Documente Academic
Documente Profesional
Documente Cultură
calidadtotal@hotmail.com
2012 - I
1
OBJETIVO DE APRENDIZAJE
Para disear y ejecutar un sistema de operacin que satisfaga a los clientes, una empresa debe reconocer cunta demanda tiene que satisfacer, lo cul lo induce a tres interrogantes importantes: Como saber que producir? Como saber cuanto producir? Como saber cuando producir? La prediccin y administracin de la demanda ayuda a responder estas preguntas. La administracin de la demanda incluye identificar todas las fuentes potenciales de la demanda,as como influir en los niveles y la duracin de la demanda.Los intentos de medir la demanda inicial y los efectos de administrarla se denominan predicciones.
3
ORIENTACION GERENCIAL
Una organizacin de respuesta sensible rpida (ORSP) contra sus esfuerzos de planeacin estratgica en responder dos preguntas: Cmo satisfacer totalmente a los clientes? Cmo hacerlo mejor que la competencia? Una parte integral de la planeacin estratgica de una empresa incluye la identificacin y el anlisis de las fuentes actuales y potenciales de demanda de sus bienes y servicios. La firma debe determinar cules fuentes de demanda cultivar y cmo satisfacer la demanda anticipada.
ORIENTACION GERENCIAL
DEFINICION: La Administracin de la demanda implica reconocer fuentes de demanda para los bienes y servicios de una Empresa, predecir la demanda y determinar la manera cmo la empresa satisfar esa demanda.
QU ES PRONOSTICAR?
Es el arte y la ciencia de predecir los eventos futuros . Puede involucrar el manejo de datos histricos para proyectarlos al futuro, mediante algn tipo de modelo matemtico. Puede ser una prediccin subjetiva o intuitiva. O bien una combinacin de ambas,es decir un modelo matemtico ajustado por el buen juicio de un administrador de operaciones. Cuanto vender?
Estimacin de la demanda
Pronstico de Ventas
Equipo de Administracin
Estrategia de Negocios
Tiempo
Comienzo del Pronstico Lnea de Products, Capacidad de Planta Grupos de Productos Capacidad de Dptos.
Ao
Meses
MARKETING
OPERACIONES
Proporciona informacin relacionada con el mercado Se encarga de asegurar que los bienes y servicios y las predicciones de la demanda. de la Empresa se proporcionen cuando se Administra la demanda mediante polticas de necesiten. fijacin de precio y promociones p.e. los descuentos de temporada nivelan la demanda por un producto o servicio.
10
11
PRONOSTICOS ECONOMICOS
Sirven para pronosticar lo que sern las condiciones generales de los negocios dentro de algunos meses o aos. Lo hacen los gobiernos, los bancos y los servicios de prediccin economtrica.
12
PRONOSTICOS TECNOLOGICOS
Pronostican la probabilidad y el significado de posibles desarrollos futuros.Indican la direccin de los cambios tecnolgicos y la tasa de cambios esperada.
13
PRONOSTICOS DE LA DEMANDA
Las predicciones de demanda pronostican la cantidad y la duracin de la demanda de los bienes y servicios de una empresa.
14
15
16
17
METODO DELPHI
Este mtodo involucra a un grupo de expertos que comparten informacin y eventualmente llegan a un consenso en una prediccin a largo plazo con respecto a las tecnologa del futuro o a las ventas futuras de un nuevo producto. Esta conformado por tres tipos de personas: Los decisores (Decision Makers). Facilitadores (Staff). Los encuestados (Respondents).
18
FUERZA DE VENTAS
En muchas compaas la fuerza de ventas entra en contacto directo con los clientes lo cual constituye una buena fuente de informacin que considera las intenciones de los clientes a corto y a mediano plazos:
Cada vendedor proyecta sus ventas. Se combina niveles distritales y nacionales. La fuerza de ventas conoce a los clientes. Tienden a ser demasiado optimistas
Sales
19
20
21
DEFINICION: Una serie de tiempo es una secuencia de observaciones cronolgicamente clasificadas que se toman a intervalos regulares para una variable en particular.
22
Tendencia
Cclica
Estacional
Aleatori o
23
METODOS CUANTITATIVOS
Promedio Mvil
Suavizado Exponencial
Proyecci n Tendencia
Regresin Lineal
24
TENDENCIAS
Las tendencias reflejan los cambios en la tecnologa, los estndares de vida, los ndices de poblacin ,etc.. DEFINICION: Una tendencia es el movimiento gradual hacia arriba o hacia debajo de los datos en el tiempo. Las tendencias son montonas , pero no siempre lineales;pueden ser logartmica o exponenciales.
26
ESTACIONALIDAD
Las variaciones de temporada pueden corresponder a las estaciones del ao, a los das festivos o a diferentes momentos del da o la semana. DEFINICION: La temporada es la variacin que se repite a intervalos fijos. Pueden durar un ao o solo unas pocas horas.
