Sunteți pe pagina 1din 68

FORECASTING PREDICCIONES

Russell & Taylor, Operation Management, Prentice-Hall Inc (2006) Hanke & Wichern, Pronostico en los Negocios, Pearson Education, (2006) A. Pulido, Predicciones Econmicas y Empresariales, Ed. Pirmide S.A. (1989)

Pronstico -Prediccin-Previsin
q q q q q

Introduccin Rol estratgico del pronstico Componentes de un Pronstico de Demanda Proceso de Prediccin Mtodos de Previsin Cuantitativos:
Mtodos de Anlisis Individual de Series Temporales Exactitud del pronstico Control de pronstico

q q

Mtodos de Previsin Cuantitativos:


Modelos de Relaciones entre Variables

Mtodos de Previsin Cuanlitativos

Introduccin
Pronstico: es una prediccin de lo que acontecer en el futuro. q Usualmente se pronostica la demanda para H q Es un proceso sujeto a incertidumbres q Mtodos Cuantitativos Basados en frmulas matemticas q Mtodos Cualitativos Basados en mtodos subjetivos
q

Pronstico -Prediccin-Previsin
q q q q q

Introduccin Rol estratgico del pronstico Componentes de un Pronstico de Demanda Proceso de Prediccin Mtodos de Previsin Cuantitativos:
Mtodos de Anlisis Individual de Series Temporales Exactitud del pronstico Control de pronstico

q q

Mtodos de Previsin Cuantitativos:


Modelos de Relaciones entre Variables

Mtodos de Previsin Cuanlitativos

Rol Estratgico del Pronstico


q

Actualmente el Planeamiento y Diseo Estratgico apunta a: 1. Gestin de la Cadena de Suministro 2. TQM : Total Quality Management

Rol Estratgico del Pronstico

1- Gestin de la CS
q

Planificacin LARGO PLAZO: Nuevos productos Nuevos Mercados Emergentes Nuevas Tecnologas Son crticos para el diseo estratgico de la C de S de una compaa

Rol Estratgico del Pronstico

1- Gestin de la CS
q

Planificacin CORTO PLAZO: Inventarios Produccin a lo largo de la C de S Compras Stocks costos vs. Faltante TQM

Previsin de Demanda
q

Previsin incorrecta

Rol Estratgico del Pronstico en

2-TQM : Total Quality Management


q

TQM 1 - Determinar el producto deseado 2 - El momento en el que es deseado 3 - La calidad deseada

1 y 2 Dependen de Previsiones 3 - Proceso de produccin eficiente, sin defectos

Pronstico -Prediccin-Previsin
q q q q q

Introduccin Rol estratgico del pronstico Componentes de un Pronstico de Demanda Proceso de Prediccin Mtodos de Previsin Cuantitativos:
Mtodos de Anlisis Individual de Series Temporales Exactitud del pronstico Control de pronstico

q q

Mtodos de Previsin Cuantitativos:


Modelos de Relaciones entre Variables

Mtodos de Previsin Cuanlitativos

Componentes de un Pronstico de Demanda


q

Horizonte de Tiempo (Time Frame )


corto, mediano y largo plazo

Comportamiento de la demanda Impredecible aleatorio, irregular Predecible PATRONES

Ch 10 - 4

Horizonte de Tiempo
Mediano y corto plazo Pronsticos de Demandas: diario, semanal, mensual hasta 2 aos futuros q Largo plazo Planificacin estratgica: productos, mercados, tecnologas Desde 2 a 10 aos futuros
q

Comportamiento de la Demanda
tendencia (Trend) crecimiento o decrecimiento gradual a largo plazo q ciclos (Cycle) movimientos crecientes y decrecientes que se repiten en largos horizontes de tiempo q patrones estacionales (Seasonal pattern) oscilaciones peridicas de la demanda que se repiten a lo largo de un ao. q Movimientos aleatorios sin un patrn Ch 10 - 6
q

Formas de comportamiento de la Demanda


Demanda Demanda
Variaciones aleatorias Tiempo [mes] Tiempo [aos] Tendencia Ciclos

Demanda

Demanda

Patrn estacional

Tendencia y patrn estacional Tiempo [mes] Tiempo [mes]

