Resúmen Capítulo 4 PRONÓSTICO Objetivo general y específico Cuando termine este capítulo usted podrá: Identifique o defina: Pronóstico, tipos de pronósticos, tiempo horizontal, acercamientos de los pronósticos. Describa o explique: Periodo promedio (moving average), pronostico anterior (exponential smoothing), tendencia de proyección (trend projection), periodo estacional (seasonality), análisis de regresión y correlación (regression and correlation análisis), medidas de exactitud del pronostico ( measures of forecast accuracy). Introducción En este capítulo, examinamos diversos tipos de pronósticos y presentamos una variedad de modelos de los pronósticos. Nuestro propósito es demostrar que hay muchas maneras para que los encargados pronostiquen. También se proveerá una descripción del pronóstico de ventas del negocio y describimos cómo preparar, supervisar, y juzgar exactitud de un pronóstico. Los buenos pronósticos son una parte esencial de operaciones eficientes del servicio y de la manufactura. El pronóstico es el arte y la ciencia de acontecimientos futuros que predicen. El Pronóstico Proporciona La Ventaja Competitiva De Tupperware La mayoría de la gente piensa en Tupperware, ella prevé los envases plásticos del alimento-almacenaje vendidos a través de los partidos caseros. Tupperware sucede ser fabricante global acertado, con más el de 85% de su producto, $1 mil millones en ventas fuera de los E.E.U.U. El pronóstico de demanda en Tupperware es un proceso crítico, interminable. Cada uno de sus 50 centros de beneficio alrededor del mundo es responsable de automatizar proyecciones mensuales, trimestrales, y de doce meses de las ventas. Estos pronósticos conducen la producción en cada planta. La variedad de modelos estadísticos del pronóstico usados en Tupperware incluye cada técnica discutida en este capítulo, incluyendo promedios móviles, alisar exponencial, y análisis de la regresión. Día a día los gerentes de Tupperware toman decisiones sin saber qué sucederá el futuro. Piden inventario sin saber cuál serán las ventas, compran el nuevo equipo a pesar de la incertidumbre sobre la demanda para los productos, y hacen inversiones sin saber cuan favorable sea su voluntad. Proceso de manufactura en Tupperware ¿Que es pronostico? El pronóstico es el arte y la ciencia de acontecimientos futuros que predicen. Puede implicar el tomar de data histórica y proyectarla en el futuro con una cierta clase de modelo matemático. . Puede ser una predicción intuitiva o subjetiva o puede ser una combinación de ambas. Introducimos diversas técnicas de pronóstico en este capítulo, se verá raramente que hay un método superior. Qué trabaja lo más mejor posible en una firma bajo un sistema de condiciones puede ser un desastre en otra organización, o en un departamento diferente pero de la misma organización. Además hay límites en cuanto a qué se puede esperar de pronósticos; son costosos y se pierde tiempo preparando y supervisando. Horizonte del tiempo de pronóstico Generalmente un pronóstico es clasificado en tres categorías: 1. Pronóstico de corto alcance: Este pronóstico tiene una duración de hasta 1 año pero es generalmente menos de 3 meses. Se utiliza para planear la compra, el programar trabajo, niveles de mano de obra, asignaciones del trabajo, y los niveles de la producción. 2. Pronóstico de mediano alcance: es de alcance intermedio, del pronóstico palmos generalmente a partir de 3 meses a 3 años. Es útil en la planificación de ventas, producción y el presupuesto, presupuesto, y en el análisis de algunos planes de operación. 