Documente Academic
Documente Profesional
Documente Cultură
100 '--------'--------'---------'---------'---------'------"----'------
TI DI IV Ir ID IV
l'
2006
1'
2007
'1
:..
.-
..
DE LA ECUACIN DE PROPORCIN DE FACTOR ESTACIONAL (PROMEDIO DEL
SUMA REAL TENDENCIA T = 170 + 55t REAL';' TENDENCIA MISMO TRIMESTRE EN AMBOS AOS)
.
,2006
1 200 225 1.33
11 300 280 .70
:, 111 220 335 .66 1-1.25
IV 530 390 1.36 11-0.78
2007 111-0.69
1 520 445 1.17 IV-1.25
..
1I 420 500 .84
111 400 555 .72
. IV 700 610 .1.15
.. .
" 4_
--
1
El clculo del pronstico para 2008 incluyendo los factores de tendencia y estacional (FITS en ingls,
forecast including trend and seasonalfactors) es como sigue:
FITS, = tendencia x estacional
1-2008 FITS
9
= [170 + 55(9)]1.25 = 831
II-2008 FITS
IO
= [170 + 55(10)]0.78 = 562
III-2008 FITS
II
= [170 + 55(11)]0.69 = 535
IV-2008 FITS
l2
= [170 + 55(12)]1.25 = 1038
Descomposicin con regresin por mnimos cuadrados La descomposicin de una serie de tiem
po significa encontrar los componentes bsicos de la serie de tendencia, estacional y cclico. Los ndices
se calculan por estaciones y ciclos. El procedimiento del pronstico despus invierte el proceso con el
pronstico de la tendencia y su ajuste mediante los ndices estacionales y cclicos, determinados en el
proceso de descomposicin. En trminos formales, el proceso:
1. Descomponer las series de tiempo en sus componentes.
a) Encontrar el componente estacional.
b) Descontar las variaciones de temporada de la demanda.
c) Encontrar el componente de la tendencia.
491 ADMINISTR<l.CN y PRONSTICO DE LA DEMANDA captulo 15
2. Pronosticar valores futuros de cada componente.
a) Pronosticar el componente de la tendencia en el futuro.
b) Multiplicar el componente de la tendencia por el componente estacional.
Observe que en esta lista no se incluye el componente aleatorio. Implcitamente, se elimina el compo
nente aleatorio de la serie de tiempo cuando se promedia, como en el paso 1. No tiene caso intentar una
proyeccin del componente aleatorio del paso 2 a menos que se tenga informacin sobre algn evento
inusual, como un conflicto laboral grave, que pudiera influir en la demanda del producto (y esto no sera
al azar).
En la ilustracin 15.15 se muestra la descomposicin de una serie de tiempo con el uso de una re
gresin de cuadrados mnimos y los mismos datos bsicos utilizados en ejemplos anteriores. Cada dato
corresponde al uso de un solo trimestre del periodo de 3 aos (12 trimestres). El objetivo es pronosticar
la demanda de los cuatro trimestres del cuarto ao.
Paso 1. Determinar el factor (o ndice) estacional. En la ilustracin 15.15 se presenta un resumen
de los clculos necesarios. En la columna 4 se desarrolla un promedio para los mismos trimestres
del periodo de 3 aos. Por ejemplo, se sumaron los primeros trimestres de los 3 aos y despus se
dividieron entre tres. Luego se deriva un factor estacional al dividir ese promedio entre el promedio
general de los 12 trimestres (33 ;50, o 2779). El resultado se introduce en la columna 5. Cabe observar
1
que los factores estacionales son idnticos para los trimestres semejantes en cada ao.
