Documente Academic
Documente Profesional
Documente Cultură
PRACTICA N 06
TEMA: ADMINISTRACION Y PRONOSTICO DE LA DEMANDA
I. ADMINISTRACIN DE LA DEMANDA
El propsito del manejo de la demanda es coordinar y controlar todas las fuentes de la demanda,
con el fin de poder usar con eficiencia el sistema productivo y entregar el producto a tiempo. De
dnde proviene la demanda del producto o servicio de una empresa? y qu puede hacer una
compaa para administrarla? Existen dos fuentes bsicas de la demanda: dependiente e
independiente.
Una empresa no puede hacer mucho respecto de la demanda dependiente. Es preciso cubrirla
(aunque el producto o servicio se pueda comprar en lugar de producirlo en forma interna). Pero s
hay mucho que una empresa puede hacer en cuanto a la demanda independiente, si as lo desea.
La compaa puede:
1
ASIGNATURA : OPTIMIZACION DE LA PRODUCCION EN LA INDUSTRIA ALIMENTARIA UNJFSC - 2017
Deriva un pronstico a travs de la compilacin de las entradas de aquellos que se encuentran al final de la
Tcnicas
jerarqua y que tratan con lo que se pronostica. Por ejemplo, un pronstico general de las ventas se puede
acumulativas
derivar combinando las entradas de cada uno de los vendedores que estn ms cerca de su territorio.
Investigacin de
Se establece para recopilar datos de varias formas (encuestas, entrevistas, etc.) con el fin de comprobar
mercados
hiptesis acerca del mercado. Por lo general, se usa para pronosticar ventas a largo plazo y de nuevos
productos.
Intercambio libre en las juntas. La idea es que la discusin en grupo produzca mejores pronsticos que
Grupos de consenso
cualquier individuo. Los participantes pueden ser ejecutivos, vendedores o clientes.
Relaciona lo pronosticado con un artculo similar. Es importante al planear nuevos productos en los que las
Analoga histrica
proyecciones se pueden derivar mediante el uso del historial de un producto similar.
Un grupo de expertos responde un cuestionario. Un moderador recopila los resultados y formula un
cuestionario nuevo que se presenta al grupo. Por lo tanto, existe un proceso de aprendizaje para el grupo
Mtodo de Delfos
mientras recibe informacin nueva y no existe ninguna influencia por la presin del grupo o individuos
dominantes.
II. Anlisis de series Con base en la idea de que el historial de los eventos a travs del tiempo se puede utilizar para proyectar el
de tiempo futuro.
Promedio mvil Se calcula el promedio de un periodo que contiene varios puntos de datos dividiendo la suma de los valores de
simple los puntos entre el nmero de stos. Por lo tanto, cada uno tiene la misma influencia.
Promedio mvil
Puede ser que algunos puntos especficos se ponderen ms o menos que los otros, segn la experiencia.
ponderado
Suavizacin Los puntos de datos recientes se ponderan ms y la ponderacin sufre una reduccin exponencial conforme los
exponencial datos se vuelven ms antiguos.
Ajusta una recta a los datos pasados casi siempre en relacin con el valor de los datos. La tcnica de ajuste ms
Anlisis de regresin
comn es la de los mnimos cuadrados.
Tcnica Box Jenkins Muy complicada, pero al parecer la tcnica estadstica ms exacta que existe. Relaciona una clase de modelos
posteriores. estadsticos con los datos y ajusta el modelo con las series de tiempo utilizando distribuciones bayesianas
(Se conoce tambin como X-11). Desarrollada por Julius Shiskin de la Oficina del Censo. Un mtodo efectivo
Series de tiempo
para dividir una serie temporal en temporadas, tendencias e irregular. Necesita un historial por lo menos de 3
Shiskin
aos. Muy eficiente para identificar los cambios, por ejemplo, en las ventas de una compaa.
Proyecciones de
Ajusta una recta matemtica de tendencias a los puntos de datos y la proyecta en el futuro.
tendencias
Trata de entender el sistema subyacente y que rodea al elemento que se va a pronosticar. Por ejemplo, las
III. Causal ventas se pueden ver afectadas por la publicidad, la calidad y los competidores.
Similar al mtodo de los mnimos cuadrados en las series de tiempo, pero puede contener diversas variables. La
Anlisis de regresin
base es que el pronstico se desarrolla por la ocurrencia de otros eventos.
