CAPITULO 2 PRONOSTICOS Hacer un pronóstico, es hacer un proceso de estimación de un acontecimiento futuro, a partir de una información de tipo histórica, normalmente de tipo matemática, y/o de tipo referencial de apreciaciones, estimaciones y conocimientos, sobre un determinado campo de acción. Dependiendo de cuál sea la base específica en que se fundamente un pronóstico, se puede tener la siguiente clasificación: Predicción, Proyección. Proyección. Significa que los datos del pasado se combinan sistemáticamente en forma predeterminada, para hacer estimaciones del futuro. Se utilizan métodos estadísticos, planteando la hipótesis que a futuro se repetirán las mismas condiciones que explican los resultados obtenidos en el pasado. Predicción. Es un proceso de estimación de un suceso futuro, basándose en consideraciones subjetivas diferentes a los simples datos provenientes del pasado. estas consideraciones subjetivas no necesariamente deben combinarse en una manera predeterminada. Por lo tanto lo importante dentro de un proceso de pronóstico, es tener presente de no "sumergirse" dentro de la técnica y perder de vista razones de tipo subjetiva, que en un determinado momento pueden ser de mayor importancia. La importancia básica de pronóstico es de ser un eslabón que se une a la etapa de Planificación y Control de un sistema. Es necesario estimar un futuro para planear el sistema, luego programar y controlar éste, para facilitar una eficaz y eficiente producción de bienes y/o servicios. información más reciente sobre la demanda y la producción Pronóstico de la demanda para las operaciones Planeacion del sistema (diseño) Diseño del producto Diseño del proceso Inversión y reemplazo Planificación de la capacidad Programación del sistema Planificación agregada de la producción Control del sistema Control de la producción Programación de las Operaciones Produccion de bienes y servicios ANÁLISIS DE COMO SE RELACIONA EL PRONOSTICO DE LA DEMANDA EN EL SISTEMA PRODUCTIVO RESUMEN DE LAS TECNICAS REPRESENTATIVAS 2 DE PRONOSTICOS La existencia de una variada gama de herramientas, tanto cuantitativas como cualitativas, de apoyo para la Formulación de Pronósticos, hace necesario hacer una clasificación y recomendación de cuándo utilizar una u otra técnica. La utilización de los métodos cualitativos, básicamente es recomendable en Planificación Estratégica a largo plazo, donde las decisiones básicamente son acerca de comprometer los recursos en instalaciones fijas (tipo y tamaño de instalaciones). Por lo tanto es información necesaria es de tipo agregada. Un hecho básico que impide la utilización de los otros métodos, es que nada asegura que lo ocurrido en el pasado se repita a futuro. Los modelos de tipo cuantitativo, como ser de análisis de series de tiempo y métodos causales, se emplean en una gran diversidad de sistemas de planeación. Así son validos especialmente para Planificación Agregada, donde es posible usar información de tipo estadístico. MÉTODOS CLASIFICACIÓN Cualitativos Predicción Método Delphi Técnicas Nominal Cuantitativos Proyección de Preguntas hechas a un grupo de expertos para recoger información Grupo Reunión de expertos a los cuales se les formula preguntas que son respondidas por escrito y comentadas posteriormente Series de Tiempo Suavizamiento Exponencial Cuantitativos Causales DESCRIPCIÓN BÁSICA Análisis de Regres. Análisis Económ. Analiza los datos del pasado, para predecir el futuro planteando algún tipo de hipótesis. Toma la información reciente de ocurrencia y proyecta a futuro el comportamiento de la variable utilizando coeficientes. Describe una relación funcional entre variables. Proporciona un pronóstico en base a estimadores MODELOS DE PRONOSTICOS UTILES PARA LAS OPERACIONES Los modelos utilizados en los métodos cuantitativos (proyección), basados en lo que se conoce como Series de Tiempos, postulan la existencia de 5 de patrones de comportamiento posibles de la demanda dentro de un cierto periodo - componente medio u horizontal - componente aleatorio - componente de tendencia - componente de estacionalidad - componente cíclico Por lo tanto la demanda puede ser pronosticada como una función de tipo: D = f (aleatoriedad; Media; tendencia; estacionalidad, ciclicidad;) 2 3 a) Componente de aleatoriedad en la demanda Se manifiesta por la erraticidad del comportamiento de los datos en torno a los otros componentes ya descritos. b) Componente Medio u Horizontal Este patrón de comportamiento existe, cuando no existe o no hay tendencia de ningún tipo en los datos, o cuando su valor no tiende a aumentar o disminuir en forma sistemática. componente aleatorio media = S V(t)= S + Aleatorio c) Modelo de componente de tendencia de la demanda La tendencia existe cuando los datos muestran una variación positiva o negativa sostenida en el tiempo. tendencia positiva aleatoriedad V(t) = S(t)+ As ; V(t) = Sto+R(t-to)+As d) Componente estacional de la demanda. Existe estacionalidad cuando los datos fluctúan de acuerdo a un factor estacional (menor de un año). V(t)= S(t)*F(t)+As e) Componente de ciclicidad de la demanda. 3 4 Al igual que la estacionalidad la ciclicidad existe cuando los datos varían de acuerdo a un patrón cuya periodicidad es mayor que un año, por o tanto difícil de prever. Su origen puede ser debido a: - obsolescencia del producto - modificaciones en el comportamiento de la masa consumidora - modificaciones de la estructura del mercado Finalmente la demanda de un producto puede variar debido a la existencia de los diferentes componentes identificados. MODELO GENERAL DE HACER UN PRONOSTICO Como se indicó, la base de un buen pronóstico radica en considerar en forma conjunta todos los modelos, y a partir de ahí lograr un resultado. Un modelo gráfico de lo anterior se postula en la siguiente figura: Demanda Factores de relacionamiento causa / efecto Datos Históricos Análisis de datos Análisis de factores cualitativos subjetivos Proyección de la demanda impacto Pronóstico de la demanda Del gráfico anterior se puede decir con certeza que el pronóstico de la demanda no puede ser hecho en base a una relación matemática pura, lo más razonable es formular un pronóstico considerando tanto la parte matemática (proyección), como la parte cualitativa. ( predicción). Medidas de la calidad de una proyección. El uso de las distintas técnicas de pronosticar la demanda produce resultados distintos al ser aplicado a un mismo conjunto de datos. La razón básica es que algunos modelos son más apropiados para algunas casos que otros, por lo tanto, dependerá del comportamiento de la demanda. (su patrón de comportamiento). 4 5 Se definen una variable que permite medir la bondad de un determinado pronóstico. Error del pronóstico: Es la diferencia entre la demanda pronosticada y la real. Pronosticada et = Dt - Dt real En la mayoría de los casos se encuentra que la distribución del error tiene componente normal. media de este valor debería ser cero. La Así en algunos períodos el error será (+) y en otro (-) que al sumarse se tendrá un efecto de cancelación, si no es así se tendría un error sistemático lo cual indicaría una falla del método del pronóstico. Así se necesita un indicador ≠ de 0 y este es el MAD ó desviación media absoluta (DMA). MAD Explicita la dimensión del error pero no la di rección. n MAD = ∑ et t =1 −−−−−−−−−−−− n Otro criterio es el sesgo, que se define como la suma de los errores algebraicos ó error medio n = Sesgo = n ∑ et t =1 −−−−−−−−− n A diferencia de MAD el sesgo indica la tendencia direccional de los errores de la predicción. Pronóstico > Demanda == Indica que se tiene un Sesgo positivo Pronóstico < Demanda == Indica que se tiene un Sesgo negativo Ej. Una fábrica de muebles estimo que la demanda de “cucuruchos” para los próximos 3 meses, será de 500 unidades, posteriormente la demanda real resulta 400, 500, 700. Los errores del método se calculan a través de MAD y Sesgo. Mad = Sesgo = 500 − 400 + 500 − 560 + 500 − 700 3 = 100 + 60 + 200 = 120unidades ( 500 − 400 ) + 500 − 560 ) + ( 500 − 700 ) = − 53 unidades 3 El valor medio de la demanda es = MAD es medida de precisión global del método, 21% que se evalua como 120/553. 