Demanda descontadas las variaciones de te
ll1
Porada.
ilustracin 15.15
(1) (2) (3) (4) (5) (6) (7) (8)
DEMANDA DEMANDA NO
PERIODO
REAL PROMEDIO DEL M.lSMO FACTOR ESTACIONAL (yJ x'
x xYd
(x) TRIMESTRE
(y) TRIMESTRE CADA AO ESTACIONAL COL. (3) ... COL. (5) (COL. 1)' COL. (1) x COL. (6)
600 (600 + 2400 + 3800)/3 0,82 735.7 735.7
= 2266.7
2 1550 (1150 + 3100 + 4500)/3 1.10 1412.4 4 2824.7
= 3050
3 1I1 1500
(1500 + 2600 + 4000)/3 0,97 1544.0 9 4631.9
= 2700
4 IV 1500
(1500 + 2900 + 4900)/3
1.12 1344.8 16 5379,0
= 3100
5 1 2400 082 2942.6 25 14713.2
6 II 3100 1.10 2824.7 36 16948.4
7 111 2600 0.97 2676.2 49 18733.6
8 IV 2900 1.12 2599.9 64 20798.9
9 3800 0.82 2659.2 81 41932.7
10 4500 1.10 4100.4 100 41004.1
11 1I1 4000 0.97 4117.3 121 45290,1
12 IV 4900 1.12 4329.9 144 52714.5
78 33350 12.03 33350.1* 650 265706.9
x= 78 = 6.5
b=
2XYd -nXyd
=
265 706,9 -12( 6,5)2 779.2
= 342 .2
12 2-2 -2
x - nx 650 -12{6.5)2
Yd = 33 350/12 = 2 779.2 a = Yd -bx = 2 779.2-342.2(6.5) = 554.9
Por lo tanto, Y =a + bx = 554.9 + 342.2x
, '1
'Los totales de la columna 3 y la columna 6 deben-ser igual a:n 350, Las di.fl'rencias 'se deben al redon.deo. La columna 5 se rede.nd'e dos lugares decimales.
492 seccin 4 PLANEACi\ y CONTROL DE LA CADENA DE :;l:-"1ID,STRO
ilustracin 15.16
Excel:
Pronstico
Paso 2. Descontar las variaciones de temporada de los datos originales. Para eliminar el efecto
estacional de los datos, se dividen los datos originales entre el factor estacional. Este paso se llama
descuento de las variaciones de temporada de la demanda y se presentan en la columna 6 de la ilus
tracin 15.15.
Paso 3. Trazar una recta de regresin por mnimos cuadrados para los datos descontados de
las variaciones de temporada. El objetivo es desarrollar una ecuacin para la recta de la tendencia
Y, que despus se modifica con el factor estacional. El procedimiento es el mismo de antes:
y = a + bx
donde
Yd = descuento de las variaciones de temporada de la demanda (vase ilustracin 15.15)
x = trimestre
y = demanda calculada con la ecuacin de regresin Y = a + bx
a = secante de Y
b = pendiente de la recta
En la seccin inferior de la ilustracin 15.15 se presentan los clculos de mnimos cuadrados
usando las columnas 1, 7 Y8. La ecuacin final de descuento de las variaciones de temporada de los
datos es Y = 554.9 + 342.2x. Esta recta se presenta en la ilustracin 15.16.
Paso 4. Proyectar la recta de la regresin a travs del periodo por ser pronosticado: El pro
psito es pronosticar los periodos 13 a 16. Lo primero es resolver la ecuacin para Yen cada periodo
(que se muestra en el paso 5, columna 3).
Paso 5. Crear el pronstico final mediante el ajuste de la recta de la regresin segn el fac
tor estaciona!. Cabe recordar que se descontaron las variaciones de temporada de la ecuacin Y.
Ahora se invierte el procedimiento multiplicando los datos trimestrales derivados mediante el factor
estacional de ese trimestre:
YDE LA RECTA DE FACTOR PRONSTICO (Y X
PERIODO TRIMESTRE LA REGRESIN ESTACIONAL FACTOR ESTACIONAL)
13 5003.5 0.82 4102.87
14 2 5345.7 1.10 5880.27
15 3 56879 0.97 5517.26
16 4 6030.1 1.12 6753.71
.'Grfica de recta de ecucin descontada de las
493 !\J)M1NISTRACN y PRONSTICO DE LA D E M A N J ) ~ captulo 15
Intervalos de prediccin para la: tendencialineal . ilustracin 15.17
Demanda
Pasado Presente Futuro
Tiempo
Ya est completo el pronstico. Normalmente. el procedimiento es igual al realizado en el ejemplo
anterior que se ajust a mano. Pero en este ejemplo se sigue un procedimiento ms formal y tambin se
calcula la recta de la regresin de cuadrados mnimos.
