IME 821 Gestin Industrialclase 1Prof. Orlando DurnEscuela de Ingeniera Mecnica PUCVorlando.duran@ucv.clwww.orlandoduran.cl

Clase 02

INTRODUCINLa previsin de la demanda es la base para la planificacin estratgica de la Produccin, Ventas y Finanzas de cualquier empresa. Permite que los administradores de estos sistemas antevean el futuro y planeen adecuadamente sus acciones.Las previsiones son usadas por la PCP en de los momentos distintos: para planificar el sistema productivo ypara planificar el uso de este sistema productivo.

INTRODUCINLa responsabilidad por la preparacin de la previsin de la demanda normalmente es del sector de Marketing o Ventas.Sin embargo, existen de los buenos motivos para que la gente de la PCP entienda como esta actividad se realiza.La previsin de la demanda es la principal informacin empleada por la PCP en la elaboracin de sus actividades;En empresas de pequeo y medio porte, no existe an una especializacin muy grande de las actividades, as le cabe al personal de PCP (generalmente el mismo de Ventas) elaborar estas previsiones.Actualmente las empresas estn buscando un relacionamiento mas eficiente dentro de su cadena productiva.

ETAPAS DE UM MODELO DE PREVISIN

Etapas de un Modelo de PrevisinOBJETIVODefinir la razn por la cul necesitamos de previsiones. Que producto (familias de productos) ser previsto, Grado de precisin y detalle de la previsin Recursos que estarn disponibles para la previsin.

la sofisticacin y el detallamiento del modelo depende de la importancia relativa del producto, o familia de productos, a ser previsto y del horizonte al cul la previsin se destina.tems poco significativos pueden ser previstos con mayor margen de error, emplendose tcnicas simples. As como se admite un margen de error mayor para previsiones de largo plazo, emplendose datos agregados de familias de productos.

Etapas de un Modelo de PrevisinCOLECTA Y ANLISIS DE LOS DATOSObjetiva identificar y desarrollar la tcnica de previsin que mejor se adapte.

Algunos cuidados bsicos:Cuanto mas datos histricos sean colectados y analizados, mas confiable la tcnica de previsin ser;Los datos deben buscar la caracterizacin de la demanda por los productos de la empresa, que no es necesariamente igual la las ventas pasadas;Variaciones extraordinarias de la demanda deben ser analizadas y substituidas por valores medios, compatibles con el comportamiento normal de la demanda;El tamao del perodo de consolidacin de los datos tiene influencia directa en la eleccin de la tcnica de previsin mas adecuada, as como en la anlisis de las variaciones extraordinarias.

Etapas de un Modelo de PrevisinCOLECTA Y ANLISIS DE LOS DATOS

Etapas de un Modelo de PrevisinSELECCIN DE LA TCNICA DE PREVISINExisten tcnicas cualitativas y cuantitativas. Cada una teniendo su campo de accin y su aplicabilidad. Algunos factores merecen destaque en la eleccin de la tcnica de previsin:

decidir considerando la curva de trade-off costo-precisin; la disponibilidad de datos histricos;la disponibilidad de recursos computacionales;la experiencia pasada con la aplicacin de determinada tcnica;la disponibilidad de tiempo para recolectar, analizar y preparar los datos y la previsin; yel perodo de planificacin para el cul necesitamos de la previsin.