Pronstico -Prediccin-Previsin
q q q q q

Introduccin Rol estratgico del pronstico Componentes de un Pronstico de Demanda Proceso de Prediccin Mtodos de Previsin Cuantitativos:
Mtodos de Anlisis Individual de Series Temporales Exactitud del pronstico Control de pronstico

q q

Mtodos de Previsin Cuantitativos:


Modelos de Relaciones entre Variables

Mtodos de Previsin Cuanlitativos

Proceso de Prediccin
1. Identificar el objetivo del pronstico 2. Colectar datos histricos 5. Calcular el pronstico para los perodos histricos 3. Graficar datos e identificar patrones. 4. Elegir modelo de pronstico 6. Evaluar la exactitud del pronstico c/ dif mtodos

8. Ajustar los parmetroas del modelo o Cambiar el modelo de pronstico 7. La exactitud del pronstico es aceptable ? 10. Ajustar el pronstico con informacin cualitativa adicional o subjetividad 11. Monitorear resultados y medir exactitud del pronstico

9. Pronosticar el prximo perodo

Pronstico -Prediccin-Previsin
q q q q q

Introduccin Rol estratgico del pronstico Componentes de un Pronstico de Demanda Proceso de Prediccin Mtodos de Previsin Cuantitativos:
Mtodos de Anlisis Individual de Series Temporales Exactitud del pronstico Control de pronstico

q q

Mtodos de Previsin Cuantitativos:


Modelos de Relaciones entre Variables

Mtodos de Previsin Cuanlitativos

Anlisis de Series de Tiempo


Tcnicas estadsticas que usan datos histricos q Asumen que el pasado seguir ocurriendo q Estrategia: el factor explicativo es el tiempo q Enfoque tradicional supone 4 componentes
q T: tendencia; C: movimientos cclicos S: estacionalidad; I: variaciones irregulares

Esquema multiplicativo: y=T.S.C.I Esquema aditivo: y=T+S+C+I


Ch 10 - 10

Mtodos Simples de Anlisis de Series de Tiempo


q q q

Mtodo ingenuo (naive) Medias mviles ( moving average) Alisado exponencial (exponential smoothing) Ajuste lineal de tendencia (linear trend line)

Medias mviles
MAn =
donde,

Di n

Promedia n perodos de tiempo Amortigua los cambios Se usa para demanda estable, sin tendencia ni estacionalidad

i=1

n = nmero de perodos Di= demanda en el perodo i

Medias Mviles: ejemplo


Month Jan Feb Mar Apr May June July Aug Sept Oct Nov Orders 120 90 100 75 110 50 75 130 110 90 3-mo 103.3 88.3 95.0 78.3 78.3 85.0 105.0 110.0 5-mo 99.0 85.0 82.0 88.0 95.0 91.0

3 100 + 90 +120 = = 103 .3 3

MA

D
i =1

5 90 + 110 + 130 + 75 + 50 = = 91 5

MA

D
i =1

Efecto de alisado

Longer-period moving averages react more slowly

Media Mvil Ponderada


q

Adjusts moving average method to more closely reflect data fluctuations


WMAn = Wi Di
i=1

where,

Wi = the weight for period i,


between 0 and 100 percent

Wi = 1.00
Ch 10 - 14

Media mvil ponderada: ejemplo


Month Weight August 17% September 33% October 50% November forecast Data 130 110 90
i =1 = ( 0.50 )( 90 ) + ( 0.33 )(110 ) + (0.17 )(130 ) = 103 .4

WMA 3 = W iDi

Alisado Exponencial
q

Mtodo de ponderacin Mayor peso a los datos ms recientes Reacciona a los cambios ms recientes

Ft+1 = Dt + (1 - )Ft
donde, Ft+1 = pronstico para el siguiente perodo Dt = demanda del periodo actual Ft = pronstico previamente determinado para el perodo actual = peso o constante de alisado