Rango de error Cuando se ajusta una recta mediante puntos de datos y despus se utiliza para hacer
pronsticos. los errores se generan desde dos fuentes. Primero, existen los errores usuales semejantes a
la desviacin estndar de cualquier serie de datos. Segundo. hay errores generados porque la recta est
incorrecta. La ilustracin 15.17 muestra este rango de error. Ms que desarrollar aqu las estadsticas,
slo se demostrar brevemente la causa de que se ample el rango. Primero, se visualiza una recta tra
zada con cierto error de modo que su inclinacin ascendente es muy pronunciada. Despus se calculan
los errores estndar para esta recta. Ahora hay que visualizar otra recta cuya inclinacin descendente es
muy pronunciada. Tambin tiene un error estndar. El rango de error total, para este anlisis, consiste de
enores que resultan de ambas rectas as como de otras rectas posibles. Se incluye esta ilustracin para
demostrar cmo se ampla el rango de error conforme avanza.
PRONSTICO DE RELACIONES CAUSALES
Para que un pronstico sea de valor. cualquier variable independiente debe ser un indicador gua. Por
ejemplo, es de esperar que un periodo de lluvias ms prolongado aumente la venta de paraguas y gabar
dinas. La lluvia provoca la venta de artculos personales para este clima. Se trata de una relacin causal Relacin causal
en la que una ocurrencia causa otra. Si se sabe del elemento de causa con mucha anticipacin. se puede
usar como base para el pronstico.
El primer paso del pronstico de una relacin causal es encontrar las ocurrencias que realmente sean
la causa. Muchas veces los indicadores gua no son relaciones causales sino que indican, de cierta forma
indirecta, que podran ocurrir otras cosas. Otras relaciones no causales simplemente parecen existir
como una coincidencia. Hace unos aos se demostr en un estudio que la cantidad de alcohol vendido
en Suecia era directamente proporcional al salario de los maestros. Se cree que era una relacin espuria
(falsa). El siguiente es un ejemplo de un pronstico con el uso de una relacin causal.
EJEMPLO 15.5: Pronstico con el uso de una relacin causal
Carpel City Store en Carpenleria lleva regislros anuales de sus ventas (en yardas cuadradas), adems del n
mero de licencias para casas nuevas en esta rea.
494 seccin 4 PLANEACN y CONTROL DE LA CADENA DE snID1STRO
ilustracin 15.18 Relacin causal: ventas a casas iruevas
y
20000
18000
16000
14000
12000
(yardas
Ventas
10 000
cuadradas
de alfombra)
8000
Excel:
6000
. y 17000-10000
Pronstico
PendIente =X = 30 _ 10 =350
4000
2000
o 2 4 6 8 10 12 14 16 18 20 22 24 26 28 30 32 34 36
Nmero de licencias deconstruccin
x
VENTAS (YARDAS CUADRADAS DE ALFOMBRA)
NMERO DE LICENCIAS
Ao PENDJENTE DE CONSTRUCCIN
1999 18 13 000
2000 15 12000
2001 12 11000
2002 10 10000
2003 20 14000
2004 28 16000
2005 35 19000
2006 30 17000
2007 20 13000
El gerente de operaciones de Carpet City cree que es posible pronosticar las ventas si se conocen los inicios de
proyectos habitacionales del ao. En primer lugar, los datos se grafican en la ilustracin 15.18, con:
x = Nmero de licencias de construccin
y =Ventas de alfombras
Como los puntos estn sobre una recta, el gerente decide usar la relacin lineal Y = a + bx. Resuelva el
problema trazando a mano una recta. Tambin se puede resolver esta ecuacin con la regresin por cuadrados
mnimos que se hizo arriba.
