LOGÍSTICA Capítulo 2: Valor de la Información Profesor: Juan Pérez R.
El Valor de la Información Antes, la logística se relacionaba solamente con el movimiento físico de materiales. En términos generales, una buena parte de las empresas ya optimizaron el flujo de materiales. Los mayores potenciales de mejora están en el manejo de la información, mirando no sólo al pasado, sino que al futuro. La logística debe integrar los procesos de planificación y forecasting, necesitando para esto integrar a los clientes y proveedores como socios en el intercambio de información.
El Valor de la Información Efectos de la información sobre las ventas en la Cadena de Suministro: Reducción de la variabilidad en la Cadena de Suministro, al mejorar los pronósticos de los proveedores incluyendo información de promociones y cambios en el mercado. Ayuda a coordinar los sistemas y estrategias de manufactura y distribución. Ayuda a los negocios a reaccionar y adaptarse más rápido a problemas en el suministro. Ayuda a reducir los tiempos de reposición. Ayuda a los negocios a ubicar productos difíciles.
Beer Game
Evolución de Inventarios vs. Demanda Botillería Grupo 1 2010
El Efecto Látigo Definición: La variación en la demanda, en general, se amplifica significativamente hacia atrás en la cadena Retailer Lead Time Órdenes Lead Time Entrega Wholesaler Lead Time Órdenes Lead Time Entrega Distributor Lead Time Órdenes Lead Time Entrega Fábrica Simchi-Levi, Designing and Managing the Supply Chain. Lead Time Fabricación
La variabilidad en la Red Logística Fuente: G. Cánepa, Logistics and Supply Chain Management Compartiendo Información
Porqué se produce el efecto látigo? 1. Pronósticos de Demanda: Efecto del pronóstico y variabilidad 2. Lead Time: A Mayor Lead Time mayor variabilidad 3. Volúmenes de las órdenes: Órdenes en Batch con pedidos muy grandes y a veces no hay pedidos 4. Variaciones de Precios: Piden más a precios bajos, efecto de promociones 5. Escasez: Ante la espera de escasez se incrementan órdenes
Herramientas para disminuir el Efecto Látigo 1. Reducir Incertidumbre compartiendo información 2. Mejorar Pronósticos de Demanda 3. Definir Políticas de Inventario en función del conocimiento de la demanda 4. Reducir Lead Time de Órdenes 5. Reducir Lead Time de Entrega 6. Alianzas Estratégicas 7. Flexibilidad de la Producción
Herramientas para disminuir el Efecto Látigo 1. Reducir Incertidumbre compartiendo información 2. Mejorar Pronósticos de Demanda 3. Definir Políticas de Inventario en función del conocimiento de la demanda 4. Reducir Lead Time de Órdenes 5. Reducir Lead Time de Entrega 6. Alianzas Estratégicas 7. Flexibilidad de la Producción
Pronóstico de Demanda Conceptos preliminares El pronóstico de la demanda consiste en hacer una estimación de nuestros futuros eventos para un periodo de tiempo determinado. El realizar el pronóstico de la demanda, nos permitirá elaborar nuestra proyección de estos futuros eventos y provisionar dinero o capacidad para ellos. Métodos: Análisis de Registros Históricos Demanda potencial y porcentaje de captación Investigación de mercado
Pronóstico de Demanda Qué veremos? Introducción Pronóstico de Demanda: Usos y Características Tipos de Pronóstico de Demanda Cualitativos Cuantitativos Errores de Pronóstico Estimación Bajo Incertidumbre
Rol de la Demanda Caso Wal-Mart Base de Datos: 35 terabytes Datos propios y de competidores, por producto, por tienda y por día. El sistema cuenta cada punto de venta, en cada tienda, el nivel de inventario, los productos en tránsito, estadísticas de mercado, demográficas, financieras y de desempeño de productos. La data es utilizada para analizar tendencias, manejar inventario y comprender el comportamiento de los consumidores Sistema de Predicción de Demanda entrega 100.000 Predicciones de Venta de Productos en las tiendas
Rol de la Demanda Caso de Planificación de Redes Móviles: 42 millones de puntos potenciales de demanda Objetivo: Mejorar el Desempeño de la Red y Encontrar Nuevos Sitios Potenciales de Transmisión Método: (Gaussian Mixture Model by Expectation-Maximization) GMM-EM mejorado, con test de Williams.
Rol de la Demanda Caso de Ubicación Óptima de Supermercados: Data: Censo 2002, encuesta de hábitos de compra Modelos Aplicados: Demanda Gravitacional, Logit Multinomial, Modelos de máxima cobertura.