Con la definicin de la tcnica de previsin y la aplicacin de los datos pasados para la obtencin de los parmetros necesarios, podemos obtener las proyecciones futuras de la demanda. Cuanto mayor sea el horizonte pretendido, menor la confiabilidad en la demanda prevista.A medida en que las previsiones estn siendo alcanzadas por la demanda real, se debe monitorear el error entre la demanda real y la prevista, para verificar se la tcnica y los parmetros empleados an son vlidos. En situaciones normales, un ajuste en los parmetros del modelo, para que refleje las tendencias mas recientes, es suficiente. Etapas de un Modelo de PrevisinSELECCIN DE LA TCNICA DE PREVISIN

TCNICAS DE PREVISINExiste una serie de tcnicas disponibles, con diferencias substanciales entre ellas. Sin embargo, cabe describir las caractersticas generales que normalmente estn presentes en todas las tcnicas de previsin, que son:Se supone que las causas que influenciaron la la demanda pasada continuarn la actuar en el futuro;Las previsiones no son perfectas, pues no somos capaces de prever todas las variaciones aleatorias que ocurrirn;La precisin de las previsiones disminuye con el aumento del perodo de tiempo utilizado;La previsin para grupos de productos es ms precisa que para los productos individualmente, pues dentro de un grupo los errores individuales de previsin se anulan o compensan.

TCNICAS DE PREVISINLas tcnicas de previsin pueden ser subdivididas en dos grandes grupos:Las tcnicas cualitativas que, privilegian principalmente datos subjetivos, los cuales son difciles de representar numricamente. Estn basadas en la opinin y en el juicio de personas claves, especialistas en los productos o en los mercados donde actan estos productos;Las tcnicas cuantitativas que, envuelven el anlisis numrico de los datos pasados, obviando las opiniones personales. Se emplean modelos matemticos para proyectar la demanda futura. Pueden ser subdivididas en dos grandes grupos: las tcnicas basadas en series temporales, y las tcnicas basadas en correlaciones.

PREVISIONES BASADAS EN SERIES TEMPORALESParten del principio de que la demanda futura ser una proyeccin de los valores pasados, no sufriendo influencia de otras variables.

Es el mtodo ms simple y usual de previsin, y cuando bien elaborado presenta buenos resultados.Para montar el modelo de previsin, es necesario plotar los datos pasados y identificar los factores que estn por tras de las caractersticas de la curva obtenida.Una curva temporal de previsin puede contener tendencia, estacionalidad, variaciones irregulares y variaciones aleatorias.

0102030405060Jan.Feb.Mar.Abr.May.Jun.Jul.Ago.Sep.Oct.Nov.Dic.DemandaVariacion irregularCiclos/EstacionalidadTendenciaVariacion AleatoriaPREVISIONES BASADAS EN SERIES TEMPORALES

TENDENCIA: consiste en un movimiento gradual, de largo plazo, direccionando de los datos (+o -).ESTACIONALIDAD: Se refiere la variaciones cclicas de corto plazo, relacionadas al factor tempo.VARIACIONES IRREGULARES: Son alteraciones en la demanda pasada resultantes de factores excepcionales, que no pueden ser previstos. Estos datos deben ser retirados de la serie histrica y substituidos por la media.VARIACIONES ALEATORIAS: Ninguna de las anteriores. Deben ser tratadas por la media.

PREVISIONES BASADAS EN SERIES TEMPORALES

Previsiones Basadas en Series TemporalesTcnica para la Previsin de la MediaLos datos histricos, normalmente, contienen componentes aleatorios. Estas variaciones son de difcil determinacin y su remocin completa no es viable. As se incorporan estas variaciones en el modelo, utilizando tcnicas basadas en la media.Las tcnicas de previsin de la media buscan privilegiar los datos mas recientes de la serie histrica, que normalmente representan mejor la situacin actual.

Previsiones Basadas en Series TemporalesTcnica para la Previsin de la Media: MEDIA MVILLa media mvil usa datos de un nmero predeterminado de perodos, normalmente los mas recientes, para generar su previsin. A cada nuevo perodo de previsin, se substituye el dado ms antiguo por el mas reciente.

Mmn = Mdia mvil de n perodos;

Di = Demanda en el perodo i;

n = Nmero de perodos;

i = ndice del perodo (i = 1,2,3,...)

