20170926110956

https://www.youtube.com/watch?
v=Ghtd3FLEDiQ
https://www.youtube.com/watch?v=8VzqzFCCozk
EL ALMACN DE DATOS DE WALMART
Vivimos en una sociedad en la que constantemente escuchamos acerca
de pronsticos y proyecciones. Desde el pronstico del tiempo, hasta las
proyecciones del tipo de cambio o crecimiento econmico. La importancia
de los pronsticos as mismo en las empresas, ms para aquellas que
manejan una gran cantidad de variables y requieren exactitud en la
planeacin por ejemplo WalMart como veremos a continuacin.
El tamao de Wal-Mart y su poder en la industria al menudeo, ejercen
una gran inuencia en la industria de las bases de datos. Wal-Mart
maneja uno de los almacenes de datos ms grandes del mundo, con ms
de 35 terabytes de informacin. Un terabyte es igual a 1 024 gigabytes o
un billn de bytes. Muy probablemente su computadora tiene de 8 a 250
gigabytes. La frmula de Wal-Mart para lograr el xito (tener el producto
apropiado en el anaquel correcto al precio ms bajo) se debe en gran
parte a la inversin multimillonaria de la compaa en almacenamiento de
datos. Wal-Mart ofrece ms detalles que sus competidores en cuanto a lo
que sucede con cada producto, en cada tienda y todos los das.
Los sistemas registran los datos de los puntos de venta en cada
tienda, los niveles de inventario por tienda, los productos en trnsito,
las estadsticas de mercado, las caractersticas demogrcas de los
clientes, las nanzas, las devoluciones de productos y el desempeo
de los proveedores. La informacin se utiliza para las tres extensas
reas de apoyo a las decisiones: analizar las tendencias, manejar
inventarios y entender a los clientes. Lo que surgen son los rasgos de
la personalidad de cada una de las aproximadamente 3,000 tiendas
de Wal-Mart, mismos que los gerentes de la compaa utilizan para
determinar la mezcla de productos y la presentacin de cada almacn.
La minera de datos es lo que sigue. Wal-Mart cre una aplicacin de
pronstico de la demanda que toma en cuenta los artculos para cada
tienda con el n de decidir su perl de ventas por temporada. El
sistema conserva la informacin correspondiente a 1 ao sobre las
ventas de 100,000 productos y proyecta qu artculos se van a
necesitar en cada tienda.
Ahora, Wal-Mart realiza un anlisis de la canasta bsica. Recopila
informacin sobre los artculos que constituyen la compra total de un
cliente, de modo que la compaa puede analizar las relaciones y los
patrones en las compras de sus clientes. El almacn de datos est
disponible en Internet para los gerentes de tienda y proveedores.
Como vemos WalMart se basa en gran medida en la administracin de
sus bases de datos (minera de datos) y en los pronsticos de en
distintas reas de sus operaciones. Si la empresa no tuviera una buena
administracin de sus bases de datos y no contara con datos exactos,
difcilmente pudiera realizar sus pronsticos. Asimismo, si la empresa
no contara con los sistemas y el software necesarios, la tarea de
realizar pronsticos sera titnica.
Hoy en da las empresas cuentan con paquetera de software y
sistemas especializados para realizar pronsticos, por lo que aqu
revisaremos los conceptos tericos ms importantes para que tengan
un panorama general de las categoras y tipos de pronsticos que
existen en operaciones.
.
PLANIFICACION DE OFERTA Y
DEMANDA
Administracin y pronstico
de la demanda
Wilton Lpez Miano

CICLO DE GESTIN DE LA PRODUCCIN
Pronstico de
Plan estratgico demanda LAR
ALTA GO
DIREC PLA
CIN
Plan Plan de produccin a Plan de ventas a ZO
Financiero largo plazo Largo Plazo

ALTA
DIREC Pronstico de ME
DIA
CION
/DIRE demanda (familias) NO
CCIO
N DE Plan PLA
Plan Agregado de Plan de ventas a ZO
OPER
Agregado de
ACIO produccin Mediano Plazo
NES Capacidad
Pronstico de C
O
demanda (productos) R
DIREC T
CION O
DE Plan Maestro de Administracin de
OPER
ACIO
Produccin la Demanda P
L
NES A
Z
Pedidos de O
Clientes
2 1
CICLO DE GESTIN DE LA PRODUCCIN
D 2 BOM (Lista de
I 1 Materiales)
R
E
C
C MRP Stock
I Disponible
O C
N Capacidad O
disponible CRP R
T
D
E SI Gestin de O
O Podemo La Compras P
L
A
P s actuar capacida Z
E
R sobre la d est O
NO NO
A capacida ajustada
C
I d? ?
O
N SI
E
S
MRP II
Plan detallado de
Produccin
Programacin Ordenes de Lanzamiento Supervisin y

en planta produccin y ejecucin correccin de avance
ADMINISTRACION Y PRONOSTICO DE LA DEMANDA
PRONOSTICOS, DEFINICION, PRONOSTICOS TACTICOS Y ESTRATEGICOS
Los pronsticos son vitales para toda organizacin de negocios, as como para
cualquier decisin importante de la gerencia. El pronstico es la base de la
planeacin corporativa a largo plazo.
En finanzas y contabilidad, los pronsticos proporcionan el fundamento para la
planeacin de presupuestos y el control de costos.
El marketing depende del pronstico de ventas para planear productos
nuevos, compensar al personal de ventas y tomar otras decisiones clave.
El personal de produccin y operaciones utiliza los pronsticos para
tomar decisiones peridicas que comprenden la seleccin de procesos,
la planeacin de las capacidades y la distribucin de las instalaciones,
as como para tomar decisiones continuas acerca de la planeacin de
la produccin, la programacin y el inventario.
PRONOSTICOS, DEFINICION, PRONOSTICOS TACTICOS Y ESTRATEGICOS