Cómo definimos demanda? Cantidad de bienes o servicios que el consumidor está dispuesto a adquirir a un precio dado y en un lugar establecido Saber cual será la demanda permite usar con eficiencia el sistema productivo y entregar el producto a tiempo Dos fuentes básicas de demanda: Demanda Dependiente Demanda Independiente Respecto a la demanda independiente: Adoptar papel activo Presionar a fuerza de venta, subir/bajar precios, crear campañas, etc. Adoptar papel pasivo Porque la empresa funciona a toda capacidad, o es la única en el mercado, razones legales, éticas, etc.
Pronóstico de Demanda Los pronósticos de demanda son vitales para toda organización de negocios Planeación de presupuesto y control de costos Productos nuevos Compensaciones al personal Selección de procesos Distribución de instalaciones Planeación de producción Programación Inventario
Pronóstico de Demanda El pronóstico es la base de la planeación corporativa a largo plazo y tiene impacto directo en el mediano y corto plazo Es importante ver el horizonte y el nivel de agregación que se requiere para el pronóstico de demanda Nivel Estratégico: Largo Plazo Nivel Táctico: Mediano Plazo Nivel Operacional: Corto Plazo.
Pronóstico de Demanda Uso Horizonte de tiempo Exactitud Necesaria Número de Productos Diseño del Proceso Largo Media Unos o Pocos Alto Planeación de la Capacidad de Instalaciones Largo Media Unos o Pocos Alto Nivel Gerencial Planeación Agregrada Mediano Alta Pocos Mediano Método de Pronóstico Cualitativos y Causales Cualitativos y Causales Causales y de Series de Tiempo Programación Corto La más Alta Muchos Más Bajo Series de Tiempo Administración de Inventarios Corto La más Alta Muchos Más Bajo Series de Tiempo
Pronóstico de Demanda Un pronóstico perfecto es imposible Hay demasiados factores que no se pueden pronosticar con certeza Revisión continua de los pronósticos Aprender a vivir con pronósticos imprecisos Flexibilidad de reacción Utilizar dos o tres métodos Análisis de sensibilidad del pronóstico No es un número sino un rango
Componentes de la Demanda Seis componentes: Demanda Promedio para el periodo Tendencia Elementos Estacionales Elementos Cíclicos Eventos como elecciones políticas, guerras, condiciones económicas Variación Aleatoria Eventos fortuitos. Parte de la demanda que no se puede identificar la causa Autocorrelación Persistencia de la ocurrencia.
Demanda Demanda Componentes de la Demanda 16,0 14,0 Mostrar Excel 12,0 10,0 8,0 6,0 4,0 2,0 0,0 0 10 20 30 40 50 60 8,0 7,0 6,0 5,0 4,0 3,0 Tiempo 2,0 Dda Observada 1,0 0,0 0 10 20 30 40 50 60 Tiempo Aleatorio Promedio Tendencia Patron Estacional Ciclo
Tipos de Pronósticos Dos tipos básicos de pronósticos: Cualitativos Cuantitativos: Análisis de Series de Tiempo Relaciones Causales Simulación
Métodos Cualitativos Técnicas Acumulativas (Grass Roots) Investigación de Mercado Grupos de Consenso Analogía Histórica Método de Delphi
Métodos Cualitativos Técnicas Acumulativas (Grass Root) Deriva pronóstico a través de la compilación de entradas de aquellos que se encuentran al final de la jerarquía. Supuesto: La persona que está más cerca del cliente conoce mejor sus necesidades futuras. Pronósticos se suman y se llevan a nivel más alto. EJ: Almacén local trata con cada uno de los vendedores. Suma el total, agrega inventario de seguridad y efectos de pedir en cantidad. Luego se lleva al almacén regional, quien suma la cantidad de cada almacén local, etc.
Métodos Cualitativos Investigación de Mercado Se utiliza sobre todo para la investigación de nuevos productos Métodos de recopilación: Encuestas, Entrevistas, Focus Group, etc.
Métodos Cualitativos Grupos de Consenso Dos cabezas piensan más que una Grupo de personas con diversas posiciones en la empresa Reuniones abiertas con intercambio libre de ideas Algunas personas pueden sentirse intimidadas y no hablar libremente
Métodos Cualitativos Analogía Histórica (Analogía con Ciclos de Vida) Producto General o Existente como modelo. Productos complementarios, sustituibles o competitivos Ej: Tostador y Cafetera Blu-Ray y DVD? Móviles 2G y 3G?
