PROPUESTA DE MEJORA DEL PRONSTICO DE VENTAS PARA LAS TIENDAS MUEBLES ZAPATERAS

OBJETIVO Proponer un modelo de pronstico que mejore el nivel de prediccin 5% ms del nivel del modelo actual de Tendencia Ponderada.

PROPUESTA Medir los niveles de prediccin de los 2 mtodos de pronstico contra las ventas del ao 2010, de las semanas 27 a 52.

HIPTESIS

1. Estadsticas de ventas reales del 2007, 2008 y 2009 e inflacionadas al 2010 de las tiendas Muebles Zapateras 2. Tiendas con ventas continuas (sin ventas en ceros) durante 156 semanas a partir del 2007 3. Uso de la misma base de datos que usa el modelo de Tendencia Ponderada, es decir; para el ao 2009 que tuvo 53 semanas, se estandariz el calendario a 52, redefiniendo la semana 2 como la semana 1, la semana 3 como la semana 2, la semana 4 como la semana 3 y as hasta redefinir la semana 53 como la semana 52. (De las 53 semanas de ventas del 2009, se quit la semana 1)

METODOLOGA

Se usa el modelo de Suma de factores, el cual se basa en el supuesto de que las ventas pueden descomponerse en tendencia, estacionalidad, ciclicidad e irregularidad; luego estimar cada uno de ellos para reconstruir las ventas con una serie de tiempo con el objetivo de pronosticar la venta de la siguiente semana. Lo escrito anteriormente, se ilustra de manera intuitiva en el siguiente esquema
Descomposicin Tendencia Estimacin para la semana i+1 Tendencia

+
Venta de la semana i Estacionalidad

+
Estacionalidad

+
Ciclicidad

+
Ciclicidad

Pronstico de la semana i+1

+
Irregularidad

+
Irregularidad

Una vez que se obtenga la venta real de la semana pronosticada, se incorpora al modelo para pronosticar la siguiente semana y as obtener un modelo dinmico que utilice la informacin ms reciente. Para esto, se usan las 52 semanas de ventas de los aos 2007, 2008 y 2009 (ya redefinida) y se agrupan para renombrar los periodos desde t=1 hasta t=156, con la intencin de que cada vez se desee calcular el pronstico del semana i, el modelo busca las ventas de la semana i 3 aos atrs y a partir de ah toma hacia delante las 156 semanas de ventas, renombrando siempre a la semana i 3 aos atrs como el periodo t=1 hasta la semana inmediata anterior a pronosticar como el periodo t=156 Por lo tanto, para pronosticar la semana i, el modelo siempre pronosticar para el periodo t=157. Por ejemplo, si se requiere pronosticar la venta de la semana 32 de la tienda 811, el modelo busca los 156 periodos de ventas desde la semana 32 del 2007 hasta la semana 31 del 2009. Por lo tanto, dado que se busca pronosticar la semana 32,el modelo proyecta el periodo 157. Se dice que el modelo se vuelve dinmico cuando se quiere pronosticar la siguiente semana, en este caso, la semana 33, ya que el modelo buscar ahora los 156 periodos desde la semana 33 del 2007 (se saca la semana 32 del 2007) hasta la semana 32 del 2009 (en este paso el modelo introduce la venta mas reciente). Por lo tanto, dado que se busca pronosticar la semana 32, el modelo proyecta el periodo 157. Por ltimo, si se requiere pronosticar la venta de la semana 52, el modelo busca los 156 periodos de ventas desde la semana 52 del 2007 hasta la semana 51 del 2009. Por lo tanto, dado que se busca pronosticar la semana 52, el modelo proyecta el periodo 157.

Se presenta el siguiente esquema que ayude a ilustrar el uso de los 156 periodos y el dinamismo del modelo: Sea el pronstico del periodo 157 de la semana 39, entonces

Para calcular

dada la semana 39, el modelo busca

t
Venta de la sem 32 del 2007

Venta de la sem 33 del 2007

. . .
Venta de la sem 31 del 2009

156

Para calcular

dada la semana 52, el modelo busca

t
Venta de la sem 52 del 2007

Venta de la sem 1 del 2008

. . .
Venta de la sem 51 del 2010

156

Ahora bien, el comportamiento de las ventas se describe de la siguiente forma:

.. (1) Aunque el modelo anterior se usa para descomponer las ventas, el que se usar para pronosticar, es .... (2)

Como se mencion anteriormente, t siempre ser 157 por lo que en donde (3)

TN: Factor de tendencia ES: Factor de estacionalidad CL: Factor de ciclicidad IR: Factor de irregularidad

Tendencia Es el factor de largo plazo que constituye la base del crecimiento o declinaci n de una serie histrica, Los fuerzas bsicas que producen o afectan la tendencia de una serie son: cambios en la poblaci n, inflacin, cambio tecnolgico e incremento en la productividad.

