1 Pronosticando La Demanda Para los Productos y ServiciosClase 3 Pronosticando La Demanda Para los Productos y Servicios 1998 South-Western College Publishing Slide 4.1 1

2 Contenido del CapituloIntroducción Las características de la Demanda El Proceso de la Previsión UNA Vista preliminar Los Métodos de Cualitativos Previsión Los Métodos cuantitativos – Series de Tiempo Los Métodos cuantitativos - los Modelos Asociativos Midiendo El Error de la Previsión Supervisando y Controlando las Previsiones Uso de Computadoras Slide 4.2 2

3 Objetivos de AprendizajeIdentificar y describir los componentes principales de una serie de tiempo Discutir los pasos involucrados en el proceso de la previsión Explicar los elementos cualitativos a prever Explicar los elementos cuantitativos a prever Distinguir el error entre las medidas absolutas y relativas previstas Describir maneras de supervisar y controlar el forecast Slide 4.3 3

4 Un pronostico es una declaración o inferencia sobre el futuro, normalmente basado en la información histórica. Slide 4.4 4

5 Factores que Influyen en la DemandaLos Factores Internos Presupuesto de Ventas Publicidad Incentivos de Precio Diseño de producto/servicio Las Políticas promoción Los atrasos Los Factores externos El Ciclo comercial La competencia El consumismo Los Eventos Mundiales Las Acciones gubernamentales Ciclo de Vida de producto Slide 4.5 5

6 Estados de la demanda acorde con el ciclo de vida del productoSlide 4.7 7

7 Componentes de la demanda Series de TiempoMedia Tendencia Estacional Cíclico Aleatorio Slide 4.8 8

8 Los pasos en el Proceso de pronósticos1. Establezca los objetivos para el pronostico. 2. Determine qué prever. 3. Especifique el lapso de tiempo para el pronostico 4. Delimite y analice los datos. 5. Seleccione un método de pronostico. 6. Haga el pronostico 7. Presente los resultados del pronostico 8. Monitoree y controle la previsión. Slide 4.9 9

9 Periodos de Tiempo de pronostico y uso de las AplicacionesHorizonte Aplicación Cantidad Método de De Tiempo de Pronostico a Pronosticar Pronostico Corto Plazo (0-3 meses) Medio (3 meses- 2 años) Largo Plazo (2 años +) Inventory management, master production scheduling, work force scheduling Production planning, purchasing, distribution Capacity planning, facility location Producto individual Familias De producto Ventas totales Media Móvil, Suavización Exponencial Regresión, Análisis de series De tiempo Método Delphi, Investigación de mercado Slide 4.10 10

10 Las consideraciones para seleccionar un Método de pronóstico1. El tipo y cantidad de datos disponible. 2. El modelo subyacente de los datos pasados. 3. El horizonte de tiempo de previsión. 4. La habilidad técnica del pronosticador. 5. El uso del pronostico. 6. La actitud del usuario final hacia los métodos específicos . Slide 4.11 11

11 Métodos de pronostico Los Métodos del juicioExtrapolación Apreciación de la fuerza de ventas Jurado ejecutivo de opinión Técnica Delphi Slide 4.12 12

12 Métodos de pronostico Métodos NuméricosComprobación del Mercado Estudio de Mercado de consumidor BCV MPC El Mercado industrial Boletín del BCV MPC Slide 4.13 13

13 Métodos de pronostico Series de tiemposPromedios móviles Suavizacion exponencial Extrapolación de Serie de Tiempo Descomposición de Serie de Tiempo Método Box-Jenkins Slide 4.14 14

14 Métodos de pronostico Métodos CausalesMétodos de la correlación Modelos de la regresión Modelos Econometricos Slide 4.15 15

15 Promedio Simple Promedio Simple (SA)= Suma de demandas para todos los períodos pasados número de períodos de la demanda = Dt + D t-1 + … + D t-(N-1) N donde: Dt = demanda periodo actual D t-1 = demanda periodo anterior Dt-(N-1)= demanda en ultimo periodo la cual data esta disponible N = total numero de periodos Slide 4.16 16

16 Promedio Movil Simple Simple Moving Average (SMA)= Suma de demandas para los ultimos N periodos # de periodos usados en el prom. Móvil. = Dt + D t+1 +…+ D t-(N-1) N donde: Dt = demanda periodo actual D t+1 = demanda periodo anterior D t-(N-1) = demanda en el ultimo periodo para el cual el promedio móvil es calculado N = numero de periodos usados Slide 4.17 17

17 La sensibilidad es la habilidad de ajustarse La estabilidad es la propiedad de no fluctuar erráticamente para que el pronostico siga el modelo básico de la demanda . La sensibilidad es la habilidad de ajustarse a los cambios el modelo de la demanda. Slide 4.18 18

18 Promedio móvil ponderadoWeighted Moving Average (WMA) = Wt Dt + Wt-1 Dt-1 +…+ Wt-(n-1) Dt-(N-1) donde: Wt = peso del periodo t Wt-1 = peso del periodo t-1 Wt-(N-1)= peso del periodo t-(N-1) y Wt + Wt-1 +…+ W t-(N-1) = 1.0 Slide 4.19 19

19 Suavizamiento Exponencial SimpleFt+1 = Dt + (1-) Ft Ft+1 = Pronostico del proximo periodo de demanda Dt = demanda actual en el mas recuente periodo Ft = demanda pronosticada en el más reciente período  = (representa alfa) constante de suavizacion exponencial Slide 4.20 20