Previsiones Basadas en Series TemporalesTcnica para la Previsin de la Media: MEDIA MVILPerodo EneroFeb Marzo Abril Mayo JunioDemanda 60 50 45 50 45 70

Previsiones Basadas en Series TemporalesTcnica para la Previsin de la Media: MDIA EXPONENCIAL MVILEl peso de cada observacin decrece en el tiempo en progresin geomtrica, y de forma exponencial.Cada nueva previsin es obtenida con base en la previsin anterior, sumado el error cometido en la previsin anterior, corregido por un coeficiente de ponderacinM t = M t-1 + (D t-1 - M t-1)donde:M t = Previsin del perodo tM t-1 = Previsin del perodo t - 1 = coeficiente de ponderacinD t-1 = Demanda del perodo t - 1

Previsiones Basadas en Series TemporalesTcnica para la Previsin de la Media: MDIA EXPONENCIAL MVIL

= 0,10

= 0,50

Perodo

Demanda

Previsin

Error

Previsin

Error

1

90

-

-

-

-

2

95

90,00

5,00

90,00

5,00

3

98

90,50

7,50

92,50

5,50

4

90

91,25

-1,25

95,25

-5,25

5

92

91,12

0,88

92,62

-0,62

6

95

91,20

3,80

92,31

2,69

7

90

91,58

-1,58

93,65

8

100

91,42

8,58

91,82

8,18

9

92

92,27

-0,27

95,91

-3,91

10

95

92,25

2,75

93,95

1,05

11

92,52

94,47

Previsiones Basadas en Series TemporalesTcnica para la Previsin de la TendenciaLa tendencia se refiere al movimiento gradual de largo plazo.El clculo de la estimativa de la tendencia es realizado por la identificacin de una ecuacin que describe este movimiento.Esta ecuacin puede ser lineal o no (exponencial, parablica, logartmica y otras).

Una ecuacin lineal posee el siguiente formato:

Y = Previsin de la demanda para el perodo X;a = Ordenada en el origen, la intercepcin con el eje de los Y;b = Coeficiente angular;X = Perodo (partiendo de X=0) para previsin;n = nmero de perodos observados.Previsiones Basadas en Series TemporalesTcnica para la Previsin de la Tendencia: ECUACIN LINEAL

Previsiones Basadas en Series TemporalesTcnica para la Previsin de la Tendencia: ECUACIN LINEAL

Y = 421,46 + 12,73 X

Y9 = 421,46 + 12,73 (9) = 536,03

Y10 = 421,46 + 12,73 (10) = 548,76

Previsiones Basadas en Series TemporalesTcnica para la Previsin de la Tendencia: SUAVIZADO EXPONENCIALPt+1 = Previsin de la demanda para el perodo t+1;Pt = Previsin de la demanda para el perodo t;Pt-1 = Previsin de la demanda para el perodo t-1;Mt = Previsin media exponencial mvil de la demanda para t;Tt = Previsin de la tendencia para el perodo t;Tt-1 = Previsin de la tendencia para el perodo t-1;1 = coeficiente de ponderacin de la media;2 = coeficiente de ponderacin de la tendencia;Dt = Demanda do perodo t;

Previsiones Basadas en Series TemporalesTcnica para la Previsin de la Tendencia: SUAVIZADO EXPONENCIAL240

Perodo

t

Demanda

D

1

200

Estimativa inicial de la tendncia = (240-200)/2 = 20

2

250

Estimativa inicial de la demanda = 240 + 20 = 260

3

240

260=240+20

4

300

268=260+0,2(300-260)

20=20+0,3((260-240)-20)

288=268+20

5

340

298,4=288+0,2(340-288)

22,4=20+0,3((288-260)-20)

320,8=298,4+22,4

6

390

334,6=320,8+0,2(390-320,8)

25,5=22,4+0,3((320,8-288)-22,4)

360,1=334,6+25,5

7

350

358,0=360,1+0,2(350-360,1)

29,6=25,5+0,3((360,1-320,8)-25,5)

387,6=358,0+29,6

8

400

390,1=387,6+0,2(400-387,2)

29,0=29,6+0,3((387,6-360,1)-29,6)

419,1=390,1+29,0

_928824905.unknown

_928824906.unknown

_928824903.unknown

Previsiones Basadas en Series TemporalesTCNICAS PARA PREVISIN CON ESTACIONALIDADLa estacionalidad est expresada en trminos de una cantidad, o de un porcentaje, de la demanda que se desva de los valores medios de la serie. Si existe tendencia, ella debe ser considerada.