3. Pronóstico de largo alcance; Generalmente 3 años o más de duración, los pronósticos de largo alcance se utilizan en planificación de productos nuevos, los gastos en inversión de capital, localización o extensión de la facilidad, e investigación y desarrollo. Los pronósticos mediano y de largo alcance se diferencian de pronósticos de corto alcance por tres características: 1. los pronósticos duraderos se ocupan de situaciones más comprensivas y apoyan decisiones de la gerencia con respecto a la planificación y productos, industria, y procesos. 2. el pronóstico a corto plazo emplea generalmente diversas metodologías que el pronóstico de más largo plazo. 3. los pronósticos de corto alcance tienden a ser más exactos que los pronósticos de largo-alcance. Factores que influencian el cambio de la demanda cada día. La influencia del ciclo de vida del producto. Otro factor para considerar cuando los pronósticos de las ventas que se convierten, especialmente los más largos, son ciclo vital del producto. La mayoría de los productos acertados pasan a través de cuatro etapas: (1) introducción, (2) crecimiento, (3) madurez, y (4) declinación. La Importancia Estratégica Del Pronóstico Las organizaciones utilizan tres tipos importantes de pronósticos en las operaciones futuras de la planificación: 1. Los pronósticos económicos tratan el ciclo de negocio prediciendo tasas de inflación, fuentes de dinero, comienzo de cubierta, y otros indicadores del planeamiento. 2. Los pronósticos tecnológicos se refieren a los índices del progreso tecnológico, que pueden dar lugar al nacimiento de productos nuevos, requiriendo nuevas compañías y nuevos equipo. Los pronósticos de la demanda son proyecciones de la demanda para los productos o los servicios de una compañía. Estos pronósticos, también llamados los pronósticos de las ventas, conducen la producción. El pronóstico económico y tecnológico son técnicas especializadas que pueden bajar fuera del gerente de operaciones. Estrategias importantes para el forecastig Los buenos pronósticos son de importancia crítica en todos los aspectos de un negocio. Los pronósticos de la demanda conducen decisiones en muchas áreas. Miremos el impacto del producto pronosticado en tres actividades: (1) recursos humanos, (2) capacidad, y (3) gerencia de la proveer-cadena. Recursos Humanos Emplear, adiestrar, y el despido a trabajadores dependen de la demanda anticipada. Si el departamento de recursos humanos debe emplear a trabajadores adicionales sin la advertencia, la cantidad de adiestramiento declina y la calidad de la mano de obra sufre. Capacidad Cuando la capacidad es inadecuada, los resultados pueden significar entrega mala, pérdida de clientes, y pérdida de una parte del mercado. Cadena de fuente gerencial Las buenas relaciones del suplidor y el sobrevenir tasan las ventajas para los materiales y las piezas dependiendo de pronósticos exactos. Siete pasos en el sistema de pronóstico Pronóstico sigue siete pasos básicos. Utilizaremos la corporación de Tuperware. Determinar el uso del pronóstico: Las aplicaciones de Tupperware exigen pronósticos para guiar la producción de cada una de sus 13 “plantas”. Seleccionar los artículos que se pronosticarán: Para Tupperware, hay sobre 400 productos, cada uno posee SKU (unidad stock-keeping). Determinar el horizonte del tiempo del pronóstico: Es el pronóstico corto, medio o el largo plazo? Tupperware desarrolla los pronósticos mensuales, cada cuatro meses, y 12 meses para las proyecciones de ventas. Seleccionar el/los modelo(s) del pronóstico: Tupperware utiliza una variedad de modelos estadísticos. Recopilar los datos necesitados para hacer el pronóstico: el mundo corporativo de Tupperware mantiene bases de datos enormes para supervisar la venta de cada producto. Hacer el pronóstico Validar e implementar los resultados: Se aplican las medidas preventivas, los pronósticos se utilizan para itinerarios de materiales, programar el equipo y a personal en cada “planta”. Estos siete