Sunteți pe pagina 1din 7

Informe de Anlisis de pertinencia de tcnicas proyectivas

Presentado por:
Jhon Harlly Yate Linares

Presentado a:
Nidia Cortes Cubillos

SENA
Tecnologa en Gestin Logstica
Bogot D.C
2016

Introduccin:

En el sector logstico el uso de las tcnicas proyectivas son las herramientas cuyos
resultados son brindan informacin del estado actual de las operaciones e informa
acerca de los posibles cambios que se tengan que realizar.
Para esto se establece en este documento las tcnicas proyectivas o tambin llamados
pronsticos, se hace aclaracin que los temas relacionados a los pronsticos de
demanda, pronsticos de ventas, etc, usan las mismas tcnicas, pero en diferentes
campos, por lo tanto se dar la generalidad bsica de los mtodos proyectivos.
Por lo tanto se deben ver en todos los aspectos posibles, ya que se tiene cualitativos o
Subjetivos, mtodos causales, mtodos de series de tiempo, pronsticos enfocados, en
cada uno de estas herramientas de dar a conocer su modelacin matemticas, sus
beneficios, ventajas y desventajas, y las posibles aplicaciones, para poder orientar de
mejor manera al lector.

1. Conceptos Bsicos de los pronsticos


1.1.

Definicin:

Los pronsticos son la base de la planificacin de mediano y largo plazo, ya que es


posible, ya que con ellos es posible coordinar y controlar a toda la organizacin para
que el sistema productivo, de ventas, contabilidad, financiero y administrativo pueda
usarse de manera eficiente y para que el producto maneje la modalidad JIT (Justo a
tiempo)1, los pronstico es un mtodo mediante el cual se intenta conocer el
comportamiento futuro de alguna variable con algn grado de certeza 2
1.2.

Tipos de pronsticos:

Se tiene cuatro tipos bsicos: cualitativos, anlisis de series de tiempo, relaciones


causales y simulacin.
En los cualitativos se usa la subjetividad, las opiniones o criterios de experiencias,
dentro de este tipo se tiene las ciertas herramientas que son:

tcnicas acumulativas: es la derivacin de un pronstico, donde debido a la


suma de las entradas de aquellos agentes de ventas, por ejemplo: un
pronstico generar de las ventas se puede derivar sumando las entradas de
cada integrante de los vendedores
investigacin de mercado: se establece para recopilar datos de varias
maneras (encuentas, entrevistas, censos, etc.) con la finalidad de evidenciar
el estado del mercado, por lo general, se usa para pronosticar ventas a largo
plazo y de nuevos productos.
Grupos de conceso: Intercambio libre en las juntas. La idea es que la
discusin en grupo produzca mejores pronsticos que cualquier individuo.
Los participantes pueden ser ejecutivos, vendedores o clientes
Analoga histrica: relaciona lo pronosticado con un artculo similar. Es
importante al planear nuevos productos en los que las proyecciones se
pueden derivar mediante el uso del historial de un producto similar.
Mtodo Delfos: Se contrata expertos que hacen pronsticos iniciales que la
empresa promedia y les devuelve para refinar los estimados individuales. El
procedimiento puede repetirse varias veces hasta cuando los expertos -

1 http://www.angelfire.com/ak6/ilb/5_2.pdf
2 http://www.andragogy.org/_Cursos/Curso00169/Temario/pdf%20leccion
%201/tema_1_pyme.pdf

trabajando por separado - lleguen a un consenso sobre los pronsticos. Es un


mtodo de alta precisin.
En los pronsticos de anlisis de series de tiempo tiene como objetivo de predecir el
futuro con base en la informacin pasada, ya sea mensual, trimestral, semestral, anual,
etc., las herramientas son:

Promedio Simple: Se calcula el promedio de un periodo que contiene varios


puntos de datos dividiendo la suma de los valores de los puntos entre el nmero
de stos. Por lo tanto, cada uno tiene la misma influencia.
Esta herramienta se usa cuando la demanda, oferta no crece ni baja con rapidez, y no
tiene caractersticas estacionarias, es muy til para eliminar las fluctuaciones aleatorias
de los pronsticos, aunque es centrado, para este tipo de promedio es muy importante
tomar los periodos, debido a que se puede generar varios defectos en los tiempos,
cuanto ms largo sea el periodo, se uniforma los datos los elementos aleatorios.
Formulacin:
P 1=

A T1 + AT 2+ A T3 + AT 4 .. A Tn
n

P1: Pronstico
n: Numero de periodos para promediar
At-1: ocurrencia real en el periodo pasado