El valor aplicado sobre la media, o la tendencia, es conocido como ndice de estacionalidad.

La forma mas simple de considerar la estacionalidad en las previsiones de demanda, consiste en emplear el ltimo dato de la demanda, en el perodo estacional en cuestin, y asumirlo como previsin.

La forma mas usual de inclusin de la estacionalidad en las previsiones de la demanda, consiste en obtener el ndice de estacionalidad para los diversos perodos, emplendose la media mvil centrada, y aplicarlos sobre el valor medio (o tendencia) previsto para el perodo en cuestin.

El ndice de estacionalidad es obtenido dividiendo el valor de la demanda en el perodo por la media mvil centrada en este perodo. El perodo que se usa para el clculo de la media mvil es igual al ciclo de estacionalidad.Cuando se disponen de datos suficientes, se calculan varios ndices para cada perodo y se calcula un promedio entre ellos.Previsiones Basadas en Series Temporales TCNICAS PARA PREVISIN CON ESTACIONALIDAD

Previsiones Basadas en Series Temporales TCNICAS PARA PREVISIN CON ESTACIONALIDAD

Dia

Demanda

Mdia Mvel Centrada

ndice

Segunda

50

Tera

55

Quarta

52

Quinta

56

443/7=63,28

56/63,28=0,88

Sexta

65

448/7=64

65/64=1,01

Sbado

80

443/7=63,28

80/63,28=1,26

Domingo

85

449/7=64,14

85/64,14=1,32

Segunda

55

443/7=63,28

55/63,28=0,86

Tera

50

448/7=64

50/64=0,78

Quarta

58

443/7=63,28

58/63,28=0,91

Quinta

50

438/7=62,57

50/62,57=0,79

Sexta

70

435/7=62,14

70/62,14=1,12

Sbado

75

435/7=62,14

75/62,14=1,20

Domingo

80

431/7=61,57

80/61,57=1,29

Segunda

52

441/7=63

52/63=0,82

Tera

50

436/7=62,28

50/62,28=0,80

Quarta

54

446/7=63,71

54/63,71=0,84

Quinta

60

456/7=65,14

60/65,14=0,92

Sexta

65

454/7=64,85

65/64,85=1,00

Sbado

85

457/7=65,28

85/65,28=1,30

Domingo

90

458/7=65,42

90/65,42=1,37

Segunda

50

Tera

53

Quarta

55

Isegunda = 0,84

Itera = 0,79

Iquarta = 0,87

Iquinta = 0,86

Isexta = 1,04

Isbado = 1,25

Idomingo = 1,32

En caso de la demanda presente estacionalidad y tendencia, existe necesidad de incorporar las caractersticas al modelo de previsin. Para hacer esto, se debe emplear los siguiente pasos:retirar la componente de estacionalidad de la serie de datos histricos, dividindolos por los correspondientes ndices de estacionalidad;con estos datos, se desarrolla una ecuacin que represente la componente de la tendencia;con la ecuacin de la tendencia se hace la previsin de la demanda y se multiplicar por el ndice de estacionalidad.Previsiones Basadas en Series Temporales TCNICAS PARA PREVISIN CON ESTACIONALIDAD

PREVISIONES BASADAS EN CORRELACIONESBuscan preveer la demanda de determinado producto a partir de la previsin de otra variable que est relacionada con el producto.El objetivo de la regresin lineal simple consiste en encontrar una ecuacin linear de previsin, del tipo:Y = a + bX (donde Y es la variable dependiente a ser prevista y X la variable independiente de la previsin),de forma que la suma de los cuadrados de los errores de previsin () sea la mnima posible.Este mtodo tambin es conocido como regresin de los mnimos cuadrados.

