanda real; en contraste, un valor grande indica la posibilidad de errores de pronstico considerables. Las dos medidas difieren por la forma en que ponen de relieve los errores. Los errores grandes reciben una ponderacin mucho mayor en el MSE y la porque en estos casos los errores son cuadrticos. La MAD es una medida muy comn del error de pronstico porque los gerentes la comprenden fcilmente; se trata simplemente de la media de los errores de pronstico a travs de una serie de periodos, sin considerar si dichos errores consistieron en estimaciones excesivas o en subestimaciones. La MAD tambin se usa en seales de rastreo y control de inventarios. Ms adelante se explicar cmo se puede usar la MAD o la s para determinar los volmenes de seguridad requeridos para diversos elementos de inventario. El error porcentual medio absoluto (MAPE) (del ingls mean absolute percent error) relaciona el error de pronstico con el nivel de la demanda, y es til para colocar el desempeo del pronstico en su perspectiva correcta:

Por ejemplo, un error de pronstico absoluto de 100 provoca un error porcentual mayor cuando la demanda es de 200 unidades que cuando la demanda es de 10,000 unidades. MAPE es la mejor medida de error que puede usarse para hacer comparaciones entre series de tiempo para diferentes SKU.