Tendencia hacia arriba o a la alza

Tendencia hacia abajo o a la baja

Estacionalidad La estacionalidad es una fluctuacin en base a estaciones o pequeos ciclos clasificados por trimestres, meses o semanas. , la variacin estacional se refiere a un patrn de cambio, regularmente recurrente a travs del tiempo. El movimiento se completa dentro de la duracin de un ao y se repite ao tras ao.

Estacionalidad medida en semanas

Ciclicidad Es un conjunto de fluctuaciones en forma de onda o ciclos, de m s de un ao de duracin, producidos por cambios en las condiciones econmicas, representan la diferencia entre los valores esperados de una variable (tendencia) y los valores reales (la variacin residual que flucta alrededor de la tendencia).

Representacin grfica de la Ciclicidad

Irregularidad Movimientos errticos que no siguen un patrn o el patrn es indefinido y est compuesto por fluctuaciones causadas por sucesos impredecibles o no peri dicos, como el clima poco usual, huelgas, guerras, rumores, elecciones y cambio de leyes. La irregularidad representa lo que queda de una serie de tiempo despus que se han explicado la tendencia, la estacionalidad y la ciclicidad.

Factor de irregularidad o de aleatoriedad

ESTIMACION DE LOS FACTORES

De manera didctica, conforme se desarrolle la construccin del modelo, se calcular el pronstico de la semana 32 de la tienda 811 para el 2010

1.- Estimacin de ES ( ) con

( ( ) ) (

que es un factor que

)

( ) normaliza la estacionalidad de las ventas. Adems donde ( ) ( ) se estiman a partir del modelo de suma de factores, de los cuales se obtienen 52 datos para cada uno y representan la estacionalidad parcial primaria y secundaria. Usando la ecuacin (1) de la pag. 4 ( )

Se busca obtener un factor de estacionalidad para cada semana de un ao, es decir, 52 factores en total, a partir del comportamiento de venta del 2007 al 2009. Lo que significa que al obtener los 52 factores de estacionalidad, estos sern los mismos para construir la serie de tiempo que reproduzca las ventas para del 2007 al 2009. Conocemos pero no CL+IR, as que para calcular ese dato, se usa el estimador donde PMC es el promedio mvil centrado. El PMC se obtiene de los promedios mviles (PM) para 2 periodos, ya que de esta manera se elimina variaciones estacionales y fluctuaciones irregulares a corto plazo, suavizando as las ventas. Los promedios mviles (PM) se calculan para las 156 semanas o periodos con n=52 y se obtienen 105 datos diferentes es decir, al que se le asocia con el periodo t=27 (Al inicio de la 2. mitad del primer ao)

al que se le asocia con el periodo t=28

al que se le asocia con el periodo t=29 . . . al que se le asocia con el periodo t=131 (Al final de la 1. mitad del tercer ao)

Entonces, para calcular PMC se usan los 105 PM para obtener 104 promedios, es decir

A los que se les asocia con el periodo t=27, t=28, t=29, , hasta t=130 respectivamente. De esta manera, para estimar cada uno de los ( ( ( . . . ( ) al que se le asocia con el periodo t=130 ) ) ) , se tiene que

al que se le asocia con el periodo t=27 al que se le asocia con el periodo t=28 al que se le asocia con el periodo t=29

En total se tienen 104 valores de ( ) correspondientes a 2 aos de estacionalidad. Solo falta ) ( ) para calcular su promedio y obtener asociar los valores que corresponde a ( finalmente los 52 factores de estacionalidad buscados. Se reagrupan los valores de ( ) de la siguiente manera: de ( de ( de ( y de ( Asi que ( ) ( ) ( ) . . . ( ) ( ) ( ) ( ( ( ) ) ) ( ( ( ) ) ) ) ) ) ) ( ( ( ( ) ) ) ) ( ( ( ( ) ) ) ) ( ( ( ( ) ) ) )

Por tanto, ( ) ( ) ( )

. . .
( )

Como se mencion anteriormente, una vez obtenidos los 52 factores de estacionalidad, se usarn los mismos para construir la serie de tiempo que modela las ventas para el 2007, 2008 y 2009. Es decir, en total se tienen 156 datos que se usarn pronosticar para el periodo 157.

Ejemplo 1. Calcular la estacionalidad asociada para la semana i=32 de la tienda j=811 Solucin. Primero se calcularn los 52 factores de estacionalidad para que al final solo se asigne el factor asociado para la semana 32 Clculo de los promedios mviles:

al que se le asocia con el periodo t=27

al que se le asocia con el periodo t=28

al que se le asocia con el periodo t=29 . . .

al que se le asocia con el periodo t=131

para calcular los promedios mviles centrados (PMC):

. . .