SOLUCiN
Proyectar la recta trazada a mano hace que toque el eje de las y en unas 7 000 yardas. Esto podra interpretarse
como la demanda cuando no se construyen casas nuevas; es decir, probablemente como sustitucin de alfom
bras viejas. Para calcular la pendiente, se seleccionan dos puntos, como
Ao x y
2002 10 10000
2006 30 17000
495 DMIN1STRACIN y PRONSTICO DE LA DEMANDA captulo 15
La pendiente se calcula algebraicamente como
b = y(2004) - y(2000) = 17000 -10000 = 7000 = 350
x(2004) - x(2000) 30 - 10 20
El gerente interpreta la pendiente como el promedio de yardas cuadradas de alfombra vendidas a cada casa
nueva de la zona. Por lo tanto, la ecuacin de pronstico es
y = 7 000 + 350x
Ahora supngase que hay 25 licencias para construir casas en 2008. El pronstico de las ventas para 2008
sera:
7000 + 350(25) = 15750
En este problema, la demora entre pedir la licencia en la oficina correspondiente y la llegada del nuevo
dueo a Carpet City a comprar alfombra es una relacin causal viable para el pronstico.
ANLISIS DE REGRESIN MLTIPLE
Otro mtodo de pronstico es el anlisis de regresin mltiple, en el que se considera cierto nmero de
variables, junto con los efectos de cada una en el rubro de inters. Por ejemplo, en el campo del mobilia
rio domstico, los efectos del nmero de matrimonios, construccin de viviendas, ingreso disponible y
tendencias puede expresarse en una ecuacin de regresin mltiple como:
donde
s = Ventas brutas anuales
B = Ventas de base, como punto de partida a partir del que otros factores ejercen una influencia
M = Matrimonios durante el ao
H = Construccin de viviendas durante el ao
J = Ingreso personal disponible anual
T = Tendencia temporal (primer ao = 1, segundo = 2, tercero = 3, etctera)
B
m
, B
I
" B
i
YB
r
representan la influencia en las ventas esperadas del nmero de matrimonios y construc
cin de viviendas, ingreso y tendencia.
Es conveniente hacer un pronstico con regresin mltiple cuando varios factores influyen en la va
riable de inters; en este caso, las ventas. Su dificultad radica en los clculos matemticos. Por fortuna, se
venden programas estndares de cmputo para anlisis de regresin mltiple, lo que alivia la necesidad
de hacer tediosos clculos manuales.
Microsoft Excel soporta tcnicas de anlisis de series de tiempo descritas en esta seccin. Estas
funciones se encuentran en las herramientas de anlisis de datos de uniformidad exponencial, promedios
de movimiento y regresin.
PRONSTICO ENFOCADa
El pronstico enfocado es creacin de Bernie Smith,5 quien lo usa principalmente para manejo de inven
tarios de bienes terminados. Smith defiende slidos argumentos de que los enfoques estadsticos usados
para pronosticar no dan los mejores resultados. Afirma que las tcnicas simples que funcionaron antes
tambin dan los mejores pronsticos para el futuro.
496 seccin 4 PLANEAcrN y CO'\'TROL DE LA CADENA DE
Pronstico enfocado
METODOLOGA DEL PRONSTICO ENFOCADO
El pronstico enfocado simplemente prueba varias reglas que parecen lgicas y fciles de entender
para proyectar al futuro los datos del pasado. Cada una de estas reglas se usa en un programa de simula
cin por computadora para proyectar realmente la demanda medir el desempeo de la regla cuando se
compara con lo que ocurri. Por 10 tanto, los dos componentes del sistema de pronstico enfocado son
1) varias reglas de pronstico muy simples, y 2) simulacin por computadora de estas reglas sobre datos
del pasado.
Se trata de reglas simples y de sentido comn que se formulan y prueban para ver si deben conser
varse. Entre los ejemplos de reglas simples de pronstico se encuentran:
1. Lo que se haya vendido en los tres ltimos meses ser probablemente 10 que.se venda en los tres
meses siguientes.
2. Lo que se vendi en el mismo trimestre del ao pasado se vender probablemente en ese periodo
de este ao (esto dara cuenta de los efectos estacionales).
3. Es probable que se venda 10 por ciento ms en los siguientes tres meses que en los tres meses
anteriores.
4. Es probable que se venda 50 por ciento ms en los tres meses siguientes que en los mismos tres
meses del ao anterior.