Pronsticos estratgicos
Para demanda de alto nivel. Qu demanda se espera de un grupo de
productos el ao prximo?
Son apropiados para decisiones de: estrategia general, capacidad, diseo
de procesos de produccin, diseo de procesos de servicio, diseo de
ubicacin y distribucin; y planificacin de ventas y operaciones.
Pronsticos tcticos
Para ver como se operan los procesos cotidianos. Cunta produccin
debemos programar la semana prxima?.
El objetivo es estimar la demanda en trminos relativamente corto de
semanas o meses.
ADMINISTRACION 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.
Existen dos fuentes bsicas de la demanda: dependiente e
independiente.
La demanda dependiente es la demanda de un producto o servicio
provocada por la demanda de otros productos o servicios.
Por ejemplo, si una empresa vende 1 000 triciclos, entonces se van a
necesitar 1 000 ruedas delanteras y 2 000 traseras.
Este tipo de demanda interna no necesita un pronstico, sino slo una
tabulacin. La cantidad de triciclos que la empresa podra vender es la
demanda independiente porque no se deriva directamente de la demanda
de otros productos.
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. La compaa puede:
Adoptar un papel activo para influir en la demanda. La empresa puede
presionar a su fuerza de ventas, ofrecer incentivos tanto a los clientes
como a su personal, crear campaas para vender sus productos y bajar
precios. Estas acciones pueden incrementar la demanda. Por el contrario,
es posible disminuir la demanda mediante aumentos de precios o la
reduccin de los esfuerzos de ventas.
Adoptar un papel pasivo y simplemente responder a la demanda. Existen
varias razones por las que una empresa no trata de cambiar la demanda
sino que la acepta tal como llega. Si una compaa funciona a toda su
capacidad, tal vez no quiera hacer nada en cuanto a la demanda.
Otras razones pueden ser que la compaa no tenga el poder de
cambiar la demanda debido al gasto en publicidad; es probable que el
mercado sea fijo y esttico; o que la demanda est fuera de su control
(como en el caso de un proveedor nico).
Existen otras razones competitivas, legales, ambientales, ticas y
morales por las que la demanda del mercado se acepta de manera
pasiva.
Es necesaria mucha coordinacin para manejar estas demandas
dependientes, independientes, activas y pasivas. Las demandas se
originan tanto interna como externamente en forma de ventas de
productos nuevos por parte de marketing, piezas de reparacin para
productos vendidos con anterioridad, reabastecimiento de los almacenes
de la fbrica y suministro de artculos para manufactura.
TECNICAS DE PRONOSTICOS
1. Cualitativas
2. Cuantitativas
3. Causales
CUALITATIVAS
Las tcnicas cualitativas son subjetivas y se basan en estimados y
opiniones.
Mtodo Delphi
Investigacin de mercados
Consenso de grupo
Previsin imaginativa
Analoga histrica
Anlisis de impacto
CUANTITATIVAS
Promedio mvil
Promedio mvil ponderado
Ajuste exponencial
Box - Jenkis
X-11
Proyecciones de tendencia
Curvas de aprendizaje
CAUSALES
El pronstico causal, que se analiza utilizando la tcnica de la regresin lineal,
supone que la demanda se relaciona con algn factor subyacente en el
ambiente.
Modelo de regresin
Modelo economtrico
Encuesta de anticipacin y de intencin de compra
Modelo input-output
ndice de difusin
ndice anticipador
Anlisis del ciclo de vida
TIPOS DE PRONOSTICOS
Las series de tiempo se basa en la idea de que es posible utilizar

informacin relacionada con la demanda pasada para predecir la
demanda futura. La informacin anterior puede incluir varios
componentes, como influencias de tendencias, estacionales o cclicas.
Los modelos de simulacin permiten al encargado del pronstico

manejar varias suposiciones acerca de la condicin del pronstico.
https://www.youtube.com/watch?v=Jxq5Ye_g0Cg
COMPONENTES DE LA DEMANDA
La demanda de productos o servicios se puede dividir en seis

componentes:
Demanda promedio para el periodo,

Una tendencia.
Elementos estacionales.
Elementos cclicos.
Variacin aleatoria y
Autocorrelacin.
Los factores crticos son ms difciles de determinar porque quiz el tiempo se
desconoce o no se toma en cuenta la causa del ciclo. La influencia cclica sobre
la demanda puede provenir de eventos tales como elecciones polticas, guerras,
condiciones econmicas o presiones sociolgicas.
Estadsticamente, al restar todas las causas conocidas de la demanda
(promedio, tendencias, estacionales, cclicas y de autocorrelacin) de la
demanda total, lo que queda es la parte sin explicar de la demanda. Si no se
puede identificar la causa de este resto, se supone que es aleatoria.
La autocorrelacin indica la persistencia de la ocurrencia.
En la teora de la lnea de espera, la longitud de una lnea de espera tiene una
autocorrelacin muy elevada.
Cuando la demanda es aleatoria, es probable que vare en gran medida de una
semana a otra.
Donde existe una correlacin alta, no se espera que la demanda cambie mucho de
una semana a otra.
Un mtodo de pronstico de uso muy comn consiste en graficar

los datos y luego buscar la distribucin estndar (como lineal,
curva S, asinttica o exponencial) que se adapta mejor a stos. El
atractivo de este mtodo radica en que, como las matemticas de
la curva son conocidas, resulta fcil despejar los valores de los
periodos futuros.
En ocasiones, la informacin no parece adaptarse a ninguna curva

estndar. Dado que, envan los datos desde varias direcciones al
mismo tiempo. Para estos casos, es posible obtener un pronstico
simple pero efectivo con slo graficar la informacin.
Cuatro de los tipos de tendencias ms comunes
Tendencia lineal es una relacin

continua directa.
Curva S es tpica del crecimiento

y el ciclo de madurez de un
producto. El punto ms
importante es donde la
tendencia cambia de crecimiento
lento a rpido, o viceversa.
Tendencia asinttica empieza con el

crecimiento ms alto de la
demanda en un principio pero
posteriormente se reduce. Se
presenta cuando una empresa
entra en un mercado existente con
el objetivo de saturarlo y captar
una mayor participacin en l,
aumentando, una suposicin que
quiz no sea seguro hacer.
Curva exponencial es
comn en productos con
un crecimiento explosivo.
La tendencia exponencial
sugiere que las ventas
seguirn aumentando, una
suposicin que quiz no
sea seguro hacer.
TECNICAS CUALITATIVAS DE PRONSTICO

