PLANIFICACION DE LA PRODUCCION: PRONOSTICOS Dr. Carlos L. Jave Gutiérrez Universidad San Martín de Porras 2010 - 2 PLANIFICACION DE LA PRODUCCION Son variados y similares los enfoques que con respecto al proceso de planificación, programación y control de la producción han sido tratados por diversos autores, quienes establecen, en términos generales, que este se inicia con las previsiones, de las cuales se desprenden los planes a largo, mediano y corto plazo. Este enfoque, como hemos visto tiene algunas fallas, ya que carece del concepto integrador que en el sentido vertical, debe comenzar en la estrategia empresarial y que en el sentido horizontal, debe relacionarse con los demás subsistemas de la organización. Domínguez Machuca, J.A. et. al [1995]: Dirección de operaciones. Aspectos tácticos y operativos en la producción y los servicios. Editorial Mc Graw Hill, Madrid. Heizer, J. & Render, B. [1997]: Dirección de la producción. Decisiones tácticas. 4ª. Ed., Editorial Prentice Hall, Madrid. PLANIFICACION DE LA PRODUCCION Vollmann y Domínguez Machuca, consideran la integración en ambos sentidos. Al respecto, este último autor afirma que, el proceso de planificación y control de la producción debe seguir un enfoque jerárquico, en el que se logre una integración vertical entre los objetivos estratégicos, tácticos y operativos y además se establezca su relación horizontal con las otras áreas funcionales de la compañía. Básicamente las cinco fases que componen el proceso de planificación y control de la producción son: Planificación estratégica o a largo plazo. Planificación agregada o a medio plazo. Programación maestra. Programación de componentes. Ejecución y control. PLANIFICACION DE LA PRODUCCION PRONOSTICOS Los pronósticos son el primer paso dentro del proceso de planificación de la producción y estos sirven como punto de partida, no solo para la elaboración de los planes estratégicos, sino además, para el diseño de los planes a mediano y corto plazo, lo cual permite a las organizaciones, visualizar de manera aproximada los acontecimientos futuros y eliminar en gran parte la incertidumbre y reaccionar con rapidez a las condiciones cambiantes con algún grado de precisión. Predicciones: se basan meramente en la consideración de aspectos subjetivos dentro del proceso de estimación de eventos futuros Pronósticos: se desarrollan a través de procedimientos científicos, basados en datos históricos, que son procesados mediante métodos cuantitativos. PRONOSTICAR Pronosticar. Es emitir un enunciado sobre lo que es probable que ocurra en el futuro, basándose en análisis y en consideraciones de juicio. Se desarrollan a través de procedimientos científicos, basados en datos históricos, que son procesados mediante métodos cuantitativos.. Propósito. Hacer un pronóstico es obtener conocimiento sobre eventos inciertos que son importantes en la toma de decisiones presentes. Las técnicas de pronósticos disminuyen la incertidumbre sobre el futuro, permitiendo estructurar planes y acciones congruentes con los objetivos de la organización y permiten también tomar acciones correctivas apropiadas y a tiempo cuando ocurren situaciones fuera de lo pronosticado. 6 USOS DE LOS PRONOSTICOS Mercadotecnia. Tamaño del mercado. Participación en el mercado. Tendencia de precios. Desarrollo de nuevos productos. Producción. Costo de materia prima. Costo de mano de obra. Disponibilidad de materia prima. Disponibilidad de mano de obra. Requerimientos de mantenimiento. Capacidad disponible de la planta para la producción. Finanzas. Tasas de interés. Cuentas de pagos lentos. Recursos Humanos. Número de trabajadores. Rotación de personal. Tendencias de ausentismo. Tendencia de llegadas tarde. Planeación Estratégica. Factores económicos. Cambios de precios. Costos. Crecimiento de líneas de productos 7 TIPOS DE PRONOSTICOS Estos pueden ser clasificados de acuerdo a tres criterios: Según el horizonte de