pasos presentan una manera sistemática de iniciar, diseñar, y implementar el pronóstico. FORECASTING APPROACHES Hay dos acercamientos generales al pronóstico. Uno es un análisis cuantitativo; el otro es un acercamiento cualitativo. Pronostico cuantitativo: utiliza una variedad de modelos matemáticos. Los pronósticos cualitativos incorporan los factores tales como la toma de decisiones, intuición, emociones, experiencias personales, y sistema del valor en alcanzar un pronóstico. Overview of Qualitative Methods En esta sección, se consideran cuatro técnicas de pronóstico cualitativas: Jurado de la opinión ejecutiva: bajo este método, reúnen las opiniones de un grupo gerencial Decision Makers (Evaluate responses and make decisions) Staff (Administerin g survey) Respondents (People who can make valuable judgments) Método de Delphi: hay tres diversos tipos de participantes en este método; fabricantes de decisión, equipo personal, y respondedores. Bajo este método, reúnen las opiniones de un grupo de expertos. Compuesto de la fuerza de ventas: en este acercamiento, cada vendedor estima qué las ventas estarán en su región. Encuesta sobre mercado de consumidor: este método solicita la entrada de los clientes o de los clientes potenciales con respecto a futuros planes de compra. Overview of Quantitive Methods Cinco métodos cuantitativos del pronóstico, que utilizan datos históricos, se describen en este capítulo. Tiene dos categorías: Acercamiento ingenuo Promedios móviles Modelo Tiempo-Serie Exponencial suave Proyección de la tendencia Regresión lineal Modelo Sociable Modelo Tiempo- serie: predice que el futuro es una función del pasado. Modelo Sociable- regresión lineal, incorpora las variables o factores que pudieron influenciar la cantidad que era pronosticada. TIME-SERIES FORECASTING Series de tiempo se basa en una secuencia (semanal, mensual, por cuartos, etc.) de los puntos de referencias uniformemente esparcidos. Descomposition of a Time Series Analiza series de tiempo significa la subdivisión más allá de datos en componentes y después la proyección de su delantero. Una serie de tiempo tiene cuatro componentes: tendencia, por un tiempo, ciclos, y variación al azar. Naive Approach La manera más simple de pronosticar es asumir que la demanda en el período de la jerarquía será igual a la demanda en el período más reciente. La demanda del producto planeada sobre 4 años con una tendencia y un seasonality del crecimiento indicó Demand for product or service Trend component Seasonal peaks Actual demand Average demand over four years Random variation | 1 | 2 | 3 Year | 4 Figure 4.1 4 – 35 © 2006 Prentice Hall, Inc. Moving Average Utiliza un número de valores históricos de los datos para generar un pronóstico. Los promedios móviles son útiles si podemos asumir que las demandas del mercado permanecerán en un cierto plazo constante. Matemáticamente, se expresa el promedio móvil simple (que sirve como estimación de la demanda del período próximo) así: Moving average = ∑ Demand in previous n periods n Cuando una tendencia o un patrón perceptible está presente, los pesos se pueden utilizar para poner más énfasis en valores recientes. Esta práctica hace técnicas del pronóstico más sensible a los cambios porque un período más reciente hace que se cargue con mayor peso. El peso móvil promedio se calcula así: Weighted = ∑ (Weight for period) (Demand in period n) Moving average ∑ weights Los promedios móviles simples y cargados son eficaces en alisar fuera de fluctuaciones repentinas en el patrón de la demanda para proporcionar estimaciones estables. Los promedios móviles, sin embargo, presentan tres problemas 1. El aumento del tamaño de n. 2. Los promedios móviles no pueden tomar bien las tendencias. 