Efecto de la constante de alisado


Ft+1 = Dt + (1 - )Ft If = 0.2, If = 0.0, 0.0 <= <= 1.0

then Ft+1 = 0.2 Dt + 0.8 Ft then Ft+1 = 0.0 Dt + 1 Ft = Ft

No refleja los datos recientes

If = 1.0,

then Ft+1 = 1.0 Dt + 0 Ft = Dt

Basado slo en datos recientes

Ch 10 - 17

Alisado Exponencial: ejemplo


Per 1 2 3 4 5 6 7 8 9 10 11 12 13 Month Jan Feb Mar Apr May Jun Jul Aug Sep Oct Nov Dec Jan Dem Fcst ( =0.3) Fcst ( =0.5) 37 -40 37.00 37.00 41 37.90 38.50 37 38.83 39.75 45 38.28 38.37 50 40.29 41.68 43 43.20 45.84 47 43.14 44.42 56 44.30 45.71 52 47.81 50.85 55 49.06 51.42 54 50.84 53.21 51.79 53.61

F2 = D1 + (1 - )F1 = (0.30)(37) + (0.70)(37) = 37 F3 = D2 + (1 - )F2 = (0.30)(40) + (0.70)(37) = 37.9 F13 = D12 + (1- )F12 = (.30)(54) + (.70)(50.84) = 51.79

Alisado Exponencial

1998 by Prentice-Hall Inc Russell/Taylor Oper Mgt 2/e

Ch 10 - 19

Alisado Ajustado con un Factor de Tendencia Exponencialmente Alisado


AFt+1 =Ft+1 + Tt+1

Ft+1 = Dt + (1 - )Ft
Tt+1 = (Ft+1 - Ft) + (1 - ) Tt donde

0.0 <= <= 1.0

= constante de alisado de la tendencia T = factor de tendencia exponencialmente alisado Tt = factor de tendencia del ltimo perodo
Ch 10 - 20

Alisado Ajustado con un Factor de Tendencia Exponencialmente Alisado


Per Month Dem 1 2 3 4 5 6 7 8 9 10 11 12 13 Jan Feb Mar Apr May Jun Jul Aug Sep Oct Nov Dec Jan 37 40 41 37 45 50 43 47 56 52 55 54 Ft+1 37.00 37.00 38.50 39.75 38.37 41.68 45.84 44.42 45.71 50.85 51.42 53.21 53.61 Tt+1 0.00 0.45 0.69 0.07 1.04 1.97 0.95 1.05 2.28 1.76 1.77 1.36 AFt+1 37.00 38.95 40.44 38.44 42.73 47.82 45.37 46.76 58.13 53.19 54.98 54.96 T3 = (F3 - F2) + (1 - ) T2 =(0.30)(38.5 - 37.0) + (0.70)(0) = 0.45 AF3 = F3 + T3 = 38.5 + 0.45 = 38.95 T13 = (F13 - F12 ) + (1 - ) T12

=(0.30)(53.61 - 53.21) + (0.70)(1.77) =1.36 AF13 = F13 + T13 = 53.61 + 1.36 = 54.96

Ajuste de Tendencia de una Serie

Mecanismos para calcular la tendencia


q

Medias mviles o alisado


genera una tendencia variable a lo largo de la serie. Es ms estable a mayor nmero de trminos de la media mvil

Ajustar a los datos una f(t) matemtica recta, polinomios, exponenciales, curvas S Seleccin de f(t): anlisis grfico, pendiente/media mvil, ...

Ajuste Lineal de Tendencia


q
q q

yt = a + b.t
Permite extrapolar fcilmente al futuro una tendencia regular sustituyendo t por t+1, t+2,... Permite representar una variable dependiente o endgena con varias variables independientes, explicativas o exgenas. yt=c0+c1x1t+...cKxKt Reducir a lineal un polinomio de ajuste de grado n

yt= c0 + c1.t + c2.t^2 + c3.t^3... x1t=t, x2t = =t^2..

