2 Pronóstico Pronósticos Es una estimación cuantitativa o cualitativa de uno o varios factores (variables) que conforman un evento futuro, con base en información actual o del pasado Administración de Operaciones Maestría en Ciencias en Administración Otoño 26 1 Porqué? 3 Factores Controlables 4 La empresa se mueve en un contexto altamente incierto. Política, tecnología y medio ambiente repercuten sobre variables relevantes para la empresa: costos de producción, inventarios, volumen de ventas La empresa debe tomar decisiones sobre Factores Controlables tomando en cuenta Factores Incontrolables. Aquellos sobre los cuales la empresa decide su estructura, niveles, política y modo de operar: Niveles de producción Niveles de inventario Capacidad Factores Incontrolables 5 Objetivo 6 Aquellos sobre los cuales la empresa no puede decidir ni modificar: dependen de factores externos a la empresa Demanda del producto Competencia Economía Comportamiento del consumidor Reducir la incertidumbre del futuro, mediante la anticipación de eventos cuya probabilidad de ocurrencia sea relativamente alta, respecto a otros eventos posibles. 1
Clasificación de Pronósticos 7 Clasificación de Pronósticos 8 Por horizonte de planeación: LARGO PLAZO: inversión en capital, localización de planta, nuevos productos, expansión, crecimiento del mercado, tecnología MEDIANO PLAZO: tamaño de la fuerza de trabajo, ciclicidad de la demanda, requerimientos de capacitación CORTO PLAZO: frecuencia de pedidos, demanda, niveles de inventario requeridos Por áreas de la empresa MERCADOTECNIA: crecimiento del mercado, pronósticos económicos y poblacionales PRODUCCIÓN: programas de expansión, pronóstico de la demanda a mediano y largo plazo FINANZAS: presupuesto de gastos, ventas del próximo año Clasificación de Pronósticos 9 Técnicas Cualitativas 1 Por tipo de datos CUALITATIVAS: técnicas subjetivas. Utilizan información cualitativa (experiencia de expertos). CUANTITATIVAS: se basan en datos numéricos y utilizan herramienta matemática y estadística para su elaboración. La misma técnica usada por dos expertos distintos puede producir resultados diferentes Investigación de mercados Analogías históricas Método delphi Consenso general Impacto cruzado Análisis de escenarios Investigación de Mercados 11 Analogías Históricas 12 Obtener información acerca del comportamiento real del mercado, mediante encuestas dirigidas al público consumidor o a partir de la experiencia de vendedores, para concluir sobre el comportamiento futuro. Se fundamenta en un análisis comparativo de casos similares al que se estudia. Trata de reconocer patrones de similitud para sacar conclusiones y obtener un pronóstico: productos similares producto en otros mercados, etc. 2
Método Delphi 13 Método Delphi 14 Pretende llegar a un consenso a través de la opinión de expertos, evitando la confrontación de los mismos, ya que no existe una interacción directa entre los participantes. Estos expresan libremente sus opiniones. Los expertos responden un cuestionario Se obtiene la media y desviación de cada pregunta. Se pide justificar respuesta a aquellos que se encuentran fuera del rango de dos o mas desviaciones, sobre la media de cada pregunta. Se pasa esta opinión a todos los participantes y se vuelve a aplicar el cuestionario Método Delphi 15 Consenso General 16 El proceso se repite hasta lograr un consenso en las diferentes preguntas o hasta identificar subgrupos de opiniones Con la información obtenida se procede a la toma de decisiones. Se reúne a un grupo de expertos A partir de una lluvia de ideas se establecen discusiones hasta llegar a un acuerdo que refleje el sentir de la mayoría Impacto Cruzado Desarrollar una matriz para estudiar los efectos de diversos factores sobre la probabilidad de ocurrencia de un evento, así como el impacto que esta pueda tener en otra serie de eventos. 