3. Los promedios móviles requieren expedientes extensos de los datos mas recientes. El cuadro 4.2, un diagrama que ilustra el efecto del retraso del moving average model. Weighted moving average Sales demand 30 – 25 – 20 – Actual sales 15 – Moving average 10 – 5 – | Figure 4.2 J | | | | | | | | | | | F M A M J J A S O N D 4 – 47 © 2006 Prentice Hall, Inc. Exponential smoothing Implica muy poco el guardar del expediente de últimos datos. Se calcula asi: New forecast = Last period’s forecast + α (last period’s actual demand – last period’s forecast) Donde está α un peso, o alisar a la constante, que tiene un valor entre 0 y 1. Ft = Ft-1 + α (At-1 – Ft-1) La constante que alisa, α, está generalmente en la gama del 05 al 50 para los usos de negocio. Puede ser cambiada para dar más peso a los datos recientes (cuando a es alta) o más peso a los últimos datos. Diferencia de α Demand 225 – = .5 Actual demand 200 – 175 – = .1 150 – | 1 | | | | | | | | 2 3 4 5 6 7 8 9 Quarter © 2006 Prentice Hall, Inc. 4 – 54 Measuring Forecast Error La exactitud total de cualquier promedio de moving average del pronóstico, el suavizadoe exponencial, otro-puede ser comparando los valores pronosticados con los valores reales observados. F denota el pronóstico en el período t, y en denota la demanda real en período (se define el en del pronóstico (o la desviación) como: Forecast error = Actual demand – Forecasat value = At –Ft Varias medidas se utilizan en la práctica de calcular el error total del pronóstico. Estas medidas conservan utilizado comparar diversos modelos del pronóstico, tan bien como supervisar pronósticos para asegurar que se estan haciendo bien. Mean Absolute Deviation: La primera medida del error total del pronóstico para un modelo es la desviación absoluta (MAD). Este valor es computado: MAD = ∑ |Actual - Forecast| N Mean Squared Error: El error ajustado malo (MSE) es una segunda manera de medir el o\er, error del pronóstico. MSE es el promedio de las diferencias ajustadas entre haber pronosticado y observa valores. Su fórmula es: MSE = ∑ (Forecast errors)² n Mean absolute percent error: Un problema con el ME y el MSE es que sus valores dependen de la magnitud del artículo que es pronosticado. Se calcula asi: n MAPE = 100 ∑ | Actual i – Forecast i|/Actual i i=t n Exponential Smoothing with Trend Adjustment Porque el alisar exponencial es un acercamiento que modela tan popular en negocio, mirémoslo más detalladamente. Aquí es porqué el alisar exponencial debe ser modificado cuando una tendencia está presente. Mejoremos nuestro pronóstico, ilustran un modo que mejora el exponencial más complejo, uno que ajuste según tendencia. Month( Month(t) 1 2 3 4 5 6 7 8 9 10 Actual Demand (At) 12 17 20 19 24 21 31 28 36 Smoothed Forecast, Ft 11 Smoothed Trend, Tt 2 Forecast Including Trend, FITt 13.00 Table 4.1 © 2006 Prentice Hall, Inc. 4 – 65 La idea es computar un promedio exponencial mejorado de los datos y después ajustar para que haya positivo o el retraso negativo en tendencia. La fórmula es: Forecast including trend (FITt) = Exponentially smoothed forecast (Ft) + Exponentially smoothed trend (Tt) Con mejorar el exponencial de la tendencia ajustada, las estimaciones para el promedio y la tendencia se alisan. Este procedimiento requiere dos constantes que mejoran, α para el promedio y el ß para la tendencia. Después computamos el promedio y tendemos cada período. La formula es asi: Ft = α (Actual demand last period) + (1- α) (Forecast las period + estimate last period) Month( Month(t) 1 2 3 4 5 6 7 8 9 10 Actual Demand (At) 12 17 20 19 24 21 31 28 36 Smoothed Forecast, Ft 11 Smoothed Trend, Tt 2 Forecast Including Trend, FITt 13.00 Table 4.1 4 – 65 © 2006 Prentice Hall, Inc. Month( Month(t) 1 2 3 4 5 6 7 8 9 10 Actual Demand (At) 12 17 20 19 24 21 31 28 36 Smoothed Forecast, Ft 