tiempo. Pueden ser de largo plazo, mediano plazo o corto plazo y su empleo va desde la elaboración de los planes a nivel estratégico hasta los de nivel operativo. Según el entorno económico abarcado. Pueden ser de tipo micro o de tipo macro y se definen de acuerdo al grado en que intervienen pequeños detalles vs. grandes valores resumidos. Según el procedimiento empleado. Pueden ser de tipo puramente cualitativo, en aquellos casos en que no se requiere de una abierta manipulación de datos y solo se utiliza el juicio o la intuición de quien pronostica o puramente cuantitativos, cuando se utilizan procedimientos matemáticos y estadísticos que no requieren los elementos del juicio. TIPOS DE PRONOSTICOS De a acuerdo a la última clasificación tenemos: Métodos Cualitativos: Método Delphi, método del juicio informado, método de la analogía de los ciclos de vida y método de la investigación de mercados. Métodos Cuantitativos: Métodos por series de tiempo y métodos causales. TIPOS DE PRONOSTICOS Nombre Horizonte de predicción No formales Corto plazo Promedio simple Corto plazo Promedio móvil Corto plazo Suavización exponencial Corto plazo Suavización exponencial lineal Corto plazo Suavización exponencial cuadrática Corto plazo Suavización exponencial estacional Corto plazo Filtración adaptiva Corto plazo Descomposición clásica Corto plazo Modelos de tendencia exponencial Mediano y largo plazo Ajuste de curva S Mediano y largo plazo Modelo de Gompertz Mediano y largo plazo Curvas de crecimiento Mediano y largo plazo Census II Corto plazo Box-Jenkins Corto plazo METODOS CUANTITATIVOS (TIPO SERIE DE TIEMPO) 10 TIPOS DE PRONOSTICOS Nombre Horizonte de predicción Regresión simple Mediano plazo Regresión múltiple Mediano plazo Indicadores principales Corto plazo Modelos econométricos Corto plazo Regresión múltiple de series de tiempo Mediano y largo plazo METODOS CUANTITATIVOS (TIPO CAUSALES) 11 ANALISIS DE REGRESION Un objetivo común en muchas aplicaciones estadísticas es examinar la relación que existe entre dos variables numéricas. El objeto de un análisis de regresión es investigar la relación estadística que existe entre una variable dependiente (Y) y una o más variables independientes (X1, X2, X3 ... ). DIAGRAMAS DE DISPERSION: Un estudio de la relación entre variables empieza con el caso más simple, el de la relación entre dos variables. Un diagrama de dispersión mapea en dos dimensiones los valores de X a lo largo del eje horizontal y los valores de Y en el eje vertical. El diagrama de dispersión ayuda a ilustrar lo que la intuición sugiere: la relación entre X e Y. 12 ANALISIS DE REGRESION DIAGRAMAS DE DISPERSION: 13 ANALISIS DE REGRESION El diagrama (a) de la figura sugiere lo que se denomina relación perfecta lineal positiva. Conforme X se incrementa, Y también, de una manera predecible. Es decir, X e Y parecen comportarse en torno a una línea recta. El diagrama (b) sugiere una relación perfecta lineal negativa. Es decir, conforme X se incrementa, Y decrece de una manera predecible. a) b) 14 ANALISIS DE REGRESION 15 ANALISIS DE REGRESION Las figuras (c) y (d) ilustran una relación imperfecta lineal positiva y negativa, respectivamente, pero no de una manera predecible. Así, Y puede ser ligeramente superior o inferior a lo esperado. Es decir, los puntos X - Y no se comportan como una línea recta. c) d) 16 ANALISIS DE REGRESION Los diagramas de dispersión de las figuras (c) y (d) muestran lo que se conoce como relaciones lineales. La relación X - Y, sea perfecta o imperfecta, puede ser resumida por una línea recta. En comparación, una relación de curva aparece en el diagrama (e). e) 17 ANALISIS DE REGRESION Finalmente, el diagrama de la figura (f), sugiere que no existe relación de ningún tipo entre las variables X e Y. Si X se incrementa, Y no parece incrementarse o decrementarse de una manera predecible. Sobre la base de la evidencia muestral que aparece en el diagrama, se