5. Cualquiera que haya sido el cambio porcentual de los ltimos tres meses de este ao en compara
cin con los mismos tres meses del ao pasado, ser probablemente el mismo cambio porcentual
que se tendr en los siguientes tres meses del ao.
Estas reglas de pronstico no son rgidas. Si una regla parece funcionar bien, se agrega. Si una no
funcion, se suprime.
La segunda parte del proceso es una simulacin por computadora. Para usar el sistema, deben tenerse
datos histricos; por ejemplo, datos de 18 a 24 meses. El proceso de simulacin usa las reglas de pro
nstico para predecir datos recientes. La regla que mejor pronostique en el pasado es la que se usa para
predecir el futuro. El ejemplo 15.6 es un ejercicio usado por Smith.
6
EJEMPLO 15.6: Demanda en unidades de una charola para asadora
La tabla siguiente muestra la demanda en unidades de una charola para asadora en un periodo de 18 meses.
(Trate de adivinar cul sera la demanda para julio, agosto y septiembre de este ao y compare su conjetura
con los datos reales presentados despus.)
Ao PASADO ESTE AO Ao PASADO ESTE AO
Enero 6 72 Julio 167
Febrero 212 90 Agosto 159
Marzo 378 108 Septiembre 201
Abril 129 134 Octubre 153
Mayo 163 92 Noviembre 76
Junio 96 137 Diciembre 30
SOLUCiN
Por brevedad, aqu se aplican slo dos reglas para demostrar el mtodo: 1y 5. En la prctica, se usaran todas.
Mediante pronstico enfocado, primero se prueba la regla 1: lo que se haya vendido en los tres ltimos
meses ser probablemente lo que se venda en los tres meses siguientes (se usan indistintamente los trminos
demanda y ventas, suponiendo que las demandas culminan en ventas reales). Primero se prueba esta regla con
los tres meses pasados:
Pronstico (abril, mayo, junio) = Demanda (enero + febrero + marzo)
= 72 + 90 + 108 = 270
Como lo que ocurri en la realidad fue 363 (134 + 92 + 137), el pronstico fue 270/364 = 74 por ciento. En
otras palabras, fue 26 por ciento bajo.
497 ADlVIIN1STRACIN y PRONSTICO DE LA DEMANDA capitulo 15
Prubese otra regla, como la 5: cualquiera que haya sido el cambio porcentual de los ltimos tres meses
de este ao en comparacin con los mismos tres meses del ao pasado, ser probablemente el mismo cambio
porcentual que se tendr en los siguientes tres meses del ao.
Pronstico (abril + mayo + junio)
= Demanda (enero + febrero + marzo) este ao
Demanda (enero + febrero + marzo) ao pasado
x Demanda (abril + mayo + junio) ao pasado
= 72 + 90 + 108 x (129 + 163 + 96)
6+212+378
270
= - x (388) = 175.77
596
Lo que ocurri en realidad durante abril, mayo y junio fue de 363, as que el pronstico fue 175/363 o slo 48
por ciento de la demanda real.
Como la regla 1 fue la mejor para pronosticar los tres meses pasados, se usa esa regla para predecir julio,
agosto y septiembre de este ao. La regla 1 dice que lo que se haya vendido en los tres ltimos meses ser
probablemente lo que se venda en los tres meses siguientes.
Pronstico Uulio + agosto + septiembre) = Demanda (abril + mayo + junio)
= 134 + 92 + 137 = 363
La demanda actual del periodo fue de 357, como se ve en la tabla, lo que muestra la historia completa de
la demanda de este ao y sirve como base para hacer una comparacin.
Ao PASADO ESTE AO Ao PASADO ESTE AO
Enero 6 72 Julio 167 120
Febrero 212 90 Agosto 159 151
Marzo 378 108 Septiembre 201 86
Abril 129 134 Octubre 153 113
Mayo 163 92 Noviembre 76 97
Junio 96 137 Diciembre 30 40
Luego, los compradores o los empleados de control que tienen la responsabilidad de estos rubros re
visan y, si fuera necesario, modifican los pronsticos hechos con la lgica enfocada. Cuando ven los pro
nsticos hechos por la computadora, saben qu mtodo se us y pueden aceptar el pronstico o cambiarlo
si no estn de acuerdo. Smith dice que alrededor de 8% de los pronsticos los cambian los compradores,
porque saben algo que la computadora ignora (por ejemplo, la causa de una demanda grande anterior o
que el pronstico siguiente es demasiado elevado porque un competidor introdujo un producto rival).