TCNICAS ACUMULATIVAS
El pronstico de tcnicas acumulativas crea el pronstico
sumando en sucesin desde la parte de abajo. La suposicin
aqu es que la persona que est ms cerca del cliente o del
usuario final del producto conoce mejor sus necesidades
futuras. Los pronsticos en este ltimo nivel se suman y se
llevan al siguiente nivel ms alto.
Por lo regular se trata de un almacn de distrito que despus agrega el
inventario de seguridad y cualquier efecto de pedir en cantidad.
Luego, esta cantidad se lleva al siguiente nivel, que puede ser un
almacn regional. El procedimiento se repite hasta que se convierte
en un insumo en el nivel ms alto; que, en el caso de una empresa de
manufactura, sera el insumo para el sistema de produccin.

INVESTIGACIN DE MERCADOS
Empresas externas especialistas en la investigacin de

mercados realizan este tipo de pronstico. Es una
herramienta del marketing.
La investigacin de mercados se utiliza sobre todo para la

investigacin de productos con el objetivo de buscar nuevas
ideas, conocer los gustos y disgustos relacionados con los
productos existentes, los productos competitivos preferidos
en una clase en particular, etc.
Una vez ms, los mtodos de recopilacin de datos son sobre

todo encuestas y entrevistas.

ANALOGA HISTRICA
Al tratar de pronosticar la demanda de un nuevo producto, una
situacin ideal sera que un producto existente o genrico se pueda
utilizar como modelo. Formas de clasificar estas analogas:
1. Productos complementarios,
2. Productos sustituibles o competitivos y
3. Productos como una funcin del ingreso.
Relacin causal, la demanda de discos compactos es provocada por la
demanda de reproductores de DVD.
Analoga, pronosticar la demanda de reproductores de videodiscos
digitales analizando la demanda histrica de VCR.
Una empresa que produce tostadores y quiere fabricar cafeteras podra
utilizar el historial de los tostadores como un modelo de crecimiento
probable.

GRUPOS DE CONSENSO
En un grupo de consenso, un grupo de personas que ocupan

diversas posiciones pueden desarrollar un pronstico ms confiable
que un grupo ms reducido.
Se realizan en reuniones abiertas con un intercambio libre de ideas
de todos los niveles gerenciales e individuales.
El problema es que los niveles inferiores se sienten intimidados por
los niveles ms altos de la gerencia.
La tcnica de Delfos se desarroll para tratar de corregir este impedimento

del intercambio libre.
Cuando las decisiones en el pronstico se toman en un nivel ms amplio y
alto (como al introducir una nueva lnea de productos) se utiliza el trmino
juicio ejecutivo, donde participa un nivel gerencial ms alto.

MTODO DE DELFOS
El mtodo de Delfos oculta la identidad de los individuos

que participan en el estudio.
Un moderador crea un cuestionario y lo distribuye entre los

participantes. Sus respuestas se suman y se entregan a todo el
grupo con un nuevo grupo de preguntas.
Rand Corporation desarroll el mtodo de Delfos en la

dcada de 1950. El procedimiento es:

MTODO DE DELFOS
1. Elegir los expertos a participar, con gran variedad de personas con

conocimientos en distintas reas.
2. Por medio de un cuestionario obtener las proyecciones (y cualquier premisa

calificacin para el pronstico) de todos los participantes.
3. Resumir los resultados y redistribuirlos entre los participantes con las

preguntas nuevas apropiadas.
4. Volver a resumir, refinar las proyecciones y condiciones, y una vez ms

plantear preguntas nuevas.
5. Repetir el paso 4, si es necesario. Distribuir los resultados finales entre

todos los participantes.
Delfos puede lograr resultados satisfactorios en tres rondas.

ANALISIS DE SERIES DE TIEMPO
Los modelos de pronsticos de series de tiempo tratan de predecir el

futuro con base en la informacin pasada.
Corto plazo se refiere a menos de tres meses. compensan la variacin

aleatoria y se ajustan a los cambios a corto plazo (como las respuestas
del consumidor a un producto nuevo).
Mediano plazo de tres meses a 2 aos. Son tiles para efectos
estacionales.
Largo plazo a un trmino mayor de 2 aos. Detectan las tendencias
generales y son muy tiles para identificar los cambios ms
importantes.
El modelo de pronstico depende de:

1. El horizonte de tiempo que se va a pronosticar.
2. La disponibilidad de los datos.
3. La precisin requerida.
4. El tamao del presupuesto de pronstico.
5. La disponibilidad de personal calificado.
Al seleccionar un modelo de pronstico, existen otros aspectos como
el grado de flexibilidad de la empresa (mientras mayor sea su
habilidad para reaccionar con rapidez a los cambios, menos preciso
necesita ser el pronstico).
Otro aspecto es la consecuencia de un mal pronstico. Si una decisin
importante sobre la inversin de capital se basa en un pronstico, ste
debe ser bueno.
GUA PARA SELECCIONAR UN PRONSTICO
19/09 2017 20 PIURA


ANALISIS DE REGRESION LINEAL
La regresin es una relacin funcional entre dos o ms variables
correlacionadas. Se utiliza para pronosticar una variable en base a
otra. 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 (Regresin especial en
la que la relacin entre las variables forma una recta).
La recta tiene la forma Y = a + bX, donde
Y es el valor de la variable dependiente. a es la secante en Y. b es la
pendiente. X es la variable independiente (tiempo).
La regresin lineal es til para el pronstico a largo plazo de eventos
importantes, as como la planeacin agregada. Por ejemplo, para
pronosticar las demandas de familias de productos.