Métodos Cualitativos Método de Delphi Similar a grupos de consenso pero en forma de cuestionario Se elige a los expertos a participar Por medio de un cuestionario se obtienen proyecciones Se resumen los resultados, se modifica el cuestionario y se vuelve a repartir Nuevamente se resumen los resultados, se refinan proyecciones y se plantean preguntas nuevas Si es necesario se vuelve a repetir el paso anterior Por lo regular se requieren tres rondas
Métodos Cuantitativos Análisis de Series de Tiempo Idea: Predecir el futuro con información del pasado Modelos: Pronóstico Naive (Ingenuo) Promedio Móvil Simple Promedio Móvil Ponderado Suavización Exponencial Análisis de Regresión Lineal Series de Tiempo Proyecciones de Tendencia
Demanda Métodos Cuantitativos - Análisis de Series de Tiempo Pronóstico Naive Meses Dda Observada Naïve 1 12,6-2 12,6 12,6 3 10,9 12,6 4 10,9 10,9 5 11,4 10,9 6 11,5 11,4 7 13,7 11,5 8 14,0 13,7 9 11,8 14,0 10 11,9 11,8 11 12,0 11,9 12 11,8 12,0 13 14,3 11,8 14 14,1 14,3 15 12,1 14,1 16 12,1 12,1 17 12,6 12,1 18 12,5 12,6 19 14,8 12,5 20 14,7 14,8 21 13,2 14,7 22 13,4 13,2 23 13,4 13,4 24 13,6 13,4 16,0 15,0 14,0 13,0 12,0 11,0 10,0 0 5 10 15 20 Tiempo Dda Observada Naïve A este siempre hay que ganarle!!
Métodos Cuantitativos - Análisis de Series de Tiempo Promedio Móvil Simple Útil cuando la demanda no crece ni baja con rapidez y no tiene características estacionales F t D D 2... D n F D t1 n t1 t tn t = Pronóstico para el periodo t = Demanda real del periodo t-1 = Número de periodos a promediar Varios efectos conflictivos de distintos periodos Mientras más largo, más se uniformarán los elementos aleatorios, pero se retrasa la tendencia.
Demanda Métodos Cuantitativos - Análisis de Series de Tiempo Promedio Móvil Simple Tiempo Dda Promedio Móvil 3 Promedio Móvil Observada Meses 4 Meses 1 12,6 - - 2 12,6 - - 3 10,9 - - 4 10,9 12,0-5 11,4 11,5 12,0 6 11,5 11,1 11,8 7 13,7 11,3 11,5 8 14,0 12,2 11,5 9 11,8 13,1 11,5 10 11,9 13,2 11,9 11 12,0 12,5 12,4 12 11,8 11,9 12,7 13 14,3 11,9 12,7 14 14,1 12,7 12,4 15 12,1 13,4 12,2 16 12,1 13,5 12,5 17 12,6 12,8 12,9 18 12,5 12,3 13,1 19 14,8 12,4 13,0 20 14,7 13,3 12,7 21 13,2 14,0 12,7 22 13,4 14,2 13,0 23 13,4 13,8 13,5 24 13,6 13,3 13,8 16,0 15,0 14,0 13,0 12,0 11,0 10,0 0 5 10 15 20 Tiempo Dda Observada Promedio Móvil 3 Meses Promedio Móvil 4 Meses
Métodos Cuantitativos - Análisis de Series de Tiempo Promedio Móvil Ponderado Asigna importancia a los distintos elementos F t w D w D... t1 F t D t1 w t 1 n t1 t2 t2 = Pronóstico para el periodo t = Demanda real del periodo t-1 w tn D tn i1 = Ponderación dada a la demanda real para el periodo t-1 = Número total de periodos en el pronóstico n w i 1 Experiencia Prueba Por regla general: Más importante el pasado más reciente Si los datos son estacionales: Ponderar según estacionalidad Ej: trajes de baño
Demanda Métodos Cuantitativos - Análisis de Series de Tiempo Promedio Móvil Ponderado Tiempo Dda Observada Promedio Móvil Ponderado 6 Meses 1 12,6-2 12,6-3 10,9-4 10,9-5 11,4-6 11,5-7 13,7 12,0 8 14,0 12,4 9 11,8 11,9 10 11,9 11,7 11 12,0 11,9 12 11,8 11,9 13 14,3 12,9 14 14,1 13,4 15 12,1 12,5 16 12,1 12,4 17 12,6 12,3 18 12,5 12,2 19 14,8 13,4 20 14,7 13,7 21 13,2 12,9 22 13,4 12,9 23 13,4 13,1 24 13,6 13,1 16,0 15,0 14,0 13,0 12,0 11,0 10,0 Ponderador t-6 50% t-5 5% t-4 5% t-3 10% t-2 10% t-1 20% 0 5 10 15 20 Tiempo Dda Observada Promedio Móvil Ponderado 6 Meses