Smith afirma que de todas las simulaciones de pronsticos que ha ejecutado usando variaciones de
uniformidad exponencial (incluyendo uniformidad adaptada), el pronstico enfocado es el que da mejo
res resultados.
PRONSTICO EN LA RED:
y RESURTIDO EN COLABORACIN
7
'
La planeacin, pronstico y resurtido en colaboracin (CPFR en ingls, Collaborative Planning, Planeacin, pronstico
Forecasting and Replenishment), que se propuso en 1995, evolucion hasta convertirse en una herra y resurtido en
mienta de Internet usada para coordinar el pronstico de la demanda, la planeacin de la produccin y colaboracin
las compras y el resurtido de inventarios entre socios comerciales de la cadena de suministro, La CPFR
se usa como medio de integrar a todos los miembros de una cadena de suministro de n puntos, incluyendo
fabricantes, distribuidores y vendedores minoristas, Como se muestra en la ilustracin 15,19, el punto
ideal de colaboracin mediante CPFR es el pronstico de la demanda en el nivel del menudeo, que luego
se usa para sincronizar pronsticos y planes de produccin y resurtido hacia los segmentos anteriores de
la cadena de suministro.
seccin 4 PLAl'ffiACIN y CONTROL DE LA CADENA DE SC1ID1STRO 498
-, .. "
ilustracin 15.19 .-Cadena- de suministn> de n Con de menudeo
Vendedor Vendedor Vendedor Vendedor Fabricacin y Centro de
del punto n del punto 3 del punto 2 del punto l montaje distribucin Minorista
Planeacin de produccin -Informacin Informacin
e informacin de adquisiciones de resurtido de pronstico
A la fecha, aunque la metodologa es aplicable a cualquier industria, las aplicaciones de CPFR se
han centrado principalmente en los alimentos, ropa y mercanca general. Los posibles beneficios de
compartir la informacin de mejorar la visibilidad de la planeacin son enormes para cualquier cadena
de suministro. Se han propuesto varias estimaciones de los ahorros de costos atribuibles a mejorar la
coordinacin de la cadena de suministro, incluyendo 30000 millones de dlares nada ms de la industlia
alimenticia.
8
El objetivo de CPFR es intercambiar informacin interna selecta en un servidor de la red compartido,
con el fin de ofrecer panormicas confiables y de largo plazo sobre la demanda futura en la cadena de
suministro. CPFR usa un enfoque cclico e iterativo para derivar pronsticos consensuados en la cadena.
Consiste en los siguientes cinco pasos:
Paso 1. Creacin de un acuerdo de asociacin del lado del cliente. Este acuerdo especifica
1) objetivos (como reduccin de inventarios, eliminacin de ventas perdidas, menor obsolescencia de
los productos) que se pretende alcanzar mediante colaboracin, 2) necesidades de recursos para la
colaboracin (por ejemplo, hardware, software, medidas de desempeo), y 3) expectativas de confi
dencialidad sobre la confianza imprescindible como requisito para compartir la informacin delicada
de la compaa, que representa un obstculo importante a la implantacin.
Paso 2. Planeacin conjunta de negocios. Normalmente, los socios crean estrategias de asocia
cin, disean un calendario conjunto en el que se identifica la secuencia y frecuencia de las actividades
de planeacin que se siguen para influir en los ritmos de produccin y se especifican los criterios de
excepcin para manejar las variaciones planeadas entre los pronsticos de la demanda de los socios
comerciales.
Paso 3. Desarrollo de pronsticos de demanda. El desarrollo de pronsticos puede apegarse a
los procedimientos establecidos en la compaa. Las tiendas deben desempear un papel crucial,
porque compartir los datos de los puntos de venta permite desarrollar expectativas ms acertadas y
oportunas (a diferencia de extrapolar retiros de almacn o acumular pedidos en tiendas) tanto para
vendedores minoristas como para proveedores, Dada la frecuencia con que se generan pronsticos y
la posibilidad de que muchos artculos requieran que se preparen pronsticos, por lo regular se usa
en CPFR algn procedimiento de pronstico simple, como el promedio de movimiento. Es fcil usar
tcnicas simples junto con los conocimientos expertos de eventos de promocin o rebaja para modi
ficar los valores pronosticados en consecuencia.