Ajuste Lineal de Tendencia con Regresin Lineal de Cuadrados Mnimos


y = a + bx donde, a b x y b= = ordenada origen = pendiente = perodo de tiempo = pronstico para el perodo x xy nxy x2- nx 2

a =y-bx donde, n = nmero de perodos x = x , valor medio x n y = n y , valor medio y

Ajuste Lineal de Tendencia con Cuadrados Mn: Ejemplo


x y xyx2 1 37 371 2 40 804 3 41123 4 37148 5 45225 6 50300 7 43301 8 47376 9 56504 10 52520 11 55605 12 54648 78 5573867

9 16 25 36 49 64 81 100 121 144 650

78 = 6.5 12 557 y= = 46.42 12 xy nxy = 3,867 (12)(6.5)(46.42) = 1.72 b= x 2 nx 2 650 12(6.5) 2 x= a = y bx = 46.42 (1.72)(6.5) = 35.2 y = 35.2 + 1.72 x y13 = 35.2 + 1.72(13) = 57.56
Ch 10 - 23

Linear Trend Line: example

1998 by Prentice-Hall Inc Russell/Taylor Oper Mgt 2/e

Ch 10 - 24

Ajuste Estacional

Ajuste Estacional
Aumento/disminucin repetitiva de la demanda durante un ao q Uso de factor estacional para ajustar el pronstico
q

factor estacional =S

D D
i

Ajuste estacional: ejemplo


Demanda (miles de unidades) Ao 12 34 Total 2002 12.68.6 6.317.545.0 2003 14.110.3 7.518.250.1 2004 15.310.6 8.119.653.6 Total 42.029.521.9 55.3148.7 Si 0.28 0.200.150.37

S1 =

D1 = 42.0 = 0.28 D 148.7

SF1 = (S1) (F5) = (0.28)(58.17) = 16.28 SF2 = (S2) (F5) = (0.20)(58.17) = 11.63 SF3 = (S3) (F5) = (0.15)(58.17) = 8.73 SF4 = (S4) (F5) = (0.37)(58.17) = 21.53

Tendencia lineal:

y = 40.97 + 4.30 x

2005 (ao 4) previsin = 40.97+ 4.30 (4) = 58.17


2005 16.2811.638.73 21.53

Pronstico -Prediccin-Previsin
q q q q q

Introduccin Rol estratgico del pronstico Componentes de un Pronstico de Demanda Proceso de Prediccin Mtodos de Previsin Cuantitativos:
Mtodos de Anlisis Individual de Series Temporales Exactitud del pronstico Control de pronstico

q q

Mtodos de Previsin Cuantitativos:


Modelos de Relaciones entre Variables

Mtodos de Previsin Cuanlitativos

Exactitud del Pronstico


q q q

Error = Real Pronosticado = e Encontrar un modelo que minimice el error Mean Absolute Deviation (MAD)
q

Desvo absoluto medio

Mean Absolute Percent Deviation (MAPD)


q

Desvo absoluto medio porcentual

Cumulative Error (E)

Mean Absolute Deviation (MAD)


MAD = | Dt - Ft | n donde, t = perodo Dt = demanda en el periodo t Ft = pronstico para el perodo t n = nmero total de perodos = valor absoluto

Mean Absolute Deviation Example


Per 1 2 3 4 5 6 7 8 9 10 11 12 Month Dem Fcst ( =0.3) Error Abs Error Jan 37 37.00 Feb 40 37.00 3.00 3.00 Mar 41 37.90 3.10 3.10 Apr 37 38.83 -1.83 1.83 MAD = May 45 38.28 6.72 6.72 Jun 50 40.29 9.69 9.69 = 53 .39 11 Jul 43 43.20 -0.20 0.20 Aug 47 43.14 3.86 3.86 Sep 56 44.30 11.70 11.70 Oct 52 47.81 4.19 4.19 Nov 55 49.06 5.94 5.94 Dec 54 50.84 3.15 3.15 557 51.79 49.31 53.39

Dt F t
n = 4.85

Ch 10 - 29

Otras Medidas de Error


q

Mean absolute percent deviation (MAPD)

D F MAPD = D
t t

53.39 = = 0.096 520

Cumulative error Average error

E=

et

et E=
n
Ch 10 - 30

Comparacin de pronsticos
Forecast Exp smooth ( =0.30) Exp smooth ( =0.50) Aj Tend Exp smooth
( =0.50, =0.30)