17 Impacto Cruzado Determinar los eventos a incluirse en el estudio Estimar la probabilidad inicial de cada evento y la probabilidad condicional de cada par de eventos Seleccionar eventos en forma aleatoria y calcular su repercusión sobre los demás eventos como resultado de la ocurrencia o no del evento elegido. 18 3
19 2 Análisis de Escenarios Técnicas Cuantitativas Describir diferentes escenarios futuros posibles (mas probable, probable, poco probable) considerando factores que los determinen (cambios en la población, inflación, variación de la demanda) para reconocer las implicaciones a largo plazo de los cambios posibles. INFORMACIÓN: Requieren de datos históricos de las variables involucradas SUPUESTO: El patrón histórico de las variables seguirá siendo válido en el futuro analizado 21 22 Técnicas Cuantitativas Etapas de un Pronóstico Extrapolativas Ajustes de curvas y métodos de suavización. Los patrones observados en el pasado se proyectan al futuro Análisis de series de tiempo Métodos de descomposición (autorregreción, integrados y promedios móviles) Modelos causales Modelos econométricos (regresión) Definir el propósito Recolectar datos fuentes primarias o secundarias Preparar los datos ordenar y clasificar Seleccionar la técnica adecuada Ejecutar el pronóstico estimar errores Dar seguimiento confrontar con información actual Selección de la Técnica Adecuada 23 Tipos de Datos 24 Facilite la toma de decisiones en el momento adecuado Que sea entendida por el que toma las decisiones Pase un análisis costo-beneficio Cumpla con las restricciones del sistema: tiempo disponible, datos, disponibilidad de cómputo. Cumpla con los criterios de: precisión, estabilidad, objetividad Observados en un momento preciso del tiempo: un día, una hora, una semana, etc. Ejemplo: observar una característica en una muestra de productos para controlar calidad, ingreso de la población, grado de escolaridad de empleados, etc. Objetivo: extrapolar a toda la población las características de la muestra 4
Tipos de Datos 25 Patrones o Componentes de una Serie de Tiempos 26 Series de tiempo: una sucesión cronológica de observaciones de una variable a intervalos iguales de tiempo. Ejemplo: ventas trimestrales de los últimos 5 años, desempleo en los últimos años, precio de un producto en el tiempo, etc. Objetivo: analizar patrones del pasado que puedan extrapolarse al futuro. Tendencia componente de muy largo plazo Ciclicidad componente de largo plazo Estacionalidad componente de corto plazo Factor aleatorio componente de muy corto plazo 27 28 Tendencia Componente de muy largo plazo que representa el crecimiento o decrecimiento de los datos en un período extendido. Fuerzas que afectan y explican tendencia: Crecimiento de la población Inflación Ventas de un producto en su etapa de crecimiento en el ciclo de vida Tendencia: ventas de SEARS (1955-1985) 5 4 3 2 1 55 6 65 7 75 8 85 SEARS 29 3 Estacionalidad Estacionalidad Patrón de cambio que se repite año con año en el mismo número de períodos Fuerzas que afectan y explican estacionalidad: Períodos escolares Períodos vacacionales Productos de estación Estaciones del año 18 16 14 12 1 8 6 81 82 83 84 85 86 87 88 89 9 MURPHY 5