Paso 4. Difundir los pronsticos. A continuacin, vendedores minoristas (pronsticos de pedidos)
y proveedores (pronsticos de ventas) publican electrnicamente sus ltimos pronsticos de una lista
de productos en un servidor compartido dedicado. El servidor examina pares de pronsticos corres
pondientes y expide una nota de excepcin sobre cualquier par de pronsticos cuando la diferencia
supera un margen de seguridad establecido con antelacin (por ejemplo, de 5%). Si se excede el mar
gen de seguridad, los planificadores de las dos empresas colaboran por va electrnica para llegar a
un pronstico de consenso.
Paso 5. Resurtido de inventario. Cuando coinciden los pronsticos correspondientes, el pronstico
de pedidos se convierte en pronstico real, lo que activa el proceso de resurtido.
-
499 ADMIN1STRACN y PRONSTICO DE LA DEMANDA captulo 15
Cada uno de estos pasos se repite iterativamente en un ciclo continuo en el que se varan los tiempos,
por productos individuales y segn calendario de sucesos establecido entre los socios comerciales.
Por ejemplo, los socios pueden revisar el acuerdo de asociacin del lado del cliente cada ao, evaluar
cada trimestre los planes comerciales conjuntos, desarrollar pronsticos de la demanda semanales o
mensuales y resurtir a diario.
El intercambio oportuno de informacin entre los socios comerciales ofrece impresiones confiables
y de ms largo plazo sobre el futuro de la demanda en la cadena de suministro. La visibilidad hacia
adelante, basada en compartir la informacin, trae diversos beneficios a las asociaciones en las cadenas
de suministro.
Como ocurre con la mayora de las nuevas iniciativas corporativas, hay escepticismo y resistencia al
cambio. Uno de los escollos ms grandes que estorban la colaboracin es la falta de confianza sobre lo
completo de la informacin que se comparte entre socios de la cadena de suministro. El objetivo contra
dictorio entre un proveedor que quiere maximizar sus utilidades y un cliente que quiere minimizar sus
costos da lugar a relaciones contrarias en la cadena de suministro. Compartir datos operativos delicados
puede permitir a un socio comercial sacar ventaja del otro. Del mismo modo, una barrera a la ejecucin
es el potencial de perder el control. Algunas compaas se sienten justamente preocupadas por la idea de
colocar en lnea datos estratgicos, como informes financieros, programas de manufactura e inventarios.
Las compaas quedan expuestas a las fracturas de seguridad. Los acuerdos de asociacin del lado del
cliente, acuerdos de secreto y acceso limitado a la informacin ayudan a superar estos miedos.
CONCLUSiN
No es fcil desarrollar un sistema de pronstico. Sin embargo, debe hacerse, porque pronosticar es fun
damental en cualquier esfuerzo de planeacin. En el corto plazo, se necesita un pronstico para predecir
las necesidades de materiales, productos, servicios u otros recursos para responder a los cambios de la
demanda. Los pronsticos permiten ajustar los calendarios y variar la mano de obra y los materiales. A
la larga, se requiere pronosticar como base para los cambios estratgicos, como el desarrollo de mercados
nuevos, creacin de nuevos productos o servicios y ampliar o construir nuevas instalaciones.
En el caso de los pronsticos de largo plazo en los que se incurra en grandes compromisos econmi
cos, debe tenerse mucho cuidado al derivarlos. Deben usarse varios mtodos. Son provechosos los mto
dos causales, como el anlisis de regresin simple o mltiple, pues dan una base para realizar estudios.
Los factores econmicos, tendencias de productos, factores de crecimiento y competencia, as como una
mirada de otras posibles variables tienen que considerarse y el pronstico debe ajustarse para que refleje
la influencia de cada uno.