Aun cuando la demanda de productos individuales dentro de

una familia puede variar en gran medida durante un periodo, la
demanda de toda la familia de productos es sorprendentemente
suavizada.
La principal restriccin es que supone que los datos pasados y los
pronsticos futuros caen sobre una recta. Aunque esto no limita
su aplicacin, en ocasiones, si se utiliza un periodo ms corto, es
posible usar el anlisis de regresin lineal.
Por ejemplo, puede haber segmentos ms cortos del periodo ms
largo que sean aproximadamente lineales.

La regresin lineal se utiliza tanto para pronsticos de series

de tiempo como para pronsticos de relaciones causales.
Cuando la variable dependiente (eje vertical) cambia como

resultado del tiempo (eje horizontal) se trata de un anlisis de
serie temporal.
Si una variable cambia debido al cambio en otra, se trata de una

relacin causal (como el nmero de muertes debidas al aumento de
cncer pulmonar entre la gente que fuma).

Ejemplo: Las AO TRIMESTRE VENTAS

ventas de los 1 600
ltimos 12 2 1550
2014
trimestres son: 3 1500
4 1500
5 2400
6 3100
2015
7 2600
8 2900
Pronosticar cada 9 3800
trimestre del 10 4500
2016
siguiente ao. 11 4000
12 4900

La ecuacin de los mnimos cuadrados para la regresin lineal

es:
Y = a + bx
Donde:
Y = Variable dependiente calculada mediante la ecuacin

y = El punto de datos de la variable dependiente real
a = Secante de Y
b = Pendiente de la recta
x = Periodo

Determinacin grfica de los parmetros a y b

Y = a + bx
610
170

Recta de la regresin de mnimos cuadrados

El mtodo de mnimos cuadrados trata de ajustar la recta a

los datos que minimizan la suma de los cuadrados de la
distancia vertical entre cada punto de datos y el punto
correspondiente en la recta.
Si se traza una recta a travs del rea general de los puntos, la
diferencia entre el punto y la recta es y Y.
La suma de los cuadrados de las diferencias entre los puntos
de datos trazados y los puntos de la recta es:
(y1 Y1)2 + (y2 Y2)2 + + (y12 Y12)2
La mejor recta es la que minimiza este total.


Como antes, la ecuacin de recta es

Y = a + bx
En el mtodo de mnimos cuadrados, las ecuaciones para a y b son:
06/09/2017 20

TRIME
VENTAS
AO STRE xy
(y)
(x)
1 600 600 1
2 1550 3100 4
2014
3 1500 4500 9
4 1500 6000 16
5 2400 12000 25
6 3100 18600 36
2015
7 2600 18200 49
8 2900 23200 64
9 3800 34200 81
10 4500 45000 100
2016
11 4000 44000 121
12 4900 58800 144
SUMA 78 33 350 268200 650

Y = a + bx

5400
5100
4800
4500
4200
3900
3600
3300
DOLARES($)
3000
2700
2400
2100
1800
1500
1200
900
600
300
0
I II III IV I II III IV I II III IV
2014 2015 2016
TIEMPO

Observe que la ecuacin final para Y presenta una secante de

441.6 y una pendiente de 359.6. La pendiente muestra que por
cada cambio unitario en X, Y cambia 359.6.
Basndose estrictamente en la ecuacin, los pronsticos para
los periodos 13 a 16 seran:
Y13 = 441.6 + 359.6(13) = 5 116.4

Y14 = 441.6 + 359.6(14) = 5 476.0
Y15 = 441.6 + 359.6(15) = 5 835.6
Y16 = 441.6 + 359.6(16) = 6 195.2
26/04/16 se entreg dos trabajos para el 03/05/16: Hospital Schedule y

El Tao de Timbuk2

El error estndar del estimado, o la forma en que la recta se adapta

a los datos, es
El error estndar del estimado se calcula a partir de la segunda y la

ltima columna

Microsoft Excel tiene una herramienta de regresin muy poderosa

diseada para realizar estos clculos.

DESCOMPOSICIN DE UNA SERIE DE TIEMPO
Serie de tiempo: datos ordenados en forma cronolgica que pueden
contener uno o ms componentes de la demanda: tendencia, estacional,
cclico, autocorrelacin o aleatorio.
Descomposicin de una serie significa identificar y separar los datos de la
serie de tiempo en estos componentes.
Es relativamente fcil identificar la tendencia (es sencillo trazar y ver la

direccin del movimiento sin un anlisis matemtico) y el componente
estacional (comparando el mismo periodo ao tras ao).
Es mucho ms difcil identificar los componentes de los ciclos (pueden durar

varios meses o aos), la autocorrelacin y el aleatorio. (se considera
aleatorio cualquier elemento que sobre y que no sea posible identificar
como otro componente).

Cuando la demanda contiene efectos estacionales y

de tendencia al mismo tiempo, la pregunta es cmo
se relacionan entre s.
En esta descripcin, se analizan dos tipos de variacin

estacional: aditiva y multiplicativa.

Variacin estacional aditiva, supone

que la cantidad estacional es una
constante sin importar cul es la
tendencia o la cantidad promedio.
Pronstico que incluye tendencia y
estacional = Tendencia + Estacional.
La ilustracin muestra una tendencia
en aumento con cantidades
estacionales constantes.

Variacin estacional multiplicativa, la

tendencia se multiplica por los factores
estacionales.
Pronstico que incluye tendencia y
estacional = Tendencia Factor
estacional.
Establece que mientras ms elevada
sea la cantidad bsica pronosticada,
ms alta ser la variacin que cabe
esperar a su alrededor.

Factor (o ndice) estacional, es la cantidad de correccin necesaria en

una serie temporal para ajustarse a la estacin del ao.
Se relaciona estacional con un periodo del ao caracterizado por

alguna actividad en particular.
Se usa la palabra cclico para indicar que no se trata de los periodos

anuales recurrentes de actividad repetitiva.