PREVISIONESES BASADAS EN CORRELACIONES

Previsiones Basadas en CorrelacionesEJEMPLOUna cadena de fastfood verific que las ventas mensuales de porciones en sus casas estn relacionadas al nmero de alumnos matriculados en escuelas situadas en un radio de 2 kilmetros en torno de la casa. La empresa pretende instalar una nueva casa en una regin donde el nmero de alumnos es de 13.750. Cul es la previsin de la demanda para esta nueva casa?

=

2,99

_928903824.unknown

_928903825.unknown

INCORPORAR Equation.2 = INCORPORAR Equation.2 1,757

o sea 42869 porciones

_928904246.unknown

MANTENCIN y MONITORIZACIN DEL MODELOUna vez decidida la tcnica de previsin e implantado el modelo, existe la necesidad de acompaar el desempeo de las previsiones y confirmar su validez en funcin de la dinmica actual de los datos. Esta monitorizacin es realizada a travs del clculo y acompaamiento del error de la previsin, que es la diferencia que ocurre entre el valor real de la demanda y el valor previsto por el modelo para un dado perodo. La mantencin y monitorizacin de un modelo de previsin confiable busca:verificar la precisin de los valores previstos;identificar, aislar y corregir variaciones anormales;permitir la eleccin de tcnicas, o parmetros, mas eficientes.

Una forma de verificar el desempeo del modelo consiste en comprobar el comportamiento del error acumulado que debe tender a cero, pues se espera que el modelo de previsin genere, al azar, valores arriba y abajo de los reales, debiendo as anularse.El error acumulado debe ser comparado con un mltiplo del desvo medio absoluto, conocido como MAD (Mean Absolute Deviation).En general, se compara el valor del error acumulado con el valor de 4 MAD. Cuando pasar de este valor, el problema debe ser identificado y el modelo debe ser revisado.MANTENCIN y MONITORIZACIN DEL MODELO

MANTENCIN y MONITORIZACIN DEL MODELO

a = 0,10

a = 0,50

Perodo

Datual

Dprevista

Erro

Dprevista

Erro

1

90

-

-

-

-

2

95

90,00

5,00

90,00

5,00

3

98

90,50

7,50

92,50

5,50

4

90

91,25

-1,25

95,25

-5,25

5

92

91,12

0,88

92,62

-0,62

6

95

91,20

3,80

92,31

2,69

7

90

91,58

-1,58

93,65

-3,65

8

100

91,42

8,58

91,82

8,18

9

92

92,27

-0,27

95,91

-3,91

10

95

92,25

2,75

93,95

1,05

INCORPORAR Equation.2 25,41

INCORPORAR Equation.2 8,99

MAD = 31,61/9 = 3,51

MAD = 35,85/9 = 3,98

Para = 0,10, tenemos que:

;

Para = 0,50, tenemos que:

.

_928905741.unknown

_928905742.unknown

FACTORES MS COMUNES QUE PUEDEN AFECTAR EL DESEMPEO DE UN MODELO DE PREVISIN:

La tcnica de previsin puede estar siendo usada incorrectamente, o siendo mal interpretada;La tcnica de previsin perdi la validad debido al cambio en una variable importante, o debido al aparecimiento de una nueva variable;Variaciones irregulares en la demanda pueden haber ocurrido en funcin de huelgas, formacin de inventarios temporales, catstrofes naturales y otras.Acciones estratgicas de la competencia, afectando la demanda;Variaciones aleatorias inherentes la los datos de la demanda. MANTENCIN y MONITORIZACIN DEL MODELO