400 + 560 + 700 = 553 3 y aquí el método es muy malo, existe un error del Sesgo: indica que se subestimó la demanda real en un 9,6% ya que el promedio fue de 553 y se obtuvo un sesgo de – 53 unidades. La subestimación sale de evaluar –53/553= 9,6%. Lo ideal es que MAD y sesgo sean iguales a cero. 5 6 MODELOS DE PRONOSTICO MEDIANTE TECNICAS DE PROYECCIÓN Modelos básicos de Promedios: La base es que estima el valor medio de la demanda pasada, este promedio se usa como pronóstico. Hay diversas formas de calcular un promedio. a) PROMEDIO SIMPLE: Es un promedio de los datos del pasado en el cual las DEMANDAS de todos los períodos anteriores tienen el mismo peso relativo. En consecuencia existe una hipotesis de permanencia. PS = Suma de todas las demandas/ numero de períodos. PS = (D1 + D2 + D3 + ........... + Dn) /n 1) 2) 3) Todas las demandas pasadas tienen un mismo peso. El modelo subyacente calculado bajo este método, es que existe una permanencia. Si existe cambio en el tiempo este no es detectado. N es el numero total de datos disponibles b) MEDIA MOVIL SIMPLE (MMS): Combina datos de demanda de un número determinado de los períodos más recientes siendo su promedio el pronóstico para el período siguiente. MMS : donde n es el n° de períodos considerados : MMS = n ∑ Dt t =1 −−−−−−− n Dado que al aplicarse el modelo en distintos períodos, el promedio se mueve dado que se elimina la demanda más antigua y se agrega el último período. Ej.: La empresa muebles "Paloduro" ha experimentado la siguiente demanda por mesas durante los 6 últimos meses. Septiembre Octubre Noviembre Diciembre Enero Febrero 200 300 200 400 500 600 El gerente pide un pronóstico usando media movil de 6 y 3 períodos para estimar la venta de marzo. MMS = 200+300+200+400+500+600 = 367 (6) MMS = 400+500+600 = 500 (3) En el ejemplo anterior quizas la MMS para 3 períodos, quizas sea el mejor modelo, ya que el valor pronosticado, es más cercano a la realidad. 6 7 Nota: El número de período, da el número de orden del modelo. c) MEDIA MOVIL PONDERADA Cuando se hace un pronóstico, a veces interesa una ponderación mayor para los último períodos. CT = Coef. de Ponderación = Este coeficiente de ponderación tiene un valor de 0 ∠ Ct ∠ 1 y la sumatoria ∑ Ct = 1 Así en el ejercicio del caso anterior tenemos los siguientes valores. C1 = 0,25 C2 = 0,25 C3 = 0,5 MMP = 0,25 * 400 + 0,25 * 500 + 0,5 * 600 = 525 Así la estimación del pronóstico me indica que el valor esperado de venta es 525 unidades. La gracia del método es que me permite efectuar compensaciones para alguna TENDENCIA o ESTACIONALIDAD. Finalmente la verificación de cual método es mejor se obtiene a través del cálculo de errores y sesgo correspondiente y finalmente se compara para las diferentes técnicas. II Métodos de Suavizamiento exponencial Estos métodos son populares por 2 razones básicas. a) Existen paquetes computacionales para manejarlos. b) Los modelos requieren relativamente pocos se requieren manejar varios artículos. datos para manejar, lo cual es importante cuando La base es que los pesos o coeficientes de valor para la información histórica reciben una ponderación de tipo exponencial, así la información más reciente puede recibir mayor o menor peso que la antigua. Esta distribución de "pesos" relativos depende del coeficiente de suavizamiento exponencial cual varía de o ∠ α ≤ 1. el Cuando utilizar estos métodos. • • • • Horizonte de pronóstico relativamente costo Cuando existe poca información acerca de causa efecto (de lo contrario se utiliza modelos de regresión). Existe un pequeño esfuerzo para pronóstico. La actualización de pronóstico se logra fácilmente se necesita datos de la Empresa. a) MÉTODO DE SUAVIZAMIENTO EXPONENCIAL DE PRIMER ORDEN La ecuación para crear un pronóstico nuevo utiliza 2 fuentes de información. 7 8 a) La demanda real para el período más reciente. b) El pronóstico más reciente. Este modelo básico es válido para una tipo hipotesis donde no existe ni TENDENCIAS, ni ESTACIONALIDAD DE DATOS. Ft = α * D t −1 + (1 − α ) * Ft −1 Donde: Ft =Pronostico para el período t Dt-1= Demanda real para el período t – 1 Ft-1= Pronóstico para el período t. ¿Porque se llama suavizamiento exponencial.? Ft = α * Dt −1 + (1 − α ) * Ft −1 Para el período de t-1 se tiene que Ft −1 = α * Dt − 2 + (1 − α ) ∗ Ft − 2 Reemplazando en la anterior se tiene que: Ft = α * Dt −1 + (1 − α ) * [α * Dt − 2 + (1 − α ) * Ft − 2 ] = α * Dt −1 + (1 − α ) * α * Dt − 2 + (1 − α ) 2 * Ft − 2 Siguiendo el mismo procedimiento n veces se tiene que Ft = α * (1 − α )0 * Dt −1 + α * (1 − α )1 * Dt − 2 + α * (1 − α ) 2 * Dt − 3 + ........