Los siguientes ejemplos muestran como se determinan y utilizan los

ndices estacionales para pronosticar:
1. Clculo sencillo basado en datos estacionales pasados:
Proporcin simple.
2. Clculo de la tendencia y el factor estacional a partir de una recta

ajustada a mano: Factor estacional y la variacin estacional
multiplicativa.

1. Clculo sencillo basado en datos estacionales pasados:

Proporcin simple.
Ejemplo:
Supongamos que en los ltimos aos una empresa vendi un

promedio de 1000 unidades al ao de una lnea de productos
en particular. En promedio, se vendieron 200 unidades en
primavera, 350 en verano, 300 en otoo y 150 en invierno.

La cantidad anual dividida en forma equitativa entre todas las

temporadas es 1000/4 = 250

El factor (o ndice) estacional es la razn de la cantidad vendida

durante cada estacin dividida entre el promedio de todas las
estaciones.

En este caso debe estimarse la demanda total del prximo ao.

Por ejemplo 1100.
El factor estacional se puede actualizar de manera peridica al

tener nuevos datos disponibles.

2.- Clculo de la tendencia y el factor estacional a partir de una
recta (variacin estacional multiplicativa).
Se determina la tendencia y factores estacionales ajustando a
mano una recta que cruce todos los puntos de datos y mida la
tendencia y la secante de la grfica:
Ejemplo

Encontrar la ecuacin de la lnea recta (la recta y la ecuacin estn
sujetas a la variacin).
Y = 170 + 55t
Se deriva la ecuacin de la secante 170 ms un aumento de 55 ( (610-170) / 8).
610
170

La ecuacin para la recta es:
Tendenciat = 170 + 55t


A continuacin, puede derivarse un ndice estacional comparando
los datos reales con la recta de tendencia. El factor estacional se
desarroll calculando el promedio de los mismos trimestres de
cada ao.

A continuacin, puede derivarse un ndice estacional comparando los
datos reales con la recta de tendencia. El factor estacional se desarroll
calculando el promedio de los mismos trimestres de cada ao.

El pronstico para 2008, inclusive los factores de tendencia y estacional es

como sigue:
*PFTEt = Tendencia x Estacional
TRIMES
TRIMES TENDENCIA FACTOR
TENDENCIA FACTOR PRONOSTICO
PRONOSTICO
tt
TRE
TRE T=170+55t ESTACIONAL
T=170+55t ESTACIONAL 2008
2008
II 99 665
665 1.25
1.25 831
831 (170+55(9))*1.25
(170+55(9))*1.25
IIII 10
10 720
720 0.78
0.78 562
562 (170+55(10))*0.78
(170+55(10))*0.78
III
III 11
11 775
775 0.69
0.69 535
535 (170+55(11))*0.69
(170+55(11))*0.69
IV
IV 12
12 830
830 1.25
1.25 1038
1038 (170+55(12))*1.25
(170+55(12))*1.25
*FITS: forecast including trend and seasonal factors. MAANA
10/09/2017 69
ANALISIS DE SERIES DE TIEMPO DESCOMPOSICIN DE UNA SERIE DE TIEMPO
CON REGRESION POR MINIMOS CUADRADOS
La descomposicin significa encontrar los componentes bsicos de la serie

de tendencia, estacional y cclico. Los ndices se calculan por estaciones y
ciclos:
Proceso:
1. Descomponer las series de tiempo.
a) Encontrar el componente estacional.
b) Descontar las variaciones de temporada de la demanda.
c) Encontrar el componente de la tendencia.
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.
No se incluye el componente aleatorio.
Cada dato corresponde al uso de un solo trimestre del periodo de tres
aos (12 trimestres). El objetivo es pronosticar la demanda del cuarto ao.
(1) (2) (3)