Para ver a detalle estos clculos, se pueden ver las columnas con ttulo V, PM y PMC en las celdas G, H, I, respectivamente. PLATAFORMA SUMA DE FACTORES (BASE DATOS ORIGINAL).xlsx Ahora, para estimar cada uno de los ( ) , se tiene que

al que se le asocia con el periodo t=27 ( )

al que se le asocia con el periodo t=28 ( )

al que se le asocia con el periodo t=29

. . .
( )

al que se le asocia con el periodo t=130

Al reagrupar los valores conforme se menciona en la pgina 6, ( siguiente manera en la tabla 1

) quedan de la

10

t 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 31 32 33 34 35 36 37 38 39 40 41 42 43 44 45 46 47 48 49 50 51 52

(ES+IR)p (ES+IR)s -8133 2206 14497 10889 5487 -11636 2877 14476 172 -14748 -9328 -4371 13588 -2588 -6428 -9030 -4351 336 -26379 -6624 -9795 -7414 2340 10310 -20430 -15808 -24562 -10285 -21624 6049 -17489 -19094 -12324 -5680 -9879 3823 -17259 2839 -13068 24889 815 24611 47759 68319 -12679 -4010 6547 7945 6297 27688 -19655 -12728 -16624 31482 10489 -20003 -8497 3746 3651 -12702 -149 5580 -4894 8458 7448 -16201 18530 -7779 2013 4996 -27667 -19816 2467 -7864 -4627 8495 -9774 14474 -12978 24446 -14275 -9523 -10406 11065 919 -3211 11074 -5023 -11711 19151 334 4515 35105 7488 14696 9809 -8022 -8728 25270 -15531 841 15583 14336 -343

Tabla 1. Estacionalidad parcial primaria y secundaria

11

Obteniendo: ( ( ( ) ) ) ( ( ( ) ) ) ( )

( ) ( ) ( )

. . .
( ) ( ) ( ) ( )

Como Por tanto,

( )

( ) ( ) ( )

. . .
( )

Por lo tanto, para construir la serie de tiempo del 2007 al 2009, usan los 52 factores de estacionalidad para los 3 aos y se distribuyen en los 156 periodos como se muestra en la tabla 2.

12

t 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 31 32 33 34 35 36 37 38 39 40 41 42 43 44 45 46 47 48 49 50 51 52

ES -3035 12621 -3146 8604 -7360 -6921 5428 -7801 -2079 -16573 -8676 6253 -18191 -17496 -7859 -18364 -9074 -3100 -7282 5838 12641 57967 -8417 7174 16921 -16263 7357 -4828 -2448 -4598 2644 1710 -4448 5304 3433 -23814 -2770 1862 2278 5662 -11971 258 -1218 2954 3648 2352 21225 12181 -8447 4797 8140 6924

t 53 54 55 56 57 58 59 60 61 62 63 64 65 66 67 68 69 70 71 72 73 74 75 76 77 78 79 80 81 82 83 84 85 86 87 88 89 90 91 92 93 94 95 96 97 98 99 100 101 102 103 104

ES -3035 12621 -3146 8604 -7360 -6921 5428 -7801 -2079 -16573 -8676 6253 -18191 -17496 -7859 -18364 -9074 -3100 -7282 5838 12641 57967 -8417 7174 16921 -16263 7357 -4828 -2448 -4598 2644 1710 -4448 5304 3433 -23814 -2770 1862 2278 5662 -11971 258 -1218 2954 3648 2352 21225 12181 -8447 4797 8140 6924

t 105 106 107 108 109 110 111 112 113 114 115 116 117 118 119 120 121 122 123 124 125 126 127 128 129 130 131 132 133 134 135 136 137 138 139 140 141 142 143 144 145 146 147 148 149 150 151 152 153 154 155 156

ES -3035 12621 -3146 8604 -7360 -6921 5428 -7801 -2079 -16573 -8676 6253 -18191 -17496 -7859 -18364 -9074 -3100 -7282 5838 12641 57967 -8417 7174 16921 -16263 7357 -4828 -2448 -4598 2644 1710 -4448 5304 3433 -23814 -2770 1862 2278 5662 -11971 258 -1218 2954 3648 2352 21225 12181 -8447 4797 8140 6924

Tabla 2 Estacionalidad usada para los 156 periodos

13

Para contestar el ejercicio planteado solo basta buscar la estacionalidad asociada para la semana 32, que es -3,035. O en otras palabras, segn la frmula (3) de la pgina 4, se tiene que dada la semana 32, para la tienda 811 a pronosticar, Para ver los clculos completos de la Estacionalidad, ir a PLATAFORMA SUMA DE FACTORES (BASE DATOS ORIGINAL).xlsx

2.- Estimacin de TN Para estimar la tendencia es necesario que las ventas no tengan la influencia de la estacionalidad, por lo que se define Vd como las ventas desestacionalizadas, es decir

De esta manera, se obtienen 156 datos con los que se estimar TN para el periodo 157. La forma como se obtiene es con la suavizacin exponencial simple, definida como ( ) donde se fij en un valor de 0.18365 para todas las tiendas.