Summer Response
Mo., Qtr.
27
ESTACIONALIDAD
Perido de tiempo del Patrn donde es repetido Nmero de Estaciones en el Patrn
Longitud de la Estacin
4 12 52 4 28-31 7
28
VARIACIONES CICLICAS
Las alzas y las bajas de la economa o de una industria especificas se representan en variaciones cclicas . El ciclo de negocios que se repite de cinco a diez aos es un ejemplo. DEFINICION: La variacin cclica tiene una duracin de por lo menos un ao; la variacin varia de un ciclo a otro.
Cycle Response
29
VARIACIONES ALEATORIAS
Las variaciones aleatorias son variaciones en la demanda que no pueden explicarse mediante tendencias , variaciones de temporada o variaciones cclicas. Un suceso impredecible, como una guerra, una huelga, un terremoto o partes de legislacin, puede causar grandes variaciones aleatorias. A diferencia de las otras tendencias , la variacin aleatoria siempre esta presente.
30
Ao 3
Ao 4
31
NA NA NA 4 + 6 + 5 = 15
NA NA NA
Response Moving Total Moving Time Yi (n = 3) Avg. (n = 3) 2004 4 2005 6 2006 5 2007 3 2008 7 2009 NA
37
NA NA NA 6 + 5 + 3 = 14
NA NA NA
4 + 6 + 5 = 15 15/3 = 5.0
Ao
Ventas 8 6 4 2 0 04 05
Actual
Pronstic o
06 07 Ao
08
09
39
40
41
42
43
44
45
46
47
48
Ft= (Peso para el periodo n)(Demanda periodo n) pesos Donde : Ft = prediccin para el perodo n n = nmero de perodos por promediar
49
30 25 20 15 10 5 0
Ventas actuales
Promedio mvil
Jan Feb Mar Apr May Jun Jul Aug Sep Oct Nov Dec Meses
50
51
52
53
54
55
56
57
30
Sales demand
25 20 15 10 5 | | F | M | A | M | J | J | A | S | O | N | D
58
4 47
Figure 4.2
2006 Prentice Hall, Inc.
MODELOS DE SUAVIZADO
Los modelos de suavizacin, como el promedio de desplazamiento simple y la suavizacin exponencial, pueden proporcionar predicciones razonables a corto plazo con rapidez y a bajo costo. Suavizacin exponencial:
61
175.00 +
2008
2009
190
NA
62
2008
2009
190
NA
63
2008
2009
190
NA
64
2008
2009
190
NA
65
2008
2009
190
NA
66
2008
2009
190
NA
67
2008
2009
190
NA
68
2008
2009
190
NA
2008
2009
190
NA
Actual
Pronstico
06 07 Ao
08
09
71
Prior Period
10%
Prior Period
10%
9%
Prior Period
10%
9%
8.1%
10% 90%
9%
8.1%
75
10% 90%
9%
9%
8.1%
76
10% 90%
9%
9%
8.1%
0.9%
77
IMPACTO DE
250 200
Actual Tonage
150 100 50 0 1 2
5 Quarter
9
78
La suavizacin exponencial simple falla al responder a las tendencias. Para suavizar nuestras correcciones por tendencias se calcula un promedio de suavizacin exponencial simple como el anterior, y se ajusta para retrasos positivos y negativos. La ecuacin de la tendencia emplea una constante de suavizacin Beta, de la misma manera que el modelo simple utiliza Alfa. Ejemplo: Estimar las ventas para el ao siete tomando en cuenta una tendencia inicial de 22.73, un = 0.3, una = 0.50, y un pronstico inicial de 340. Adems, establezca el MAD.
Ao 1 Venta s 400
2 470
3 500
4 530
5 560
6 595
79
80
81
82
83
84
PROYECCIONES DE TENDENCIA
Las tendencias pueden ser o no lineales. Sin embargo, las tendencias lineales son imparciales y la mayora de las personas encuentra fcil trabajar con ellas. Linea de tendencia lineal: Ft = a+bt
a = y - bx
Donde: t = nmero de perodos siguientes al perodo base. Ft = demanda estimada para el perodo t a = demanda para el periodo base. b = pendiente de la lnea de tendencia.
85
PROYECCIONES DE TEMPORADA
Las proyecciones de temporada se dan para un perodo dado: IBM al igual que muchas empresas, experimenta la demanda de temporada, como puede observarse en el ejemplo 6 de la pagina 61. Pronstico=Indice Estacional *Pronostico de la tendencia Estacional
86
88
89
90
91
Ejemplo 1:
Informacin suministrado por el Departamento de Estadsticas de la ciudad, el nmero de carros que transitaron en los ltimos 7 aos fueron: Pronosticar la cantidad de vehculos para los aos 2005 y 2006.