puede concluir que en la población de todos los puntos X - Y, no existe relación lineal o de otro tipo entre las variables X, Y. f) 18 ANALISIS DE REGRESION 19 ANALISIS DE REGRESION Ahora considérense los dos diagramas de dispersión de la figura. Ambos diagramas sugieren relaciones imperfectas lineales positivas entre X e Y. La diferencia es que esta relación parece más fuerte en la figura (a) debido a que los datos están más cerca a la línea recta que pasa a través de ellos. En la figura (b) se sugiere una relación más débil. Los puntos de los datos están más lejos de la línea recta que pasa por ellos, sugiriendo que la relación entre X e Y es menos lineal. a) b) 20 ANALISIS DE REGRESION REGRESION LINEAL: El análisis de regresión es una técnica de pronóstico que establece una relación entre variables. Se considera en este momento la situación de regresión más sencilla sólo para dos variables y para una relación funcional lineal entre ellas. El pronóstico para la demanda del periodo siguiente Ft se puede expresar mediante: Ft = a + b*Xt Y = a + b*X Donde Ft es el pronóstico para el periodo t, dado el valor de la variable X en el periodo t. Los coeficientes a y b son constantes; a es la ordenada al origen de la variable (F) y b es la pendiente de la recta. 21 ANALISIS DE REGRESION REGRESION LINEAL: Se ha sustituido F por Y para indicar que F es el valor pronosticado, la demanda pronosticada Ft indica el futuro. Para encontrar los coeficientes a y b se utiliza la demanda anterior (o histórica) en vez del pronóstico anterior. Se emplea Dt para indicar la demanda histórica y para encontrar los coeficientes a y b. Entonces, cuando se desea pronosticar la nueva demanda, se emplea Ft para representar el pronóstico de la demanda. Los coeficientes a y b pueden calcularse mediante las dos ecuaciones siguientes: en donde: D = a + b*X 22 ANALISIS DE REGRESION REGRESION LINEAL MULTIPLE: En forma general: Y = a + b1X1 + b2X2 + … + bnXn Donde: X1, X2, Xn : Variables Independientes a b1 bn : Es la ordenada del punto de intersección con el eje Y. : Coeficiente de Regresión (es la variación neta en Y por cada unidad de variación en X1.). : Coeficiente de Regresión (es el cambio neto en Y para cada cambio unitario en Xn). 23 ANALISIS DE REGRESION REGRESION LINEAL: Caso: Una empresa que fabrica cajas de cartón hace cajas de pizzas. El departamento de planeación de operaciones sabe que un pronóstico adecuado y preciso de cajas de pizza de un cliente está en relación estrecha con los gastos de promoción de éste, el cual se puede obtener por adelantado antes de realizar el gasto. El departamento de planeación de operaciones está interesado en establecer la relación entre la promoción de la empresa de pizzas y las ventas. Una vez que eso se haya establecido, las órdenes de compra de las cajas para pizzas, en dólares, pueden expresarse como porcentaje fijo de ventas. 24 ANALISIS DE REGRESION Trimestre Publicidad ($ 100,000) Ventas ($ Millones) 1 4 1 2 10 4 3 15 5 4 12 4 5 8 3 6 16 4 7 5 2 8 7 1 9 9 4 10 10 2 25 ANALISIS DE REGRESION Haciendo el cálculo de b y a, donde la publicidad es Xt para el trimestre t, las ventas son Dt para el trimestre t y Ft es el pronóstico para el futuro periodo t. Trimestre Publicidad (X) Ventas (D) X2 D2 X*D 1 4 1 16 1 4 2 10 4 100 16 40 3 15 5 225 25 75 4 12 4 144 16 48 5 8 3 64 9 24 6 16 4 256 16 64 7 5 2 25 4 10 8 7 1 49 1 7 9 9 4 81 16 36 10 10 2 100 4 20 Σ 96 30 1060 108 328 26 ANALISIS DE REGRESION 10*(328) – (96)*30 b= 30 – 0.29*(96) = 0.29 a= 10*(1060) – (96)2 = 0.22 10 Por lo tanto, la recta estimada de regresión, la relación entre las ventas futuras (Ft) y la publicidad (Xi) es: Ft = 0.22 + 0.29Xt En el ejemplo, quien hace la planeación de las operaciones puede investigar los gastos planeados en publicidad y sobre esas ventas puede hacer el pronóstico. Por ejemplo, la publicidad del próximo trimestre se espera que tenga un monto de 1’100,000 dólares. Sustituyendo 11 para Xt en la ecuación anterior se tendrá: Ft = 0.22 + 0.29(11) = 3.41 27 ANALISIS DE REGRESION El pronóstico de las ventas es de 3.41 millones de dólares. Si los pedidos de cajas representan el 5 % de las ventas, quien planea las operaciones podría esperar que un monto total por concepto de pedidos sería de $ 170500 para el trimestre (0.05 x 3.41). Tal estimación puede ser de gran utilidad en la planeación global de las operaciones. 