11 Smoothed Trend, Tt 2 Forecast Including Trend, FITt 13.00 Step 1: Forecast for Month 2 F2 = A1 + (1 - )(F1 + T1) F2 = (.2)(12) + (1 - .2)(11 + 2) = 2.4 + 10.4 = 12.8 units Table 4.1 © 2006 Prentice Hall, Inc. 4 – 66 Month( Month(t) 1 2 3 4 5 6 7 8 9 10 Actual Demand (At) 12 17 20 19 24 21 31 28 36 Smoothed Forecast, Ft 11 12.80 Smoothed Trend, Tt 2 Forecast Including Trend, FITt 13.00 Step 2: Trend for Month 2 T2 = (F2 - F1) + (1 - )T1 T2 = (.4)(12.8 - 11) + (1 - .4)(2) = .72 + 1.2 = 1.92 units Table 4.1 4 – 67 © 2006 Prentice Hall, Inc. Month( Month(t) 1 2 3 4 5 6 7 8 9 10 Actual Demand (At) 12 17 20 19 24 21 31 28 36 Smoothed Forecast, Ft 11 12.80 Smoothed Trend, Tt 2 1.92 Forecast Including Trend, FITt 13.00 Step 3: Calculate FIT for Month 2 FIT2 = F2 + T1 FIT2 = 12.8 + 1.92 = 14.72 units Table 4.1 © 2006 Prentice Hall, Inc. 4 – 68 35 – Actual demand (At) Product demand 30 – 25 – 20 – 15 – Forecast including trend (FITt) 10 – 5 – 0 – | | | 1 2 3 | | | 4 5 6 Time (month) | | | 7 8 9 Figure 4.3 4 – 70 © 2006 Prentice Hall, Inc. Trend Projections Esta técnica ajusta una tendencia lineal en una serie de puntos históricos y después proyecta la línea en los pronósticos futuros de los pronosticos mediano a largo estado. Se pueden desarrollar varias ecuaciones matemáticas de la tendencia. lues of Dependent Variable Metodos cuadrados reduce al mínimo la suma de los errores ajustados (desviaciones). Actual observation (y value) Deviation7 Deviation5 Deviation6 Deviation3 Deviation4 Deviation1 Deviation2 Trend line, y^ = a + bx Ecuación para calcular las variables de regresión: ^ = a + bx y b= xy - nxy x2 - nx2 a = y - bx © 2006 Prentice Hall, Inc. 4 – 74 Notas al usar el metodo de least quarter: implicar utilizar tres requerimientos: 1. trazar los datos para asegurar una regresion lineal 2. no predecir períodos más allá de la base de datos 3. Las desviaciones alrededor de la línea se asumen al azar ejemplo Power demand 160 150 140 130 120 110 100 90 80 70 60 50 Trend line, y^ = 56.70 + 10.54x – – – – – – – – – – – – | 1999 | 2000 | 2001 | 2002 | 2003 Year | 2004 | 2005 | 2006 © 2006 Prentice Hall, Inc. | 2007 4 – 77 Seasonal Variation in Data Movimientos ascendentes o ascendentes en una serie de tiempo que atan los eventos que se repiten. El modelo estacional multiplicativo puede modificar datos de la tendencia para acomodar variaciones estacionales en la demanda. Pasos que siguen las compañías en sesiones mensuales: 1. Encontrar la demanda histórica mediana para cada cálculo de la estación. 2. Computar la demanda promedio sobre la estación. 3. Computar el índice estacional para cada estación. 4. Estimar la demanda total para el siguiente ano. dividir el total de la demanda estimada por el numero de la estación y se multiplica por el índice estacional para esa estación ejemplo: 2006 Forecast 2005 Demand 140 – 2004 Demand 2003 Demand 130 – Demand 120 – 110 – 100 – 90 – 80 – 70 – | J | F | M | A | M | | J J Time | A | S | O | N | D © 2006 Prentice Hall, Inc. 4 – 84 ASSOCIATIVE FORECASTING METHODS: REGRESSION AND CORRELATION ANALYSIS Se utiliza cuando los cambios en una o mas variables independientes se pueden utilizar para predecir los cambios en las variables dependientes. Using regresión análisis to forecast Se puede utilizar el mismo modelo matematico que empleamos el el least squares method of trend projection. ŷ = a + bx . Ejemplos: Local Payroll ($000,000,000), x 1 3 4 4.0 – 2 1 3.0 – 7 Sales Sales ($000,000), y 2.0 3.0 2.5 2.0 2.0 3.5 2.0 – 1.0 – | 2 | 1 0 | 7 | | | | 6 5 3 4 Area payroll 4 – 89 © 2006 Prentice Hall, Inc. If payroll next year is estimated to be $600 million, then: Sales = 1.75 + .25(6) Sales = $325,000 Sales = 1.75 + .25(payroll .25(payroll)) 4.0 – 3.25 3.0 – Sales y^ = 1.75 + .25x .25x 2.0 – 1.0 – 0 © 2006 Prentice Hall, Inc. | 1 | 2 | | | | 3 4 5 6 Area payroll | 7 4 – 92 Standard Error of the Estimate El pronóstico es el punto estimado del valor futuro. Este punto es el medio de una distribución de la probabilidad. 