Métodos Cuantitativos - Análisis de Series de Tiempo Suavización Exponencial Cada incremento en el pasado se reduce 1-α F t D t1 F t F ( D F 1) t1 t1 t = Pronóstico suavizado exponencialmente para el periodo t = Demanda real del periodo t-1 = Constante de suavización Se acepta en forma generalizada por seis razones: Sorprendentemente preciso Relativamente fácil de formular Modelo fácil de entender Se requieren pocos cálculos Bajo requerimiento de almacenamiento de datos Fácil de calcular pruebas de precisión de desempeño
Demanda Métodos Cuantitativos - Análisis de Series de Tiempo Suavización Exponencial Tiempo Dda Observada = 0,30 Suavización Exponencial Factor 0,3 1 12,6 2 12,6 12,6 3 10,9 12,6 4 10,9 12,1 5 11,4 11,7 6 11,5 11,6 7 13,7 11,6 8 14,0 12,2 9 11,8 12,8 10 11,9 12,5 11 12,0 12,3 12 11,8 12,2 13 14,3 12,1 14 14,1 12,7 15 12,1 13,1 16 12,1 12,8 17 12,6 12,6 18 12,5 12,6 19 14,8 12,6 20 14,7 13,2 21 13,2 13,7 22 13,4 13,5 23 13,4 13,5 24 13,6 13,5 16,0 15,0 14,0 13,0 12,0 11,0 10,0 0 5 10 15 20 Tiempo Dda Observada Suavización Exponencial Factor 0,3
Métodos Cuantitativos - Análisis de Series de Tiempo Suavización Exponencial La razón por la que se llama suavización exponencial es que cada incremento en el pasado se reduce en 1-α 1 1 1 1 1 1 1 1 1 1 F F D F t t t t F F D t t t F F D D t t2 t2 t1 F F D D t t2 t2 t1 1 1 2 1 F F D D D t t3 t3 t2 t1 1 1 1 1 3 2 1 0 F F D D D t t3 t3 t2 t1
Métodos Cuantitativos - Análisis de Series de Tiempo Suavización Exponencial Solo se requieren 3 piezas de datos para pronosticar el futuro El pronóstico más reciente La demanda real que ocurrió durante el periodo de pronóstico Una constante de suavización La constante de suavización determina el nivel de uniformidad y la velocidad de reacción a las diferencias entre los pronósticos y las ocurrencias reales.
Demanda Demanda Métodos Cuantitativos - Análisis de Series de Tiempo Suavización Exponencial (mejoras) 8,0 7,0 6,0 5,0 4,0 3,0 16,0 15,0 14,0 13,0 12,0 2,0 1,0 0,0 0 5 10 15 20 25 30 Tiempo Aleatorio Promedio Tendencia Patron Estacional Ciclo 11,0 10,0 0 5 10 15 20 19-08-2013 Tiempo Dda Observada
Métodos Cuantitativos - Análisis de Series de Tiempo Suavización Exponencial, con Tendencia Suavización Exponencial con Tendencia: A D 1 A T 0 1 t t t1 t1 T A A 1 T 0 1 t t t 1 t1 F A T t1 t t Donde T t es la tendencia.
Demanda Métodos Cuantitativos - Análisis de Series de Tiempo Suavización Exponencial, con Tendencia Tiempo Dda Observada = 0,30 = 0,20 A t T t F t+1 1 12,6 12,6 2 12,6 12,6-0,0 3 10,9 12,1-0,1 12,6 4 10,9 11,7-0,2 12,0 5 11,4 11,5-0,2 11,5 6 11,5 11,4-0,2 11,3 7 13,7 12,0-0,0 11,2 8 14,0 12,6 0,1 12,0 9 11,8 12,4 0,1 12,7 10 11,9 12,3 0,0 12,5 11 12,0 12,2 0,0 12,3 12 11,8 12,1-0,0 12,2 13 14,3 12,7 0,1 12,1 14 14,1 13,2 0,2 12,8 15 12,1 13,0 0,1 13,4 16 12,1 12,8 0,0 13,1 17 12,6 12,8 0,0 12,9 18 12,5 12,7 0,0 12,8 19 14,8 13,3 0,1 12,7 20 14,7 13,8 0,2 13,5 21 13,2 13,8 0,2 14,0 22 13,4 13,8 0,1 14,0 23 13,4 13,8 0,1 13,9 24 13,6 13,8 0,1 13,9 16,0 15,0 14,0 13,0 12,0 11,0 10,0 0 5 10 15 20 Tiempo Dda Observada Ft+1
Métodos Cuantitativos - Análisis de Series de Tiempo Suavización Exponencial, con Estacionalidad Suavización Exponencial con Estacionalidad de Largo L: A t D t (1 ) At 1 0 1 Rt L D t Rt (1 ) R tl 0 1 At F ( A ) / R t1 t tl1 Donde R t es el factor de estacionalidad.
