Motivación. Motivación PRONOSTICOS DE DEMANDA

Transcripción

1 4 PRONOSTICOS DE DEMANDA Dr. Jorge Ibarra Salazar Profesor Asociado Departamento de Economía Tecnológico de Monterrey Motivación Estudio de los métodos para pronosticar las ventas a partir de datos observados. Los pronósticos se utilizan en: Proceso de planeación Planes de producción Inventarios Distribución Planes de expansión (capacidad) Motivación Fundamentos: Estimación de la demanda Análisis de series de tiempo Estadística: Análisis de regresión Inferencia 1

2 Métodos de Pronóstico Métodos cualitativos: No existe un modelo explícito que pueda ser replicado Puede tomar como base factores subjetivos Con base en opinión de expertos Métodos cuantitativos: Emplean modelos explícitos que pueden ser replicados Estándares bien establecidos para evaluar su precisión Se pueden hacer simulaciones Se dividen en: Modelos de series de tiempo Análisis de regresión Métodos de suavización Modelos econométricos Contenido Métodos cualitativos Métodos cuantitativos Series de tiempo Estacionalidad Modelos econométricos Evaluación de Pronósticos Ejemplo Métodos Cualitativos El especialista combina los datos a su disposición con su conocimiento de la industria y la empresa para ponderar tal información y producir un pronóstico. La información disponible se puede usar como un barómetro para predecir los cambios en ventas de la empresa. 2

3 E M M J S N E M M J S N E M M J S N E M M J S N E M M J S N E M M J S N E M M J S N E M M J S N E M M J S N E M M J S N E M M J S N E M M J S N E M M J S N E M M J S N E M M J S N E M M J S N E M M J S N E M M J S N E M M J S N E M M J S N E M M J S N E M M J S N E M M J S N E M M J S N EF E M M J S N E M M J S N E M M J S N E M M J S N E M M J S N E M M J S N E M M J S N E M M J S N E M M J S N E M M J S N E M M J S N E M M J S N E M M J S N E M M J S N E M M J S N E M M J S N E M M J S N E M M J S N E M M J S N E M M J S N E M M J S N E M M J S N E M M J S N E M M J S N EF Métodos Cualitativos La información disponible en México. Indicador compuesto coincidente Indicador compuesto adelantado La encuesta de Banxico Sistema de Indicadores Compuestos: Coincidente (Índice Desestacionalizado, Base 1993 = 100) Sistema de Indicadores Compuestos: Adelantado (Índice Desestacionalizado, Base 1993 = 100) (-7) (-9) (-7) (-2) (-4) (-2)

4 Series de Tiempo Emplean datos de la variable a través del tiempo. Ventas = f (tiempo) Elementos de una serie de tiempo: Tendencia Ciclos Estacionalidad Irregular Series de Tiempo: Tendencia El modelo de tendencia lineal es el modelo más simple: Q t = a + b t Los parámetros a y b se pueden estimar por OLS. Este modelo supone que el comportamiento de las ventas es lineal en el tiempo. a es el valor de las ventas cuando t = 0. b = ÄQ / Ät, es el cambio absoluto de las ventas con el paso del tiempo. La prueba de significancia estadística para el parámetro b sirve para probar si las ventas presentan evidencia estadística de tendencia Figure 7.3 Series de Tiempo: Tendencia ^ ^ 4

5 Series de Tiempo: Tendencia Terminator Pest Control Pequeña compañía de control de plagas Para obtener un crédito, el banco pidió al dueño realizar un pronóstico para tres meses. Se cuenta con datos mensuales Jan02 a March03 (15). Figure Series de Tiempo: Tendencia Terminator Pest Control Pronóstico para Abril (16), Mayo (17) y Junio (18) 2003 Q = t R 2 = t Q Series de Tiempo: Tendencia La ecuación estimada es: Q = t Los pronósticos Apr03: Q = (16) = 119 May03: Q = (17) = Jun03: Q = (18) =

6 Las series de tiempo pueden presentar variaciones estacionales o ciclos a través del tiempo. Incorporando tales variaciones en el método de pronóstico mejora su precisión. Figure 7.5 Las ventas presentan tendencia, pero también en el cuarto trimestre las ventas se ubican consistentemente por encima de la tendencia. Hay un desplazamiento de la tendencia en el cuatro trimestre. 6

7 Figure 7.6 Para incorporar en el modelo el efecto de la estacionalidad podemos usar variables dummy: Q t = a + b t + c D D es una variable dummy que toma el valor de 1 en el cuarto trimestre y 0 en cualquier otro caso. (Ver Tabla 7.1, p. 275) Q t = a + b t + c D El pronóstico para el cuarto trimestre Q t = (a + c) + b t El pronóstico para cualquier otro trimestre Q t = a + b t 7

8 Si los efectos estacionales en cada trimestre fueran diferentes: Q t = a + b t + c 1 D 1 + c 2 D 2 + c 3 D 3 Statewide Trucking Company Pronosticar ventas para los cuatro trimestres del año. Datos en Tabla 7.2 La ecuación estimada será: Q t = a + b t + c 1 D 1 + c 2 D 2 + c 3 D y = 3.95x R 2 = I II III IV 1999 I II III IV 2000 I II III IV 2001 I II III IV

9 R-SQUARE VARIABLE PARAMETER STANDARD T ESTIMATE ERROR RATIO INTERCEPT T D D D Hay evidencia de que las ventas en I, II y III son menores que en IV. Pronósticos: Q I = a + b (17) + c 1 (1) + c 2 (0) + c 3 (0) = 116,375 Q II = a + b (18) + c 1 (0) + c 2 (1) + c 3 (0) = 130,125 Q III = a + b (19) + c 1 (0) + c 2 (0) + c 3 (1) = 129,635 Q IV = a + b (20) + c 1 (0) + c 2 (0) + c 3 (0) = 194,375 Modelos Econométricos Aplican modelos estructurales para explicar las relaciones entre las variables. Ventajas: Define relaciones causales Elasticidades de las ventas con respecto a variables independientes Se requieren pronósticos de las variables independientes 9

10 Modelos Econométricos Q = a + bp + cm + dp R El modelo se puede estimar por OLS Para pronosticar las ventas se requieren valores pronosticados para P, M y P R. Evaluación de Pronósticos Desviación media absoluta (MAD) e t = residual del período t = Y t - F t MAD = e t / n n = número de observaciones Suma del cuadrado de los errores (MSE) MSE = ( e t 2 )/ n Evaluación de Pronósticos Mean absolute percent error (MAPE) MAPE = e t /Y t / n 10