Dicha expresin es el resumen de una frmula recurrente que usa ms ponderadores que da diferente peso a las observaciones, dndole los mayores pesos a los datos ms recientes. Este procedimiento permite actualizar la estimacin del nivel o media de la serie temporal de modo que los cambios que presenta con el tiempo se pueden detectar e incorporar en el modelado de TN. El valor de valor busca minimizar el error que se tiene al reconstruir la tendencia y se obtuvo al probar diferentes valores para calcular la tendencia de 20 tiendas seleccionadas al azar y se tom la que minimiz el error. Para obtener el primer valor de TN y usarlo en el mtodo de suavizacin, se calcula la media de la Vd de la semana 1 a la 52 para comenzar a construir la serie de tiempo y modelar TN.

Ejemplo 2. Calcular la tendencia de la semana i=32 de la tienda j=811 Solucin. Primero se calcularn los 156 datos que componen Vd, luego se modelar Vd con la suavizacin exponencial y as obtener los 156 valores de para que al final solo estimar el valor para la semana 32. (Nota: una vez estimado ES, ya no se usar el smbolo de estimacin )

. . .

14

A continuacin se muestra en el grfico 1 las ventas desestacionalizadas vs las ventas, (Vd vs V) de la semana 32 del 2007 a la semana 31 del 2010 de la tienda 811

180,000 160,000 140,000 120,000 100,000 V 80,000 60,000 40,000 20,000 0 1 7 13 19 25 31 37 43 49 55 61 67 73 79 85 91 97 103 109 115 121 127 133 139 145 151 Vd=V-ES

Ahora bien . . . ( ) ( ) ( ) ( ( ( ) ) ) ( ( ( ) ) ) ( ( ( ) ) )

Ya que se tienen los 156 datos de tendencia que modelan Vd, se estima como ( ) ( ) ( )

15

El comportamiento de la Vd vs TN se muestra en el grfico 2 120000

100000

80000

60000

Vd=V-ES TN

40000

20000

0 1 7 13 19 25 31 37 43 49 55 61 67 73 79 85 91 97 103 109 115 121 127 133 139 145 151 Para ver los clculos completos de la Tendencia y su grfico a detalle, ir a PLATAFORMA SUMA DE FACTORES (BASE DATOS ORIGINAL).xlsx 3.- Estimacin de CL Se define el estimador de CL como A partir de (
( ) ( ) ( )

se despeja CL+IR obteniendo )

De esta manera, calculamos CL +IR usando las ventas hasta el periodo 156, pero no conocemos su valor en el periodo 157, pues su clculo requiere la venta en el periodo 157 que es precisamente el que buscamos pronosticar, por lo que usamos nuevamente la suavizacin exponencial simple para obtener ( ) y( ) para estimar como ( ) ( ) ( )

16

Ejemplo 3. Calcular la ciclicidad asociada para la semana i=32 de la tienda j=811 Primero se calcular ( para estimar ( ) ( ( ( . . . ( ) ) ) ) para poder estimar ; despus se usar la suavizacin exponencial y( ) y finalmente calcular ( )

Estimando de a :

. . .

Ahora bien, estimando (

y (

( (

) )

( ( ( . . . (

) ) )

( ( (

) ) )

( ( (

) ( ) ( ) (

) ) )

( ( (

) ) ( ) (

( ) (

) ( ) ) (

) (

) (

) (

17

Ya que se tienen los 156 datos de (CL+IR), se estiman ( ( ) ( ) ( ) ( ) (

y ( ) (

) ) ( ) ( )

) (

) (

) (

Por lo tanto, ( ( ) ) ( ( ) ) ( ( ) ) ( ( ) ) ( ) )

4.- Estimacin de IR Para estimar IR calculamos la diferencia entre ( De esta manera se obtiene ( ( ) ) ) es decir,

Ejemplo 4. Calcular la irregularidad asociada para la semana i=32 de la tienda j=811 . . . ( ) ( ) ( ( ( ) ) ) ( ( ) ( ( ) ) )

Por tanto, ( )

18

Al tener los cuatro componentes estimados ya se est listo para calcular el pronstico de venta para el ao 2010 para la semana i=32, tienda j=811

Por lo tanto

Para ver los clculos completos de, ir a PLATAFORMA SUMA DE FACTORES (BASE DATOS ORIGINAL).xlsx

MEDICIN DEL ERROR

19