Modelos
Intentos por describir algn sector de la economa mediante una serie de ecuaciones interdependientes.
economtricos
Modelos de Se enfoca en las ventas de cada industria a otros gobiernos y empresas. Indica los cambios en las ventas que
entrada/salida una industria productora puede esperar debido a los cambios en las compras por parte de otra industria.
Principales Estadsticas que se mueven en la misma direccin que la serie a pronosticar, pero antes que sta, como un
indicadores incremento en el precio de la gasolina que indica una baja futura en la venta de autos grandes.
Modelos dinmicos, casi siempre por computadora, que permiten al encargado de las proyecciones hacer
IV. Modelos de suposiciones acerca de las variables internas y el ambiente externo en el modelo. Dependiendo de las variables
simulacin en el modelo, el encargado de los pronsticos puede hacer preguntas como: Qu sucedera con mi pronstico
si el precio aumentara 10%? Qu efecto tendra una recesin nacional leve sobre mi pronstico?
2
ASIGNATURA : OPTIMIZACION DE LA PRODUCCION EN LA INDUSTRIA ALIMENTARIA UNJFSC - 2017
1 + 2 + 3 +. . . +
=
Donde:
Ft = Pronstico para el siguiente periodo
n = Nmero de periodos para promediar
At1 = Ocurrencia real en el periodo pasado
At2, At3 y Atn = Ocurrencias reales hace dos periodos, hace tres periodos, y as
sucesivamente, hasta hace n periodos
EJEMPLO:
Promedio mvil simple; periodos de tres (n=3) y nueve semanas (n=9):
3
ASIGNATURA : OPTIMIZACION DE LA PRODUCCION EN LA INDUSTRIA ALIMENTARIA UNJFSC - 2017
wi = 1
i=1
EJEMPLO:
Un Supermercado local se da cuenta de que en un periodo de cuatro meses, el mejor
pronstico se deriva utilizando 40% de las ventas reales durante el mes ms reciente, 30%
de dos meses antes, 20% de tres meses antes y 10% de hace cuatro meses. Si las ventas
reales fueron:
4
ASIGNATURA : OPTIMIZACION DE LA PRODUCCION EN LA INDUSTRIA ALIMENTARIA UNJFSC - 2017
Esta ecuacin establece que el nuevo pronstico es igual al pronstico anterior ms una
porcin del error (la diferencia entre el pronstico anterior y lo que ocurri realmente).
5
ASIGNATURA : OPTIMIZACION DE LA PRODUCCION EN LA INDUSTRIA ALIMENTARIA UNJFSC - 2017
EJEMPLO:
La demanda a largo plazo para el producto sujeto a estudio es relativamente estable y una
constante de suavizacin () de 0.05 se considera apropiada. Si el mtodo exponencial se
hubiera usado como una poltica de continuidad, se habra hecho un pronstico para el
mes pasado. Suponga que el pronstico del mes pasado (Ft1) fue de 1050 unidades. Si la
demanda real fue de 1000, en lugar de 1050, el pronstico para este mes sera:
6
ASIGNATURA : OPTIMIZACION DE LA PRODUCCION EN LA INDUSTRIA ALIMENTARIA UNJFSC - 2017
De forma anloga, si la demanda real es de 150 unidades pero nuestro pronstico para el
mismo perodo, es, por ejemplo, 250 unidades el error correspondiente es e1 = A1 - F1 =
150 250 = -100 < 0, por tanto en este caso tenemos una sobrestimacin de la demanda
real de una magnitud de 100 unidades.
Para ello utilizamos 2 indicadores que generalmente se analizan en forma conjunta para
tener una visin ms objetiva de lo adecuado (o no) de un pronstico de demanda. Dichos
indicadores son el MAD y la Seal de Rastreo (TS).
En este contexto a continuacin se presentan las frmulas para el clculo del MAD y la
Seal de Rastreo para un pronstico de demanda haciendo uso de un mtodo de series de
tiempo.
MAD (Error Absoluto Medio): Que proporciona una medicin del error promedio del
pronstico (en valor absoluto) y queda definido matemticamente por:
=| |
=
Donde:
t = Nmero del periodo
A = Demanda real para el periodo
F = Demanda pronosticada para el periodo
n = Nmero total de periodos
| |= Smbolo utilizado para indicar el valor absoluto sin tomar en cuenta los signos
positivos y negativos.