DEMANDA
AO PERIODO TRIMESTRE
REAL
(X) (Y)
1 I 600.00
2 II 1,550.00
1
3 III 1,500.00
4 IV 1,500.00
5 I 2,400.00
6 II 3,100.00
2
7 III 2,600.00
8 IV 2,900.00
9 I 3,800.00
10 II 4,500.00
3
11 III 4,000.00
12 IV 4,900.00
33,350.00
Paso 1 Determinar el factor o ndice estacional.
a) Promedio de los mismos trimestres de cada ao
(1) (2) (3) (4)
DEMANDA PROMEDIO DE
REAL LOS
(X) (Y) TRIMESTRES
1 I 600.00 2,266.67 (600+2400+3800/ 3 = 2266.67)
2 II 1,550.00 3,050.00
1
3 III 1,500.00 2,700.00
4 IV 1,500.00 3,100.00
5 I 2,400.00
6 II 3,100.00
2
7 III 2,600.00
8 IV 2,900.00
9 I 3,800.00
10 II 4,500.00
3
11 III 4,000.00
12 IV 4,900.00
33,350.00
Paso 1 Determinar el factor o ndice estacional.
b) Derivar un factor estacional dividiendo el promedio de los trimestres entre el
promedio de los 12 trimestres de la demanda real (33,350/12 = 2,779.17).
(1) (2) (3) (4) (5)
DEMANDA PROMEDIO DE FACTOR
REAL LOS ESTACIO
(X) (Y) TRIMESTRES NAL
1 I 600.00 2,266.67 0.8156 (2,266.67/2,779.17 = 0.8156)
2 II 1,550.00 3,050.00 1.0975
1
3 III 1,500.00 2,700.00 0.9715
4 IV 1,500.00 3,100.00 1.1154
5 I 2,400.00 0.8156
6 II 3,100.00 1.0975
2
7 III 2,600.00 0.9715
8 IV 2,900.00 1.1154
9 I 3,800.00 0.8156
10 II 4,500.00 1.0975
3
11 III 4,000.00 0.9715
12 IV 4,900.00 1.1154
33,350.00 12.00
2,779.17
Paso 2 Descontar las variaciones de temporada de la demanda.
Presentar las variaciones de temporada de los datos originales.
Se divide los datos de la demanda histrica entre el factor estacional
(1) (2) (3) (4) (5) (6)
DEMANDA PROMEDIO DE FACTOR DEMANDA NO
REAL LOS ESTACIO ESTACIONAL (Yd)
(X) (Y) TRIMESTRES NAL (3)/(5)
1 I 600.00 2,266.67 0.8156 735.66 600/0.8156
2 II 1,550.00 3,050.00 1.0975 1,412.36
1
3 III 1,500.00 2,700.00 0.9715 1,543.98
4 IV 1,500.00 3,100.00 1.1154 1,344.76
5 I 2,400.00 0.8156 2,942.65
6 II 3,100.00 1.0975 2,824.73
2
7 III 2,600.00 0.9715 2,676.23
8 IV 2,900.00 1.1154 2,599.87
9 I 3,800.00 0.8156 4,659.19
10 II 4,500.00 1.0975 4,100.41
3
11 III 4,000.00 0.9715 4,117.28
12 IV 4,900.00 1.1154 4,392.88
33,350.00 12.00 33,350.00
2,779.17
Paso 3 Trazar una recta de regresin por mnimos cuadrados para los datos
con descuento de 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:
Se presentan los clculos de mnimos cuadrados usando las columnas 1, 7 y 8.
(1) (2) (3) (4) (5) (6) (7) (8)
DEMANDA
PROMEDI (X)(Yd)
PERIO TRIMEST DEMAND FACTOR NO
AO O DE LOS
DO RE A REAL ESTACIONA ESTACIONA X2
TRIMEST
L L (Yd)
RES (1)*(6)
(X) (Y) (3)/(5)
1 I 600.00 2,266.67 0.8156 735.66 1.00 735.66
2 II 1,550.00 3,050.00 1.0975 1,412.36 4.00 2,824.73
1
3 III 1,500.00 2,700.00 0.9715 1,543.98 9.00 4,631.94
4 IV 1,500.00 3,100.00 1.1154 1,344.76 16.00 5,379.03
5 I 2,400.00 0.8156 2,942.65 25.00 14,713.24
6 II 3,100.00 1.0975 2,824.73 36.00 16,948.36
2
7 III 2,600.00 0.9715 2,676.23 49.00 18,733.64
8 IV 2,900.00 1.1154 2,599.87 64.00 20,798.92
9 I 3,800.00 0.8156 4,659.19 81.00 41,932.72
10 II 4,500.00 1.0975 4,100.41 100.00 41,004.10
3
11 III 4,000.00 0.9715 4,117.28 121.00 45,290.12
12 IV 4,900.00 1.1154 4,392.88 144.00 52,714.52
78.00 33,350.00 12.00 33,350.00 650.00 265,706.99
2,779.17 2,779.17
La ecuacin de descuento de las variaciones de temporada es Y = 554.99 + 342.18x.
11/09/2017 TRUX
Grfica de la recta de ecuacin descontada de las variaciones de temporada
Ecuacin descontada de las

variaciones de temporada Y = 554.9 +
342.2x
Datos originales
Descuento de las variaciones
de temporada de los datos
Paso 4 Proyectar la recta de la regresin a travs del periodo por ser

pronosticado: El propsito es pronosticar los periodos 13 al 16. Lo primero
es resolver la ecuacin para Y en cada periodo:
PERIO TRIMES PRONOSTI FACTOR PRONOS

AO
DO TRE CO DE Yd ESTACIONAL TICO
13 I 5,003.35 0.8156 4,080.69
14 II 5,345.53 1.0975 5,866.46
4
15 III 5,687.71 0.9715 5,525.69
16 IV 6,029.89 1.1154 6,726.00

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. Ms que
desarrollar las estadsticas, slo se demostrar la causa de que se ample el rango.
Primero, se visualiza una recta trazada 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 errores 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.
Intervalos de
prediccin para la
tendencia lineal.

PROMEDIO MVIL SIMPLE
Cuando la demanda de un producto no crece ni baja con rapidez, y si
no tiene caractersticas estacionales, un promedio mvil puede ser
til para eliminar las fluctuaciones aleatorias del pronstico.
Aunque los promedios de movimientos casi siempre son centrados, es
ms conveniente utilizar datos pasados para predecir el periodo
siguiente de manera directa.
Para ilustrar, un promedio centrado de cinco meses de enero, febrero,
marzo, abril y mayo da un promedio centrado en marzo. Sin embargo,
los cinco meses de datos deben existir. Si el objetivo es pronosticar
para julio, se debe proyectar el promedio de movimientos de marzo a
junio. Si el promedio no est centrado sino que se encuentra en un
extremo, se puede pronosticar con mayor facilidad, aunque quiz se
pierda cierta precisin.

Aunque es importante seleccionar el mejor periodo para el promedio

mvil, existen varios efectos conflictivos de distintos periodos. Cuanto
ms largo sea el periodo del promedio mvil, ms se uniformarn
los elementos aleatorios (lo que ser conveniente en muchos casos).
Pero si existe una tendencia en los datos (ya sea a la alta o a la baja), el
promedio mvil tiene la caracterstica adversa de retrasar la tendencia.
Aunque un periodo ms corto produce ms oscilacin, existe un
seguimiento cercano de la tendencia. Por el contrario, un periodo ms
largo da una respuesta ms uniforme pero retrasa la tendencia.


(800+1400+1000)/3


Se ve que la tendencia de crecimiento se nivela alrededor de la semana
23. El promedio de movimientos de tres semanas responde mejor al
seguir este cambio que el promedio de nueve semanas, aunque en
general, el promedio de nueve semanas es ms uniforme.
La principal desventaja al calcular un promedio mvil es que todos los
elementos individuales se deben manejar como informacin porque un
nuevo periodo de pronstico comprende agregar datos nuevos y
eliminar los primeros.
Para un promedio mvil de tres o seis periodos, lo anterior no es muy
complicado.
Graficar un promedio mvil de 60 das sobre el uso de cada uno de los 20
000 elementos en un inventario comprendera el manejo de una gran
cantidad de informacin.