MAD 4.85 4.04 3.81 2.29

MAPD

9.6% 49.31 4.48 8.5% 33.21 3.02 8.1% 21.14 1.92 4.9% -

linear trend line

Ch 10 - 31

Pronstico -Prediccin-Previsin
q q q q q

Introduccin Rol estratgico del pronstico Componentes de un Pronstico de Demanda Proceso de Prediccin Mtodos de Previsin Cuantitativos:
Mtodos de Anlisis Individual de Series Temporales Exactitud del pronstico Control de pronstico

q q

Mtodos de Previsin Cuantitativos:


Modelos de Relaciones entre Variables

Mtodos de Previsin Cuanlitativos

Control de pronstico
q

Reasons for out-of-control forecasts change in trend appearance of cycle politics weather changes promotions

1998 by Prentice-Hall Inc Russell/Taylor Oper Mgt 2/e

Ch 10 - 32

Tracking Signal
Compute each period q Compare to control limits q Forecast is in control if within limits
q

( D t F t) Trackingsignal =
MAD

E = MAD

MAD 0.8

Use control limits of +/- 2 to +/- 5 MAD

Tracking Signal Values


Per Dem 1 37 2 40 3 41 4 37 5 45 6 50 7 43 8 47 9 56 10 52 11 55 12 54 Fcst 37.00 37.00 37.90 38.83 38.28 40.29 43.20 43.14 44.30 47.81 49.06 50.84 Error Cum. E 3 3.00 3.1 6.10 -1.83 4.27 6.72 10.99 9.69 20.68 -0.2 20.48 3.86 24.34 11.7 36.04 4.19 40.23 5.94 46.17 3.15 49.32 MAD 3.00 3.05 2.64 3.66 4.87 4.09 4.06 5.01 4.92 5.02 4.85 TS 1.00 2.00 1.62 3.00 4.25 5.01 6.00 7.19 8.17 9.19 10.16

1998 by Prentice-Hall Inc Russell/Taylor Oper Mgt 2/e

Ch 10 - 34

Tracking Signal Plot

The Normal Distribution

95 % 99.74 % -1

-3

-2

=0

Ch 4 - 14

Monitoring Forecast Errors With Statistical Control Charts

= =

2 ( D t F t) n 1 375.68 = 6.12 10

Ch 10 - 36

Pronstico -Prediccin-Previsin
q q q q q

Introduccin Rol estratgico del pronstico Componentes de un Pronstico de Demanda Proceso de Prediccin Mtodos de Previsin Cuantitativos:
Mtodos de Anlisis Individual de Series Temporales Exactitud del pronstico Control de pronstico

q q

Mtodos de Previsin Cuantitativos:


Modelos de Relaciones entre Variables

Mtodos de Previsin Cuanlitativos

Mtodos de regresin
q

Estudio de la relacin entre dos o ms variables Variables (dependientes), cuyo valor depende del valor de otras variables (independientes)

Regresin lineal
y = a + bx where, a = b= x = y = intercept (at period 0) slope of the line the independent variable forecast for demand given x

xy b= nxy x2- nx 2 a =y-bx where, n = number of periods x = x , mean of x values n y = y , mean of y values n

Regresin lineal: ejemplo


x yxy x2 4 36.3145.2 16 6 40.1240.6 36 6 41.2247.2 36 8 53.0424 64 6 44.0264 36 7 45.6319.2 49 5 39.0195 25 7 47.5332.5 49 49 346.72167.7311
49 = 6.125 8 346 .9 y= = 43.36 8 xy nxy b= x2 nx2 x=

2167 .7 (8)( 6.125 )( 43.36 ) = 4.06 311 8(6.125 )2

a = y bx = 43.36 (4.06 )( 6.125 ) = 18.46 y = 43.36 + 4.06 x y 7 = 43.36 + 4.06 (7) = 46.88

1998 by Prentice-Hall Inc Russell/Taylor Oper Mgt 2/e

Ch 10 - 39

Regresin lineal

1998 by Prentice-Hall Inc Russell/Taylor Oper Mgt 2/e

Ch 10 - 40

Correlacin y coeficiente de determinacin


q

Correlacin, r Medida de relacin lineal entre variables Valores: -1.00 a +1.00 Coeficiente de determinacin, r2 Porcentaje de variacin en la variable dependiente debido a la variacin de la variable independiente
Ch 10 - 41

Clculo de r y r
r= r=

[n x

n xy x y
2

( x)