Ciclicidad 31 Ciclicidad 32 Fluctuación alrededor de la tendencia que se repite pero a intervalos distintos y con amplitudes distintas Fuerzas que afectan y explican ciclicidad: Períodos de expansión y de recesión de la economía Ciclos económicos 4 35 3 25 2 15 1 6 65 7 75 8 85 9 VENTAS TENDENCIA Factor Aleatorio 33 Serie Aleatoria 34 Mide la variabilidad de una serie cuando los demás componentes se han eliminado o no existen Fuerzas que afectan y explican aleatoriedad: Cambios climáticos Desastres naturales Huelgas Hechos fortuitos 1 8 6 4 2 5 1 15 2 25 3 ALEA Serie Estacionaria 35 Serie Estacionaria 36 Serie cuyo valor promedio no cambia a través del tiempo Fuerzas que afectan y explican estacionariedad: Sistemas de producción con tasa uniforme Ventas de productos en su etapa de madurez en el ciclo de vida 1 8 6 4 2 85 86 87 88 89 9 91 92 VENTAS TENDENCIA 6
Serie Con Varios Patrones 37 Correlogramas 38 5 4 3 2 1 6 65 7 75 8 85 9 VENTAS CICLO TENDENCIA Una forma de saber si la serie tiene tendencia, estacionalidad, si es una serie aleatoria o una serie estacionaria es mediante la observación del correlograma. Correlograma: gráfica que muestra los coeficientes de autocorrelación de la serie Autocorrelación 39 Tendencia 4 Correlación de la serie con ella misma rezagada uno o varios períodos Si la serie tiene tendencia los coeficientes de autocorrelación son significativamente distintos de cero en los primeros rezagos y caen gradualmente a cero. 5 4 r k = Coeficiente de correlación de orden k Y i = Demanda en el periodo i 3 2 1 55 6 65 7 75 8 85 SEARS Serie de Diferencias 41 Estacionalidad 42 Para quitar la tendencia a la serie se usa el Método de Diferencias: se genera una nueva serie en la cual cada observación es la diferencia de la observación t y la observación t- 1 de la serie original. Dif t = Y t - Y t-1 18 16 14 12 1 8 6 81 82 83 84 85 86 87 88 89 9 MURPHY Si la serie tiene un patrón estacional el coeficiente de autocorrelación correspondiente a cierto rezago (4 si la serie es trimestral, 12 si es anual, etc.) es significativamente distinto de cero. 7
Estacionalidad 43 Serie Aleatoria 44 4 2 1 8-2 6-4 4-6 81 82 83 84 85 86 87 88 89 9 D(MURPHY) Quitando la tendencia a la serie Murphy (serie D(Murphy)), se observa una correlación significativamente distinta de cero en el rezago número 12 (observar que la serie es mensual) 2 5 1 15 2 25 3 ALEA Si la serie es aleatoria los coeficientes de autocorrelación son todos significativamente cero Serie Estacionaria 45 Técnicas Extrapolativas 46 5 4 3 2 1-1 55 6 65 7 75 8 85 SEARS DSEARS Los coeficientes de autocorrelación de una serie estacionaria son cero excepto para los dos o tres primeros rezagos Notación Y t : observación en el período t F t : pronóstico para el período t e t = Y t - F t : residuo en el período t Los residuos permiten observar que tan bueno es el modelo para pronosticar períodos pasados Medidas de Error 47 Medidas de Error 48 Sirven para evaluar la utilidad de una técnica de pronósticos, calculando una medida global de los residuos. RESIDUOS: la diferencia entre el valor real de la variable y el valor estimado por el modelo Las medidas de error se calculan sobre una rango de datos de prueba común (a todos los modelos) constituido por k observaciones históricas y realizando los pronósticos correspondientes con la técnica seleccionada 8