4.0 – Sales 3.25 3.0 – 2.0 – 1.0 – 0 | 1 | 2 | | | | 6 5 3 4 Area payroll | 7 Figure 4.9 4 – 93 © 2006 Prentice Hall, Inc. Ecuación: Sy,x = √∑(x-yc)² n-2 Ecuación: Sy,x = √∑y²-a∑y-b∑xy n-2 4.0 – Sales 3.25 3.0 – 2.0 – 1.0 – Correlation Coefficients for Regresión Lines la ecuación de la regresión es una forma de expresar la naturaleza de la relación entre dos variables. No tienen causa y efecto. Se identifica la r como coeficiente de correlacion . Para computar r se utiliza la siguiente ecuación: r= n∑xy-∑x∑y √[n∑x²-(∑x)²][n∑y²-(∑y)²] y y (a) Perfect positive correlation: r = +1 x (b) Positive correlation: 0<r<1 x y y (c) No correlation: r=0 © 2006 Prentice Hall, Inc. x (d) Perfect negative x correlation: r = -1 4 – 99 Multiple-Regression Análisis Un método causal del pronóstico con más de una variable independiente. Permite que construyamos un modelo con varias variables independientes en vez de utilizar una variable. Se utiliza la siguiente ecuación: ŷ = a + b1x1 +b2x2 MONITORING AND CONTROLLING FORECASTS Si un pronostico se a determinado, no debe ser olvidado. Ningun gerencial desea recordar que su pronostico no es exacto. Tracking signal: medias que se hacen en el pronostico para predecir los valores actuales. El Tracking signal se calcula asi: (Tracking signal) = RSFE MAD = ∑(Actual demand in period i – Forecast demand in period i) MAD MAD = ∑|Actual –Forecast| N Signal exceeding limit Tracking signal + Upper control limit Acceptable range 0 MADs – Lower control limit Time © 2006 Prentice Hall, Inc. 4 – 105 Adaptive Smoothing Un acercamiento al pronóstico que mejora el exponencial en el cual la constante que mejora se cambia automáticamente a los errores de la subsistencia mínima. Es posible utilizar la computadora para supervisar el error del pronóstico y ajustar continuamente los valores de la a y los coeficientes de b usados en mejorar el exponencial para reducir al mínimo error del pronóstico. Focus Forecasting Se adapta eligiendo una constante las computadoras permiten que intentemos hacer una variedad de modelos del pronóstico. El focus forecasting esta basado en dos principios: 1. Los modelos sofisticados del pronóstico no son siempre mejores que los modelos simples. 2. No hay técnicas que se deben utilizar para todos los productos o servicios FORECASTING IN THE SERVICE SECTOR El pronostico presenta desafíos inusuales. La principal necesidad de las ventas al por menor son los expedientes a corto plazo. Las diferentes necesidades como función de la industria y del producto. Días festivos y otros días en el calendario y eventos inusuales. Percentage of sales Fast Food Restaurant Forecast 20% – 15% – 10% – 5% – 1111-12 1 -2 1212-1 (Lunchtime) © 2006 Prentice Hall, Inc. 3 -4 2 -3 5 -6 7 -8 6 -7 (Dinnertime) Hour of day 4 -5 9-10 8 -9 1010-11 Figure 4.12 4 – 111 Resumen El pronóstico tiene una función importante en los gerentes. La demanda de pronóstico conduce a una firma de producción, capacidad y sistema de itinerario y efecto financiero, mercado y la función del personal de producción. Conclusión Con las diferentes variables que existen para realizar el pronóstico en las empresas su funcionamiento puede ser efectivo. Los gerentes deben conocer cual es la demanda del producto para así poder saber con que cuenta en su inventario y así poder planificar su producción, mercadeo, gastos/costos, etc. Si las diversas ecuaciones matemáticas se utilizan adecuadamente la producción de la compañía será efectiva. REFERENCIA Heizer Jay, Gerencia de Operaciones 8va edición Resumen por YatmarieNegrón Ocasio