Promedio Ponderado: Puede ser que algunos puntos especficos se ponderen


ms o menos que los otros, segn la experiencia.
Mientras el promedio simple da una igualdad a cada uno de los componentes de la
base de datos, un promedio ponderado permite asignar cualquier importancia a cada
elemento, datos, siempre y cuando la suma sea igual al 100%
Formulacin:
P1=( Datos 1Ponderacin1 )+ ( Datos 2Ponderacin 2 ) +( Datos 3Ponderacinn)

Suavizacin Exponencial: Los puntos de datos recientes se ponderan ms y la


ponderacin sufre una reduccin exponencial conforme los datos se vuelven
ms antiguos.
La principal desventaja es la necesidad de manejar en forma continua gran cantidad de
datos histricos, en estos mtodos, al agregar nuevos datos se elimina la observacin
anterior y se calcula el nuevo pronstico, la razn por la que se llama suavizacin
exponencial es que cada incremento de datos histricos se reduce (1-P)

Este mtodo se ha aceptado debido a las siguientes 6 razones:


A.
B.
C.
D.

Son sorprendentemente precisos


Formularlo es relativamente fcil
El usuario pueden entender cmo funciona el modelo
Los requerimientos de almacenamientos en la computadora son bajos al uso
ilimitado de datos histricos
E. Es fcil de calcular las pruebas de precisin relacionadas con el desempeo del
modelo
Solo se necesita tres datos; el pronstico ms reciente, la demanda real que ocurri
durante el periodo de pronstico, una constante de uniformidad (esta constante
determina el nivel de uniformidad y la velocidad de reaccin en las diferencia entre los
pronsticos, este valor de determina por la naturaleza del producto y el sentido del que
realiza el pronstico) se puede determinar con los siguientes puntos.
La demanda tuvo una tendencia estable ronda de % a 10 %, pero si vara mucho va de
15% a 20%, y cuando se pasa de un promedio mvil simple se debe aplicar la formula.
2
(n+1) donde n son el nmero de periodos
Formulacin:
Pt =P t1 + ( A t1P t1)
Donde:
P1 = El pronstico suavizado exponencialmente para el periodo t
Pt1

= El pronstico suavizado exponencialmente para el periodo anterior

A t 1

= La demanda real para el periodo anterior

= El ndice de la respuesta deseado, o la constante de suavizacin


Aqu no termina la operacin de suavizacin exponencial, puesto se necesita
determinar la tendencia de la suavizacin exponencial, para ello se usa las siguientes
formulas.
FIT =Ft + T t
Pt =F IT t1 + ( A t1FIT t1 )
T t =T t1 + (P1FIT t1)

Donde:
FIT = el pronstico incluyendo la tendencia para el periodo t
Tt = La tendencia suavizada exponencialmente para el periodo t
FIT(t-1) = El pronstico incluida la tendencia hecha para el periodo anterior
A(t-1) = La demanda real para el periodo anterior
= Constante de suavizacin
= Constante de suavizacin
Se debe tener en cuenta que se tiene algunos procesos para determinar
A. Dos o ms valores predeterminado de alfa: Se mide la cantidad de error entre el
pronstico y la demanda real. Dependiendo del grado de error, se utilizan
distintos valores de alfa. Si el error es grande, alfa es 0.8; si el error es pequeo,
alfa es 0.2
B. valores calculados de alfa: Una constante de rastreo alfa calcula si el pronstico
sigue el paso a los cambios genuinos hacia arriba o hacia abajo en la demanda
(en contraste con los cambios aleatorios). En esta aplicacin, la constante de
rastreo alfa se define como el error real suavizado exponencialmente dividido
entre el error absoluto suavizado exponencialmente. Alfa cambia de un periodo a
otro en el rango posible de 0 a 1

Regresin Lineal con mnimo cuadrados: Ajusta una recta a los datos pasados
casi siempre en relacin con el valor de los datos. La tcnica de ajuste ms
comn es la de los mnimos cuadrados.
Puede definirse la regresin como una relacin funcional entre dos o ms variables
correlacionadas. Se utiliza para pronosticar una variable con base en la otra. Por lo
general, la relacin se desarrolla a partir de datos observados. Primero es necesario
graficar los datos para ver si aparecen lineales o si por lo menos partes de los datos
son lineales. La regresin lineal se refiere a la clase de regresin especial en la que la
relacin entre las variables forma una recta. La recta de la regresin lineal tiene la
forma Y =MX +B
Para estos mtodos se debe hallar los siguientes trminos:

xy
x^2
y^2
Y