49 5 Medidas de Error SERIE DE VENTAS: ACME Error Medio (ME) Identifica sesgo Error Medio Absoluto (MAD) Distancia promedio Error Medio Cuadrático (MSE) Penaliza errores Grandes Error Medio Absoluto Porcentual Proporción del error Σ e ME = i k MAD = Σ e i k Σ (e i ) 2 MSE = k MAPE = Σ e i / y k OBS TRIM. 1 TRIM. 2 TRIM. 3 TRIM. 4 1984 5. 35. 25. 4. 1985 45. 35. 2. 3. 1986 35. 2. 15. 4. 1988 55. 35. 25. 55. 1989 55. 4. 35. 6. 199 75. 5. 4. 65. 1991 85. 6. 45. 7. 1992 55. 4. 5. NA 1993 NA NA NA NA 1994 NA 51 52 MODELOS NAIVE MODELOS NAIVE: F t+1 = Y t Útiles cuando la información mas relevante es la de los períodos mas recientes. Modelo 1: F t+1 = Y t Modelo 2: F t+1 = Y t + (Y t - Y t-1 ) Modelo 3: F t+1 = Y t-3 Serie con tendencia y estacionalidad 1 8 6 4 2 85 86 87 88 89 9 91 92 93 ACME ACME1 ACME ACME1 5. NA 35. 5. 25. 35. 4. 25. 45. 4. 35. 45. 2. 35. 3. 2. 35. 3. 2. 35. 15. 2. 4. 15. 55. 4. 35. 55. 25. 35. 55. 25. 55. 55. 4. 55. 35. 4. 6. 35. 75. 6. MODELOS NAIVE F t+1 = Y t +(Y t - Y t-1 ) 53 MODELOS NAIVE: F t+1 =Y t-3 54 ACME ACME2 5. NA 35. NA 25. 2. 4. 15. 45. 55. 35. 5. 2. 25. 3. 5. 35. 4. 2. 4. 15. 5. 4. 1. 55. 65. 35. 7. 25. 15. 55. 15. 55. 85. 4. 55. 12 1 8 6 4 2 85 86 87 88 89 9 91 92 93 ACME ACME2 ACME ACME3 5. NA 35. NA 25. NA 4. NA 45. 5. 35. 35. 2. 25. 3. 4. 35. 45. 2. 35. 15. 2. 4. 3. 55. 35. 35. 2. 25. 15. 55. 4. 55. 55. 4. 35. 35. 25. 6. 55. 1 8 6 4 2 85 86 87 88 89 9 91 92 93 ACME ACME3 9
55 56 MEDIDAS DE ERROR Modelo de la Media Total ME MSE MAD MAPE MODELO1 3.737 2974.7 151.85.3548 MODELO2-1.8518 61759.26 29.25.489 MODELO3 24.74 14166.67 98.148.2427 Útil cuando la serie es estacionaria. Se obtiene del promedio de todas las observaciones históricas. El modelo 3 tiene menor medida de error excepto para me. Es el mejor modelo El modelo 1 tiene mejor me porque los errores se cancelan. No hay sesgo. No es el mejor modelo. F t+1 = Σ Y t n Modelos de Promedios Móviles (simples de orden 3) 57 Promedio Móvil de Orden 2 58 Se promedian solo las últimas observaciones. Un orden grande elimina los picos (suaviza). Un orden pequeño permite seguir muy de cerca los cambios de corto plazo. 1 8 6 4 F t+1 = Y t + Y t-1 + Y t-2 3 2 85 86 87 88 89 9 91 92 93 ACME MA(2) 59 6 Promedio Móvil de Orden 3 Promedio Móvil de Orden 4 1 1 8 6 8 6 4 4 2 2 85 86 87 88 89 9 91 92 93 ACME MA(3) 85 86 87 88 89 9 91 92 93 ACME MA(4) 1
Suavización Exponencial 61 Suavización Exponencial (α =.262) 62 Promedia los valores históricos hasta el período t, con ponderaciones que decrecen exponencialmente Incluye un parámetro alpha que define la velocidad de decaimiento Ft incluye las ponderaciones de observaciones anteriores F t+1 = α Y t + ( 1- α ) F t α 1 1 8 6 4 2 85 86 87 88 89 9 91 92 93 ACME FOR Suavización Exponencial Ajustada a la Tendencia 63 A t = αd t + (1-α)(A t-1 +T t-1 ) T t = β(a t -A t-1 ) + (1-β)T t-1 F t+1 = A t + T t A t = promedio suavizado de la serie T t =promedio suavizado de la tendencia α = parámetro de suavización para el promedio β = parámetro de suavización para la tendencia 11