][n y

( y )

]
2

(8)( 2,167 .7) ( 49 )(346 .9) [(8)(311) ( 49 ) ][(8)(15,224 .7) (346 .9)
2

= 0.947

Coefficient of determination r2 = (0.947)2 = 0.897

Regresin Mltiple
Establece una relacin causal de la demanda con dos o ms variables independientes y=
where, 0
1

x1 +

x2 +

xk

intercept
k

,,

parameters for independent variables

x1 ,, xk independent variables (exgenas o explicativas)


1998 by Prentice-Hall Inc Russell/Taylor Oper Mgt 2/e

Ch 10 - 43

Clculo de los Coeficientes de un Modelo de Regresin Mltiple


q

A partir de n datos de cada una de la variables explicativas se calculan los k / minimizan la suma de los errores al cuadrado: Min k t=1,..n et2 = (yt - 0t - 1 x1t - - k xkt)2 ( k se denominan mnimos cuadrados)

Modelos Economtricos
Cuantifican relaciones entre variables en base a leyes econmicas que las sustentan
q

Modelos uniecuacionales:
regresin mltiple esttico yt = 0t + 1 x1t + + k xkt regresin mltiple dinmico yt = 0t + 1 x1t + 2 x1t-1 + +

xkt +

xkt-1+....

Modelos multiecuacionles
Ej: yt = y1t + y2t y1t =
0t

+ 1 x1t + 2 x2t
0

y2t =

1t

x3t +

x4t

Pronstico -Prediccin-Previsin
q q q q q

Introduccin Rol estratgico del pronstico Componentes de un Pronstico de Demanda Proceso de Prediccin Mtodos de Previsin Cuantitativos:
Mtodos de Anlisis Individual de Series Temporales Exactitud del pronstico Control de pronstico

q q

Mtodos de Previsin Cuantitativos:


Modelos de Relaciones entre Variables

Mtodos de Previsin Cuanlitativos

Mtodos Cualitativos
Base: experiencia, opinin o juicio de individuos o grupos claves Grupos claves: Manager (conocen recursos y mercados) Ventas (conocen las expectativas de clientes) Ingeniera ( tecnologa y productos factibles) Marketing (productos y servicios requeridos) USO: procesos de planificacin estratgica de largo plazo
2002 Sistemas de Gestin GIDSATD

Mtodos Cualitativos Ms Usados


1. 2. 3. 4. Encuestas Diseo de Experimentos Simulacin en base a modelos Delphi (Delfos)
2002 Sistemas de Gestin GIDSATD

1. Encuestas
q

Intencin: de compra de bienes, de equipos...

horizonte reducido, puede aplazarse o anularse, la presentacin puede inducir intencin q Expectativas: Cree que (la produccin, el costo, .....) mejorar,se mantendr, desmejorar ?
q

Actitudes:
valoracin de individuos o instituciones sobre sucesos del entorno ( economa, desempleo,...)

USO: como variables explicativas de modelos


2002 Sistemas de Gestin GIDSATD

2. Diseo de experimento
q

prueba piloto costosa, desfase de efectos por duracin, representatividad de la muestra,... Yi=C0+C1X1i+...CKXKi+ei
y: variable experimental i: nmero de experiencias k: tratamiento de la experimentacin

Ej:

Vi=C0+C1PRi+C2PUi+ei i=1,...6

3.Simulacin en Base a Modelos


Identidades Y1=Y2 ; Y=X1 +X2 + ...XK (suma, producto, divisin) q Ecuaciones de evolucin temporal y=a+b.t ; y=a.t^b ..... (t : variable explicativa) q Ecuaciones autorregresivas y=c0+c1y-1+...cK y-K q Relaciones causales y=a+b.x Modelos Multiecuacionales: ej. Forrester
q
2002 Sistemas de Gestin GIDSATD

4. Delphi e Impactos cruzados


Tcnica de encuesta a expertos q Seleccin de expertos: 10 a 30 q Anonimato de las respuestas q Retro-alimentacin controlada q Respuestas cuantitativas: valor, probabilidad q Respuesta estadstica de grupo Variantes: teleconferencia, autoevaluacin, valoraciones cualitativas, impacto cruzado