Los pronsticos de corto y mediano plazos (como los que se requieren para el control de inventario
as como calendarizacin de contratacin de empleados y de material) pueden ser satisfactorios para mo
delos simples, como de suavizacin exponencial, quiz con una caracterstica de adaptacin o un ndice
estacional. En estas aplicaciones, normalmente se pronostican miles de activos. La rutina de pronstico
debe ser simple y ejecutarse con rapidez en una computadora. Las rutinas tambin deben detectar y
responder con celeridad a cambios definidos de corto plazo en la demanda, al tiempo que se ignoran
las demandas espurias ocasionales. La suavizacin exponencial, cuando la gerencia la monitorea para
controlar el valor de alfa, es una tcnica efectiva.
Los sistemas de pronstico en colaboracin por Internet que usan combinaciones de mtodos de
pronstico sern la ola del futuro en muchas industrias. Compartir informacin entre socios comerciales
con enlaces directos al sistema ERP de cada empresa asegura una informacin rpida y sin errores a un
costo muy bajo.
En resumen, es difcil pronosticar. Un pronstico perfecto es como un hoyo en uno en el campo de
golf: es sensacional atinarle, pero hay que sentirse satisfecho con acercarse; o, para proseguir con la ana
loga, basta caer en el green. La filosofa ideal es crear el mejor pronstico que sea posible y protegerse
manteniendo la flexibilidad del sistema para tener en cuenta los inevitables errores de pronstico.
VOCABULARIO BSICO
Demanda dependiente Necesidades de un producto o servicio inci Demanda independiente Demanda que no puede derivarse directa
tadas por la demanda de otros servicios o productos. Esta demanda mente de la demanda de otros productos.
interna no tiene que ser pronosticada, pero puede calcularse sobre la
base de la demanda de otros productos o servicios.
500 seccin 4 PLAi'lEACN y CONTROL DE LA CADENA DE
Anlisis de series de tiempo Tipo de pronstico en que se anticipa la
demanda futura con datos relacionados a la demanda anterior.
Suavizacin exponencial Tcnica de pronstico por series de tiem
po, en la que cada incremento de los datos de la demanda anterior
aminora en (1 - a).
Constante de suavizacin alfa (a) Parmetro de la ecuacin de sua
vizacin exponencial que controla la velocidad de reaccin a las di
ferencias entre los pronsticos y la demanda real.
Constante de suavizacin delta (b) Parmetro adicional de la ecuacin
de suavizacin exponencial que comprende un ajuste de la tendencia.
Desviacin absoluta media (MAD) Error promedio del pronstico
usando valores absolutos de error de cada pronstico anterior.
Seal de seguimiento Medida que indica si el promedio del prons
tico concuerda con alzas o bajas verdaderas de la demanda.
R.EPASO DE LAS FRMULAS
Promedio mvil simple
[15.1]
Promedio mvil ponderado
[15,2]
Suavizacin exponencial simple
[15.3]
Pronstico de regresin lineal Tcnica de pronstico en la que se
presume que los datos previos y las proyecciones a futuro caen sobre
una recta.
Relacin causal Situacin en la que un suceso es causa de otro. Si
el suceso est muy distante en el futuro, sirve como base para un
pronstico.
Pronstico enfocado Mtodo de pronosticar en el que se ensayan
varias tcnicas mediante simulacin computarizada. La mejor tc
nica o el mejor conjunto de tcnicas se aplica al pronstico real.
Planeacin, pronstico y resurtido en colaboracin Herramienta
de Internet para coordinar pronsticos, produccin y adquisiciones
en la cadena de suministro de una compaa.
Suavizacin exponencial con tendencia
[15.4] FIT, =F, + TI
[15.5]
[15.6]
Desviacin absoluta media
[15.7]
Seal de seguimiento
[15.8]
Regresin de mnimos cuadrados
[15.9]
[15.10]
[15.11]
F, = FIT
,
_
1
+ a(A _ - FIT_
1
)
'
1 I
TI = T,_
1
+ o(F, - FIT
I
_
1
)
It
IIAe-Fel
MAD = __
n
TS = RSFE
MAD
Y=a+bx
a = y - bx
Lxy-ni. y
b = """''''=-,--_-,
L...x -nx