7
ASIGNATURA : OPTIMIZACION DE LA PRODUCCION EN LA INDUSTRIA ALIMENTARIA UNJFSC - 2017
Seal de Rastreo (TS Tracking Signal): Mide la desviacin del pronstico respecto a la
variacin de la demanda.
Donde:
RSFE = La suma corriente de los errores pronosticados, considerando la naturaleza del
error (por ejemplo, los errores negativos cancelan los errores positivos, y
viceversa).
MAD = El promedio de todos los errores pronosticados (sin importar si las desviaciones
son positivas o negativas). Es el promedio de las desviaciones absolutas.
EJEMPLO:
A continuacin se presenta el clculo del MAD y la Seal de Rastreo para el pronstico de
demanda de un producto determinado utilizando Media Mvil Simple con n=3. Notar que
At corresponde a la demanda real (observada) para el perodo (mes) t y Ft es la demanda
pronosticada para el mes t (obtenido a travs del mtodo de media mvil segn lo
sealado anteriormente).
8
ASIGNATURA : OPTIMIZACION DE LA PRODUCCION EN LA INDUSTRIA ALIMENTARIA UNJFSC - 2017
EJERCICIOS N 1:
1. DUNKIN DONUTS vende donas en una cadena de tiendas de alimentos. Debido a errores
de los pronsticos ha tenido una produccin excesiva o insuficiente. Los siguientes datos
son su demanda de docenas de donas en las ltimas cuatro semanas. Las donas se hacen
para el da siguiente; por ejemplo, la produccin de donas del domingo es para las ventas
del lunes, la produccin de donas del lunes es para las ventas del martes, etc., la panadera
cierra los sbados, de modo que la produccin del viernes debe satisfacer la demanda de
sbado y domingo.
HACE 4 SEMANAS HACE 3 SEMANAS HACE 2 SEMANAS SEMANA PASADA
LUNES 2200 2400 2300 2400
MARTES 2000 2100 2200 2200
MIERCOLES 2300 2400 2300 2500
JUEVES 1800 1900 1800 2000
VIERNES 1900 1800 2100 2000
SABADO
DOMINGO 2800 2700 3000 2900
9
ASIGNATURA : OPTIMIZACION DE LA PRODUCCION EN LA INDUSTRIA ALIMENTARIA UNJFSC - 2017
EJERCICIOS N 2:
1. La demanda histrica del producto es:
PERIODO DEMANDA
Enero 12
Febrero 11
Marzo 15
Abril 12
Mayo 16
Junio 15
a. Usando un promedio mvil ponderado con pesos de 0.60, 0.30 y 0.10, calcule el
pronstico de julio.
b. Con el promedio mvil simple a tres meses, determine el pronstico de julio.
b. Mediante suavizacin exponencial simple con = 0.2 y un pronstico para junio de 13,
calcule el pronstico de julio. Haga todas las suposiciones que quiera.
c. Con un anlisis de regresin lineal simple, calcule la ecuacin de relacin de los datos
precedentes de la demanda.
a. Con la ecuacin de regresin del punto d), calcule el pronstico para julio.
2. Las siguientes tabulaciones son ventas unitarias reales para seis meses y un pronstico
inicial para enero.
a. Calcule los pronsticos para los cinco meses restantes con suavizacin exponencial
simple con = 0.2.
b. Calcule el MAD de los pronsticos.
3. EBA S.A.C. tiene un modelo de pronstico simple: se toma la demanda real del mismo
mes del ao anterior y se divide entre el nmero de semanas de ese mes. Esto da una
demanda semanal promedio para el mes. El promedio de esta semana se usa como
pronstico semanal del mismo mes este ao. La tcnica se us para pronosticar ocho
semanas de este ao, que se muestran a continuacin junto con la demanda real. Las
siguientes ocho semanas muestran el pronstico (basado en el ao pasado) y la demanda
real:
DEMANDA DEMANDA DEMANDA DEMANDA
SEMANA SEMANA
PRONOSTICADA REAL PRONOSTICADA REAL
1 140 137 5 140 180
2 140 133 6 150 170
3 140 150 7 150 185
4 140 160 8 150 205
10