PROMEDIO MVIL PONDERADO
Un promedio mvil ponderado permite asignar cualquier importancia a
cada elemento, siempre y cuando la suma de todas las ponderaciones
sea igual a uno.
MES 1 2 3 4 5
VENTAS 100 90 105 95 ?
PONDERACI
ON 0.10 0.20 0.30 0.40
El pronstico para el mes 5 sera

F5 = 0.40(95) + 0.30(105) + 0.20(90) + 0.10(100)
F5 = 38 + 31.5 + 18 + 10
F5 = 97.5
26/09/2017 PIURA 13/09/2017 trux


La frmula para un promedio mvil ponderado es:
Aunque quiz se ignoren muchos periodos (es decir, sus ponderaciones

son de cero) y el esquema de ponderacin puede estar en cualquier
orden (por ejemplo, los datos ms distantes pueden tener ponderaciones
ms altas que los ms recientes), la suma de todas las ponderaciones
debe ser igual a uno.

Eleccin de ponderaciones
La experiencia y las pruebas son las formas ms sencillas de elegir las
ponderaciones. Por regla general, el pasado ms reciente es el indicador
ms importante de lo que se espera en el futuro y, por lo tanto, debe
tener una ponderacin ms alta.
Si los datos son estacionales, por ejemplo, las ponderaciones se deben
establecer en forma correspondiente. Las ventas de trajes de bao en
enero del ao pasado deben tener una ponderacin ms alta que las
ventas de trajes de bao en julio.
El promedio mvil ponderado tiene una ventaja definitiva sobre el
promedio mvil simple debido a que puede variar los efectos de los
datos pasados.

SUAVIZACIN EXPONENCIAL
En los mtodos de promedios mviles simple y ponderado, y de anlisis
de regresin la principal desventaja es la necesidad de manejar en forma
continua gran cantidad de datos histricos. En estos mtodos, al agregar
cada nueva pieza de datos, se elimina la observacin anterior y se calcula
el nuevo pronstico. Si las ocurrencias ms recientes son ms indicativas
del futuro que aquellas en el pasado ms distante es probable que el
mtodo ms lgico y fcil sea la suavizacin exponencial.
La razn por la que se llama suavizacin exponencial es que cada
incremento en el pasado se reduce (1 ). Por ejemplo, si es 0.05, las
ponderaciones para los distintos periodos seran las siguientes ( se
define a continuacin):

El suavizado exponencial es parte integral de casi todos los

programas de pronstico por computadora, y se usa con mucha
frecuencia al ordenar el inventario en las empresas minoristas, las
compaas mayoristas y las agencias de servicios.

Razones para el uso del suavizado exponencial:
1.Los modelos exponenciales son sorprendentemente precisos.

2.Formular un modelo exponencial es relativamente fcil.
3.El usuario puede entender cmo funciona el modelo.
4.Se requieren muy pocos clculos para utilizar el modelo.
5.Los requerimientos de almacenamiento en la computadora son
bajos debido al uso limitado de datos histricos.
6.Es fcil calcular las pruebas de precisin relacionadas con el
desempeo del modelo.

Datos para pronosticar el futuro: el pronstico ms reciente, la

demanda real que ocurri durante el periodo de pronstico y una
constante de uniformidad alfa (). Esta constante de suavizacin
determina el nivel de uniformidad y la velocidad de reaccin a las
diferencias entre los pronsticos y las ocurrencias reales. El valor de
una constante se determina tanto por la naturaleza del producto
como por el sentido del gerente de lo que constituye un buen
ndice de respuesta.

Mientras ms rpido sea el crecimiento, ms alto deber ser el ndice de
reaccin.
En ocasiones, los usuarios del promedio mvil simple cambian a la suavizacin
exponencial pero conservan las proyecciones similares a las del promedio mvil
simple. se calcula 2 (n + 1), donde n es el nmero de periodos.
La ecuacin para un solo pronstico de uniformidad exponencial es:
El nuevo pronstico es igual al pronstico anterior ms una porcin del error (la
diferencia entre el pronstico anterior y lo que ocurri realmente).

Ejemplo: Si la demanda a largo plazo para el producto es relativamente estable
y una constante de suavizacin () de 0.05 se considera apropiada. Suponga
que el pronstico del mes pasado (Ft1) fue de 1 050 unidades. Si la demanda
real fue de 1 000, en lugar de 1 050, el pronstico para este mes sera:
Como el coeficiente de suavizacin es bajo, la reaccin del nuevo pronstico a un

error de 50 unidades es reducir el pronstico del prximo mes en slo 2
unidades.
La suavizacin exponencial simple tiene la desventaja de retrasar los cambios en
la demanda.

Pronsticos exponenciales versus demanda real de las unidades de un

producto a travs del tiempo mostrando una demora en el pronstico

El pronstico se retrasa durante un incremento o un decremento pero se

dispara cuando ocurre un cambio en la direccin. Observe que mientras ms
alto sea el valor de alfa, el pronstico ser ms cercano a la realidad. Y mientras
ms se acerque a la demanda real, es probable sumar un factor de tendencia.
Tambin resulta til ajustar el valor de alfa. Esto se conoce como
pronstico adaptativo.

Efectos de la tendencia en la suavizacin exponencial
Una tendencia hacia arriba o hacia abajo en los datos recopilados durante una
secuencia de periodos hace que el pronstico exponencial siempre se quede
por debajo o atrs de la ocurrencia real. Los pronsticos suavizados
exponencialmente se pueden corregir agregando un ajuste a las tendencias.
Para corregir la tendencia, se necesitan dos constantes de suavizacin. Adems
de la constante de suavizacin , la ecuacin de la tendencia utiliza una
constante de suavizacin delta (). La delta reduce el impacto del error que
ocurre entre la realidad y el pronstico. Si no se incluyen ni alfa ni delta, la
tendencia reacciona en forma exagerada ante los errores.
Para continuar con la ecuacin de la tendencia, la primera vez que se utiliza es
preciso capturar el valor manualmente. Este valor de la tendencia inicial puede
ser una adivinanza informada o un clculo basado en los datos pasados
observados.