20 Suavizamiento Exponencial SimpleFt+1 = Dt + (1-) Ft Ft+1 = Pronostico del proximo periodo de demanda Dt = demanda actual en el mas recuente periodo Ft = demanda pronosticada en el más reciente período  = (representa alfa) constante de suavizacion exponencial Slide 4.20 20

21 Suavizamiento Exponencial SimpleIncluir todas las observaciones pasadas Dar mayor peso a las observaciones recientes que a las mas lejanas weight Decreasing weight given to older observations today

22 Suavizamiento Exponencial Simple

23 Factores que complican el modeloEl modelo trabaja bien con data que se mueve en un solo sentido Debe ser adaptado para data que presenta tendencia Debe ser adaptado para data que presenta patrones estacionales

24 Método de Holt’s Doble suavizamiento exponencialQue pasa cuando hay una tendencia definida? Una boutique tiene la siguiente data para los últimos 6 meses Mes Demanda Actual Forecast

25 Método de Holt’s Doble suavizamiento exponencialIdeas detrás del suavizamiento con tendencia: Elimine la tendencia de la serie de tiempo separando la base del efecto tendencia Suavice la serie base de la manera usual usando un  Suavice la tendencia de la manera usual usando  Suavizamiento de la base Bt º Suavice la serie con la tendencia Tt Pronostique t k periodos en el futuro Ft+k con la base y la tendencia

26 Método de Holt’s Doble suavizamiento exponenciala = 0.2, b = 0.4

27 Método de Winter´s Suvizamiento exponencial con tendencia y estacionalidadIdeas detrás del método: Elimine la tendencia y estacionalidad de la serie de tiempo Suavice la base de la manera usual usando  Suavice la tendencia de la manera usual usando  Suavice la estacionalidad de la manera usual usando g Asuma m estaciones en un ciclo 12 meses en un año 4 cuartos en un mes 3 meses en un trimestre etcetera

28 Método de Winter´s Suavizamiento exponencial con tendencia y estacionalidadSuavice la base de pronostico Bt Suavice la serie de tendencia Tt Suavice la serie de estacionalidad St

29 Método de Winter´s Suavizamiento exponencial con tendencia y estacionalidadPronostique Ft con tendencia y estacionalidad Suavice el pronostico de la tendencia Tt Suavice el pronostico de la estacionalidad St

30 Método de Winter´s Suavizamiento exponencial con tendencia y estacionalidada = 0.2, b = 0.4, g = 0.6

31 Variables Independientes Y DependientesVariable Dependiente Su valor es dependiente del valor de algún otro factor (es ) Variable independiente los valores son determinados fuera del sistema que esta siendo modelado Slide 4.21 21

32 Regresión Lineal SimpleUn método de pronostico en cuál el la variable dependiente se predice como una función de una variable independiente. La ecuación: Y=a+bx Slide 4.25

33 Calculo de los parámetros

34 Regresión Lineal múltipleUn método de pronostico en cuál el la variable dependiente se predice como una función de dos o más variables independientes. La ecuación: y= a+b1X1+b2X2+…+bkXk Slide 4.25 25

35 El Coeficiente de Determinación (r2)Los valores van entre 0 y 1 Indica el porcentaje de variación en la variable dependiente que se explica por la variación en la variable independiente Slide 4.24 24

36 Coeficiente de correlación (r)Una medida relativa de la asociación entre las variables independientes y dependientes (el rango de valores entre -1 y +1). Valor positivo: la variable dependiente se mueve en la misma dirección que la variable independiente. Valor negativo: la variable dependiente se mueve en la dirección opuesta a la variable independiente. Slide 4.23 23

37 ¿Que es error? Error i = Actual i Pronostico i Slide 4.26 26

38 El Error estándar de la EstimaciónSimilar a la desviación estándar. Basado en el cuadrado de las desviaciones verticales de las observaciones reales de la regresión contra la línea de regresión en vez de desviaciones sobre la media. Le permite al pronosticador comparar la regresión y hace las declaraciones sobre los intervalos de confianza para pronosticar Yi. Slide 4.22 22

39 Forecasting PerformanceQue tan bueno es el pronostico? Mean Forecast Error (MFE or Bias): Mide el promedio de la desviacion entre el forecast y el real. Mean Absolute Deviation (MAD): Mide el promedio de la de la desviacion absoluta entre el forecast y el real. Mean Absolute Percentage Error (MAPE): Mide el error absoluto como un porcentaje del forecast. Standard Squared Error (MSE): mide la varianza del error del forecast variance of forecast error

40 Forecasting Performance Medidas

41 Mean Forecast Error (MFE or Bias)Want MFE to be as close to zero as possible -- minimum bias A large positive (negative) MFE means that the forecast is undershooting (overshooting) the actual observations Note that zero MFE does not imply that forecasts are perfect (no error) -- only that mean is “on target” Also called forecast BIAS

42 Mean Absolute Deviation (MAD)Measures absolute error Positive and negative errors thus do not cancel out (as with MFE) Want MAD to be as small as possible No way to know if MAD error is large or small in relation to the actual data

43 Mean Absolute Percentage Error (MAPE)Same as MAD, except ... Measures deviation as a percentage of actual data

44 Mean Squared Error (MSE)Measures squared forecast error -- error variance Recognizes that large errors are disproportionately more “expensive” than small errors But is not as easily interpreted as MAD, MAPE -- not as intuitive

45 Coeficiente de variabilidad

46 Supervisando los pronósticos y Señal de rastreoComparación visual del real con el Forecast

47 Afortunadamente hay software...

48 Medidas absolutas del Error de PronósticoSlide 4.27 27

49 Medidas Relativas del Error de PronosticoSlide 4.28 28

50 Supervisando y Controlando los PronósticosSlide 4.29 29

51 FIN