28 ANALISIS DE REGRESION COEFICIENTE DE CORRELACION: El coeficiente de correlación lineal nos permite determinar si, efectivamente, existe relación entre las dos variables. Una vez que se concluye que sí existe relación, la regresión nos permite definir la recta que mejor se ajusta a esta nube de puntos. Dos variables con una relación perfecta lineal negativa tienen un coeficiente de correlación igual a -1. En el otro extremo, dos variables con una relación perfecta positiva tienen un coeficiente de correlación de +1. Por lo tanto, el coeficiente de correlación varía entre -1 y +1 incluyéndolos. 29 ANALISIS DE REGRESION COEFICIENTE DE CORRELACION: El diagrama de dispersión (a) de la figura ilustra una situación que produciría un coeficiente de correlación de +1. El diagrama de dispersión (b) de esa misma figura tiene un coeficiente de correlación de -1. Los diagramas (e) y (f) muestran dos variables que no están linealmente relacionadas. El coeficiente de correlación para esta relación es igual a 0, es decir, no hay relación lineal presente. a) b) e) f) 30 ANALISIS DE REGRESION COEFICIENTE DE CORRELACION: Es importante también distinguir entre dos grupos de datos en los cuales esté interesado el analista. En la población que contiene todos los datos X - Y de interés, existe un coeficiente de correlación cuyo símbolo es ρ. Si se toma una muestra aleatoria de los datos X - Y el coeficiente correlación de esta muestra es r. Un resumen de estas importantes características de ρ y r se da en la tabla. 31 ANALISIS DE REGRESION COEFICIENTE DE CORRELACION: Cuando se toma una muestra aleatoria de datos n de una población bajo investigación. La fórmula para el coeficiente de correlación es: Muestra Coeficiente de correlación: r (-1 ≤ r ≤ + 1) R = -1 correlación perfecta negativa R = 0 no hay correlación R = + 1 correlación perfecta positiva 32 OTRAS TECNICAS DE PRONOSTICOS Promedio simple: Un promedio simple (PS) es un promedio de los datos del pasado en el cuál las demandas de todos los períodos anteriores tienen el mismo peso relativo. Donde: D1 = demanda del periodo más reciente. D2 = demanda que ocurrió hace dos periodos. Dk = demanda que ocurrió hace k periodos. 33 OTRAS TECNICAS DE PRONOSTICOS Media móvil simple : Una medida móvil simple (MMS) combina los datos de demanda de la mayor parte de los periodos recientes, siendo su promedio el pronóstico para el periodo siguiente. El promedio se “mueve” en el tiempo en el sentido de que al transcurrir un periodo, la demanda del periodo más antiguo se descarta, y se agrega la demanda para el periodo más reciente para la siguiente operación. Donde: t = 1 es el periodo más antiguo en el promedio de n periodos. t = n es el periodo más reciente. 34 OTRAS TECNICAS DE PRONOSTICOS Caso 1: LG Company ha experimentado la siguiente demanda de productos para sus neveras durante los últimos seis meses: Mes Demanda total de neveras Enero 200 Febrero 300 Marzo 200 Abril 400 Mayo 500 Junio 600 El gerente de planta ha solicitado que se prepare un pronóstico usando una media móvil de seis periodos para pronosticar las ventas del mes de Julio. El 2 de Julio está por dar principio la corrida de producción de neveras. 