Ecuacin para calcular el pronstico incluida la tendencia (FIT, forecast including
trend):

Ejemplo:
Pronstico incluida la tendencia
Suponga una Ft inicial de 100 unidades, una tendencia de 10 unidades, una alfa
de 0.20 y una delta de 0.30. Si la demanda real resulta ser de 115 en lugar de
los 100 pronosticados, calcule el pronstico para el periodo siguiente.
Al sumar el pronstico inicial y la tendencia, se obtiene

Si, en lugar de 121.3, la realidad resulta ser 120, la secuencia se repetira y el

pronstico para el siguiente periodo sera:

Eleccin del valor apropiado para alfa
La suavizacin exponencial requiere de dar a la constante de suavizacin alfa ()
un valor entre 0 y 1. Si la demanda real es estable (como la demanda de
electricidad o alimentos), sera deseable una alfa pequea para reducir los
efectos de los cambios a corto plazo o aleatorios.
Si la demanda real aumenta o disminuye con rapidez (como en los artculos de
moda o los aparatos electrodomsticos menores), se quisiera una alfa alta para
tratar de seguirle el paso al cambio. Sera ideal poder proyectar qu alfa se
debe usar. Hay dos elementos en contra:
1. Tomara tiempo determinar la constante alfa que se adapte mejor a los datos
reales y el proceso sera tedioso.
2. Como la demanda cambia, quiz pronto sea necesario revisar la constante
alfa que se eligi esta semana. Por lo tanto, se necesita un mtodo
automtico para rastrear y cambiar los valores alfa.

Estrategias para controlar el valor de alfa.
Una de ellas utiliza distintos valores de alfa y la otra una seal de seguimiento:
Dos o ms valores predeterminados 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.
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.

20170926110956

Încărcat de

Informații document

Drepturi de autor

Formate disponibile

Partajați acest document

Partajați sau inserați document

Opțiuni de partajare

Vi se pare util acest document?

Este necorespunzător acest conținut?

Drepturi de autor:

Formate disponibile

20170926110956

Încărcat de

Drepturi de autor:

Formate disponibile

https://www.youtube.com/watch?

Wilton Lpez Miano

Financiero largo plazo Largo Plazo

Programacin Ordenes de Lanzamiento Supervisin y

PRONOSTICOS, DEFINICION, PRONOSTICOS TACTICOS Y ESTRATEGICOS

PRONOSTICOS, DEFINICION, PRONOSTICOS TACTICOS Y ESTRATEGICOS

El propsito del manejo de la demanda es coordinar y controlar todas

Las series de tiempo se basa en la idea de que es posible utilizar

Los modelos de simulacin permiten al encargado del pronstico

La demanda de productos o servicios se puede dividir en seis

Demanda promedio para el periodo,

Un mtodo de pronstico de uso muy comn consiste en graficar

En ocasiones, la informacin no parece adaptarse a ninguna curva

Tendencia lineal es una relacin

Curva S es tpica del crecimiento

Tendencia asinttica empieza con el

TECNICAS CUALITATIVAS DE PRONSTICO

TECNICAS CUALITATIVAS DE PRONSTICO

Empresas externas especialistas en la investigacin de

La investigacin de mercados se utiliza sobre todo para la

Una vez ms, los mtodos de recopilacin de datos son sobre

TECNICAS CUALITATIVAS DE PRONSTICO

TECNICAS CUALITATIVAS DE PRONSTICO

En un grupo de consenso, un grupo de personas que ocupan

La tcnica de Delfos se desarroll para tratar de corregir este impedimento

TECNICAS CUALITATIVAS DE PRONSTICO

El mtodo de Delfos oculta la identidad de los individuos

Un moderador crea un cuestionario y lo distribuye entre los

Rand Corporation desarroll el mtodo de Delfos en la

TECNICAS CUALITATIVAS DE PRONSTICO

1. Elegir los expertos a participar, con gran variedad de personas con

2. Por medio de un cuestionario obtener las proyecciones (y cualquier premisa

3. Resumir los resultados y redistribuirlos entre los participantes con las

4. Volver a resumir, refinar las proyecciones y condiciones, y una vez ms

5. Repetir el paso 4, si es necesario. Distribuir los resultados finales entre

Delfos puede lograr resultados satisfactorios en tres rondas.

ANALISIS DE SERIES DE TIEMPO

Los modelos de pronsticos de series de tiempo tratan de predecir el

Corto plazo se refiere a menos de tres meses. compensan la variacin

ANALISIS DE SERIES DE TIEMPO

El modelo de pronstico depende de:

ANALISIS DE SERIES DE TIEMPO

GUA PARA SELECCIONAR UN PRONSTICO

19/09 2017 20 PIURA

ANALISIS DE SERIES DE TIEMPO

ANALISIS DE SERIES DE TIEMPO

Aun cuando la demanda de productos individuales dentro de

ANALISIS DE SERIES DE TIEMPO

La regresin lineal se utiliza tanto para pronsticos de series

Cuando la variable dependiente (eje vertical) cambia como

Si una variable cambia debido al cambio en otra, se trata de una

ANALISIS DE SERIES DE TIEMPO

Ejemplo: Las AO TRIMESTRE VENTAS

ANALISIS DE SERIES DE TIEMPO

La ecuacin de los mnimos cuadrados para la regresin lineal

Y = Variable dependiente calculada mediante la ecuacin

ANALISIS DE SERIES DE TIEMPO

Determinacin grfica de los parmetros a y b

ANALISIS DE SERIES DE TIEMPO

ANALISIS DE SERIES DE TIEMPO

El mtodo de mnimos cuadrados trata de ajustar la recta a

La mejor recta es la que minimiza este total.

ANALISIS DE SERIES DE TIEMPO

Como antes, la ecuacin de recta es