93
94
La nueva ventana permitir distinguir entre diferentes mtodos de solucin para seres de tiempo:
96
97
98
99
101
102
103
105
106
107
CFE
=
i= 1
Et
108
Sumatoria pronostico.
de
los
errores
de
110
MAD =
n
n
i =1
MAD =
n
111
Veamos un ejemplo
Muestra la magnitud del error global. No penaliza los errores extremos. No anula los errores. No da idea de la direccin del error. En unidades originales.
112
113
Trimestre 1 2 3 4 5 6 7 8 9
176 = 175 + 0,10 ( 180 175) 175 = 175,50+0,10 (168 175,50) 173 = 174,75+0,10 (159-174,75) 173 = 173,18+0,10 (175+173,18) 175 = 173,36+0,10(190-173,36) 178= 175,02+0,10(205-175,02) 178 = 178,02 + 0,10 (180-178,02) 179 = 178,22 + 0,10 (182-178,22)
178
173 166 170 180 193 186 184
Para evaluar la precisin de ambas constantes de suavizado, calculamos los errores de pronstico en trminos de desviaciones absolutas y MAD. 114
2
3 4 5 6 7 8
168
159 175 190 205 180 182
176
175 173 173 175 178 178
8
16 2 17 30 2 4
178
173 166 170 180 193 186
10
14 9 20 25 13 4
84 10,50
100 12,50
MAD =
desviaciones n
Con base en este anlisis, una constante de suavizado de =0,10 es preferible a = 0,50 por que su MAD es ms pequea. 115 Se debe encontrar la constante de suavizado con el menor error
225
Demand
200
Actual demand
= .5
175
= .1
150 | 1 | 2 | 3 | 4 | 5 Quarter
116
2006 Prentice Hall, Inc. 4 54
| 6
| 7
| 8
| 9
MSE =
(errores de pronstico) n
Sigamos con el ejemplo del puerto del Callao para determinar el MSE 117
(Error)
2
1 2 3 4 5 6 7 8
5 = 25
2
2
= 1.558 / 8 = 194,75
Usando un = 0,50 se obtendra un MSE de 201,5. Por lo tanto el = 0,10 es una mejor eleccin por que se minimiza el MSE.118
MAPE = 10 real i 0
real i - pronstico i /
i=1
Sigamos con el ejemplo del puerto del Callao para determinar el MAPE 119
con =0,10
175 176 175 173 173 175 178 178
1 2 3 4 5 6 7 8
100(5/180) = 2,77% 100(8/168) = 4,76% 100(16/159) = 10,06% 100(2/175) = 1,14% 100(17/190) = 8,95% 100(30/205) = 14,63% 100(2/180) = 1,11%
100(4/182) = 2,20%
=
MAPE =
i =1
121
MODELO CAUSAL
A diferencia de los modelos de serie, los modelos causales identifican y miden directamente los efectos de las fuerzas especificas que influyen en la demanda. Por tanto, son mas apropiados para predecir y evaluar los efectos de las decisiones que toma la empresa (p.e. cambios en la publicidad o en los precios ) que las tcnicas de series de tiempos. Dentro de los modelos causales tenemos a la regresin lineal.
123
La relacin entre una variable independiente, X, y una variable dependiente, Y. Asumido para ser lineal (una lnea recta)
Ecuacin:
Y = a + bX
124
05
06
07
08
Tiempo
126
Constante:
b in
i
x i y i nx y xi nx
Y-Intercepta: a y bx
127
ECUACION DE REGRESIN
Determinar la Ecuacin de la Linea de Regresin; Y = a + bX Usada para predecir el valor de la Variable Dependiente (Y) basado en los valores de la Variable Independiente (X).
b a
n( XY ) ( X )( Y ) n( X 2 ) ( X ) 2 Y X b n n
Xi
X1
Yi
Y1
X2 :
Xn
Y2 :
Yn
2 Xi 2 X1 2 X2
2 Yi 2 Y1 2 Y2
XiYi
X1Y1
X2Y2 :
XnYn
:
2 Xn 2 Xi
:
2 Yn 2 Yi
Xi
Yi
XiYi
129
2003 2.0 2004 3.0 2005 2.5 2006 2.0 2007 2.0 2008 3.5 Cul es la tendencia de la ecuacin?
1 3 4 2 1 7
130
3,50
15.0
7
18
49
80
24.5
51.5
131
XY X
2
nXY nX
2
0.25
a
a
bX
132
Y
Y
a bx
1.75 0.25 x
1.75 0.25(6)
SY X
(Y Y ') n 2 Y
2
a ( Y ) b( XY ) n 2
134
S y.x =
COEFICIENTE DE CORRELACION
Calculamos el coeficiente de correlacion para los datos de Castillo en el ejemplo anterior. Para facilitar el tenemos que Y2 = 39.5
r
2
b Y
2
XY nY
2
nY
0.9492
136
137
138
139
140
141
142
143
144
145
146
147
148
149
150
151
152
153
154
155
156
157
158
159
160
161
162
163
164