35 OTRAS TECNICAS DE PRONOSTICOS Caso 1: = 367 Usando una media móvil de seis meses el pronóstico para julio es de 367. Si se examinan los datos, es posible que una media móvil de tres meses pudiera ser mejor que una de seis meses. Si se toman en cuenta tres meses obtenemos: = 500 36 OTRAS TECNICAS DE PRONOSTICOS Caso 2: Si se hubiera utilizado una media móvil de un mes, las ventas del mes siguiente serían iguales a la demanda real del último mes y el pronóstico para julio sería de 600. Es necesario hacer una recomendación al gerente de planta: Basta recomendar usar una medida móvil de tres meses de 500 neveras para Julio, pues el número parece ser mas representativo de la serie de tiempo que una media móvil de seis meses y se basa en más datos que en el caso de una media móvil de un mes. 37 OTRAS TECNICAS DE PRONOSTICOS Media móvil ponderada: Algunas veces quien hace los pronósticos desea utilizar una media móvil pero no quiere que todos los n periodos tengan el mismo peso. Una medida móvil ponderada (MMP) es un modelo de media móvil que incorpora algún peso de la demanda anterior distinto a un peso igual para todos los periodos anteriores bajo consideración, la representación de este modelo es el siguiente: MMP = Demanda de cada periodo por un peso determinado, sumada a los largo de todos los Periodos en la media móvil. 38 OTRAS TECNICAS DE PRONOSTICOS Donde: 0 <= Ct <= 1.0 Este es un modelo que permite un peso desigual de la demanda. Si son tres periodos, es posible dar peso al periodo más reciente del doble de los otros periodos, al hacer C1 = 0.25, C2 = 0.25 y C3 = 0.50 39 OTRAS TECNICAS DE PRONOSTICOS Caso 3: Para LG Company, un pronóstico de la demanda para julio usando un modelo de tres periodos en donde la demanda del periodo más reciente tenga un peso del doble de los dos periodos anteriores, tendrá la siguiente forma. = 525 40 OTRAS TECNICAS DE PRONOSTICOS Suavizado Exponencial: Este modelo permite efectuar compensaciones para algunas tendencias o para cierta temporada al calcular cuidadosamente los coeficientes Ct. Si se desea se puede dar a los meses más recientes pesos mayores y amortiguar en parte los efectos del ruido al dar pesos pequeños a las demandas más antiguas. El suavizado exponencial se distingue por la manera tan especial de dar pesos a cada una de las demandas anteriores al calcular el promedio. El modelo de los pesos es de forma exponencial. La demanda de los periodos más recientes recibe un peso mayor; los pesos de los periodos sucesivamente anteriores decaen de una manera exponencial. 41 OTRAS TECNICAS DE PRONOSTICOS Suavizado exponencial de primer orden: La ecuación para crear un pronóstico nuevo o actualizado utiliza dos fuentes de información: La demanda real para el periodo más reciente y, El pronóstico más reciente. A medida que termina cada periodo se realiza un nuevo pronóstico. 42 OTRAS TECNICAS DE PRONOSTICOS Caso: 4 El hospital general de Phoenix ha experimentado una demanda irregular y a menudo creciente de material médico desechable en todo el hospital. La demanda de tubos desechables durante los dos últimos meses ha sido de 300 unidades en setiembre y de 350 unidades en octubre. El antiguo procedimiento de pronóstico consistió en utilizar la demanda promedio del año anterior como pronóstico para cada uno de los meses de ese año. La demanda mensual del año anterior fue de 200 unidades. Utilizando 200 unidades como el pronóstico de la demanda de setiembre y un coeficiente de suavización de 0.7 para dar un mayor peso a la demanda más reciente, el pronóstico para el mes de octubre debería haber sido (t = octubre): F t = α Dt-1 + (1 – α) F t-1 = 0.7(300) + (1 - 0.7)200 = 210 + 60 = 270 43 OTRAS TECNICAS DE PRONOSTICOS El pronóstico para el mes de noviembre sería (t = noviembre) F t = α Dt-1 + (1 – α) F t-1 = 0.7(350) + (1 - 0.7)270 = 245 + 81 = 326 En vez de la demanda mensual del año pasado de 200 unidades, el pronóstico para el mes de noviembre es de 326 unidades. Gran diferencia: 326 – 200 = 126 44 OTRAS TECNICAS DE PRONOSTICOS Selección del coeficiente de suavización: Un valor elevado de α da un gran peso a la demanda más reciente y un valor bajo de α dará un peso menor a la demanda mas reciente. Para los nuevos productos o para casos en los que la demanda subyacente está en proceso de cambio (ésta es dinámica, o bien inestable): α puede ser : 0,7, 0.8 ó 0.9 Si la demanda es muy estable y se piensa que puede ser representativa del futuro, el pronosticador podrá optar por un valor bajo de α para disminuir cualquier ruido que hubiera podido presentarse en forma súbita. α puede ser : 0.1, 0.2, ó 0.3 Cuando la demanda es ligeramente inestable, coeficientes de suavización de 0.4, 0.5, ó 0.6 pueden proporcionar datos más precisos. 