α * (1 − α )t * D0 Como o ≤ α ≤ 1, y los valores de α * (1 − α ) 2 , α * (1 − α )3 son cada vez menores, por lo tanto su impacto es exp onencialmente menor. Ejemplo: Una fábrica de tubos tiene la información de los 2 últimos períodos de operación. MES 1 MES 2 500 700 Se desea saber cual debiera ser el nivel de operación en el mes 3. Se sabe de estadísticas manejadas de períodos anteriores que el pronóstico para el mes 1 fue de 550 unidades. Determine de cual sería el pronóstico en el mes 3 sabiendo que el coeficiente α = 0,7. 8 9 a) El pronóstico para el mes 2 es: F2 = 0,7 * D1 + (1 − α ) * F1 F2 = 0,7 * 500 + (1 − 0,7) * 550 F2 = 350 + 165 = 515 F2 = 515 Por lo tanto para el mes 3 es: F3 = 0,7 * D2 + (1 − α ) * F2 F3 = 0,7 * 700 + (1 − 0,7) * 515 F3 = 644 En consecuencia si α es aproximado a 1, se da mucho valor a los últimos datos, con lo cual el pronóstico se acerca o trata de seguir los últimos acontecimientos. Si α es aproximado a un valor 0, se tiene una mayor importancia a los períodos antiguos. En consecuencia para: α aproximado a 1, F( t ) tiende a un valor Dt α aproximado 0, F( t ) tiende a Ft −1 Incorporación de tendencia y estacionalidad Cuando existe o se plantea un supuesto de tendencia o estacionalidad son válidos los modelos con coeficiente α de segundo orden. En ese caso la ecuación se transforma en un modelo de: Ft 2 orden = Pr onostico de segundo orden para el período t. Ft = Pr onostico simple para el período t. Ft −1 = Pr onostico de segundo orden del período t − 1 En consecuencia lo que se está haciendo es adicionar a la permanencia la estacionalidad y eso es logrado corrigiendo la ecuación anterior. Ej. Se tiene la información que la demanda de paraguas para el mes de junio, fue de 500 unidades, se sabe además, que el pronóstico para ese mes, fue de 4500 (u) y el año anterior la demanda había sido de 4900 para ese mismo mes. Se quiere saber ¿cual es el pronóstico de la demanda para el mes de julio del presente? Se sabe que α = 0,85. Solución: 9 10 De alguna forma, el dato dado para el año anterior, que fué de 4900 unidades me permite saber una tendencia, ese valor lo puedo asumir como un valor de segundo orden. Ft = α * Dt + (1- α) * Ft-1 Ft = 0,85 * 5000 + (1-0,85) * 4500 Ft = 4250 + 675 = 4925 Para el pronostico de segundo orden Ft 2 orden = α * Ft + (1 − α ) * F 2 orden mes año anterior. F2 orden = 0,85 * 4925 + (1-0,85) * 4900 = 4186 + 735 = 4921 SELECCION DE PARAMETRO DE Considerando que no sabemos en primer instancia el valor que pueden asumir α, qué criterio de selección permite determinar dicho valor. Método de determinar el valor α: a) d) Se dividen los datos en 2 grupos i) Grupo de ajuste ii) Grupo de prueba Seleccionar una medida del error que permita evaluar. Por ejemplo MAD y Sesgo. Se prueban valores de α para el primer grupo. Para esa situación se determinan las diferencias y errores al comparar los D reales con pronosticos. Se elige el mejor α , que de el error mínimo. e) Utilizando el mejor α comparar los valores con los datos del otro grupo. b) c) Zona de Ajuste Zona de Prueba o de Predicción Factores a considerar en la Selección de un Modelo de Pronóstico En la selección de un modelo de pronóstico intervienen una serie de factores entre los cuales se debe tener presente. a) Sofisticación de usuario y del sistema. La gracia del modelo debe ser tal que sea tan simple y sea entendido por quien toma la decisión. Yo no puedo llegar con algo que nadie entiende. b) Tiempo y recurso disponible. Un hecho básico es tener presente el tiempo disponible y la forma como están los datos. c) Uso o caracteristica de la decisión. Dependiendo de la decisión, si por ejemplo existe una decisión de niveles de inventario serán necesarias metas a corto plazo y por lo tanto muy exacto. 10 11 En cambio si es una decisión de largo plazo (LP) omo dimensionamiento de capacidad, se deberá tener una exactitud menor aceptando una mayor varianza √. d) Disponibilidad asociada a la existencia de información. LCA/itm. Concepción, Noviembre de 2000. 11