45 OTRAS TECNICAS DE PRONOSTICOS Doble suavizado exponencial: El doble suavizado exponencial tiende a suavizar el ruido en series de demanda estables. El modelo es directo, suaviza el pronóstico obtenido con un modelo de suavizado exponencial de primer orden y el pronóstico obtenido mediante un modelo de suavizado exponencial doble. FD1 = α F t + (1 – α)FD t-1 46 OTRAS TECNICAS DE PRONOSTICOS Caso: 5 Milo Inc. tiene un modelo de suavizado exponencial que ha proporcionado un pronóstico de sembrado de 103,500 hectáreas para un trigo de grado # 3 del año anterior, en el mes de junio, fue de 70,500 hectáreas. Esta cifra empleará como estimación de pronóstico más reciente obtenida mediante un suavizado exponencial doble. Dado que α = 0.20, parece ser un buen coeficiente de suavizado para Milo Inc., obtener un pronóstico con un modelo exponencial doble para el mes de julio. Sea: t = julio Entonces: FD1 = α F t + (1 – α)FD t-1 = 0.2(103,500) + (1 - 0.2)(70,500) = 20,700 + 56,400 = 77,100 El pronóstico para julio será de 77,100 hectáreas. 47 OTRAS TECNICAS DE PRONOSTICOS ERROR EN EL PRONOSTICO: MAD El error en el pronóstico es la diferencia numérica entre la demanda pronosticada y la real, es la medida que nos indica la efectividad al utilizar alguno de los métodos de pronóstico. La desviación media absoluta (MAD) es una medida de error de suma importancia y se expresa de la siguiente forma: 1 48 OTRAS TECNICAS DE PRONOSTICOS ERROR EN EL PRONOSTICO: En cada uno de los periodos (i) se compara la demanda actual contra la pronosticada. Si la predicción fue perfecta lo que significa que lo actual es igual a la predicción, el error es nulo. Como el pronóstico sigue, el grado de error se acumula y se registra período a periodo. El MAD es un promedio de las desviaciones absolutas esto quiere decir que los errores son medidos sin tomar en consideración el signo algebraico, el MAD sólo expresa la dimensión pero no la dirección del error. La desviación media absoluta suavizada (SMAD) puede emplearse para calcular la desviación estándar. La relación se representa como: σe = 1.25 MAD 49 OTRAS TECNICAS DE PRONOSTICOS ERROR EN EL PRONOSTICO: SESGO El sesgo es una medida de error que se utiliza con menor frecuencia. A diferencia de MAD, el sesgo indica la tendencia direccional de los errores de predicción. Si el procedimiento de predicción sobreestima constantemente la demanda actual, el sesgo tendrá un valor positivo; si la subestimación muestra una tendencia constante, entonces el sesgo tendrá un valor negativo. 50 OTRAS TECNICAS DE PRONOSTICOS Caso: 6 Una máquina para extrusión de aluminio pronostica que la demanda de cabezas para regaderas de baño es de 500 por mes para cada uno de los tres meses próximos. Posteriormente la demanda real resulto ser de 400, 560 y 700. Los errores de predicción son calculados a continuación por los métodos de la MAD y el sesgo. = 120 = -53 51 OTRAS TECNICAS DE PRONOSTICOS Caso: 6 Del resultado de la MAD se puede decir que la empresa no cuenta con un modelo muy preciso ya que la MAD es una medida de la precisión global del método de pronóstico, el error absoluto promedio es alto ya que representa el 24 % (120 / 500) del número de cabezas para regadera. El sesgo indica la tendencia sub o sobreestimada. En el ejemplo se subestimó la demanda actual en 53 unidades, pues el promedio de ésta es de 553 unidades: 553 = (400 + 560 + 700)/3. 52