Métodos Cuantitativos - Análisis de Series de Tiempo Suavización Exponencial, con Estacionalidad y Tendencia Suavización Exponencial con Estacionalidad de Largo L y tendencia: D t At (1 ) ( At 1 Tt 1) 0 1 Rt L D t Rt (1 ) R tl 0 1 At T ( A A ) (1 ) T 0 1 t t t 1 t1 F ( A T ) / R t1 t t tl1
Demanda Métodos Cuantitativos - Análisis de Series de Tiempo Suavización Exponencial, con Estacionalidad y Tendencia = 0,30 = 0,20 = 0,50 L= 6,00 Dda Tiempo Observad a A t T t R t F t+1 1 12,6 12,6 1,0 2 12,6 12,6-0,0 1,0 3 10,9 10,9-0,3 1,0 4 10,9 10,9-0,3 1,0 5 11,4 11,4-0,1 1,0 6 11,5 11,5-0,1 1,0 7 13,7 12,1 0,1 1,1 11,4 8 14,0 12,7 0,2 1,0 12,2 9 11,8 12,5 0,1 1,0 12,9 10 11,9 12,4 0,1 1,0 12,6 11 12,0 12,3 0,0 1,0 12,5 12 11,8 12,2-0,0 1,0 12,3 13 14,3 12,5 0,1 1,1 13,0 14 14,1 12,8 0,1 1,1 13,2 15 12,1 12,8 0,1 1,0 12,6 16 12,1 12,7 0,1 1,0 12,6 17 12,6 12,8 0,1 1,0 12,6 18 12,5 12,8 0,0 1,0 12,6 19 14,8 13,0 0,1 1,1 14,2 20 14,7 13,3 0,1 1,1 14,0 21 13,2 13,5 0,1 1,0 12,8 22 13,4 13,7 0,2 1,0 13,1 23 13,4 13,8 0,1 1,0 13,7 24 13,6 13,9 0,1 1,0 13,7 16,0 15,0 14,0 13,0 12,0 11,0 10,0 0 5 10 15 20 Tiempo Dda Observada Ft+1
Métodos Cuantitativos: Análisis de Series de Tiempo Análisis de Regresión Lineal Relación Funcional entre dos o más variables correlacionadas. Se pronostica una variable en base a la otra. Se realiza a partir de datos observados. Se grafican los datos Y a b X Y = Variable Dependiente = Secante = Pendiente a bx = Variable Independiente (En este caso el tiempo)
Métodos Cuantitativos: Análisis de Series de Tiempo Análisis de Regresión Lineal Útil para el pronóstico a largo plazo de eventos importantes, así como la planeación agregada. Supone que los datos del pasado, y los pronósticos futuros caen sobre una recta. Pueden usarse periodos más cortos. Se utiliza tanto para Análisis de Series de Tiempo como para Relaciones Causales, en cuyo caso una variable es dependiente de la otra.
Métodos Cuantitativos: Análisis de Series de Tiempo Análisis de Regresión Lineal 188 Sales 168 148 128 108 88 1 3 5 7 9 11 13 15 17 19 21 23 25 27 29 Week Sales Sales Regression
Métodos Cuantitativos: Análisis de Series de Tiempo Series de Tiempo Shiskin Puede definirse una serie temporal como datos ordenados en forma cronológica que pueden tener uno o más componentes de la demanda: Tendencia Estacional Cíclico Autocorrelación Aleatorio Aditiva Multiplicativa La descomposición de una serie temporal significa identificar y separar los datos de la serie temporal en estos componentes.
Métodos Cuantitativos: Análisis de Series de Tiempo Series de Tiempo Shiskin Es fácil identificar la tendencia y el componente estacional. Es más difícil identificar los componentes de los ciclos, la autocorrelación y el aleatorio. Cuando se tienen efectos estacionales y de tendencia al mismo tiempo, pueden relacionarse: Variación Estacional Aditiva -> Cantidad estacional es una constante Variación Estacional Multiplicativa -> La tendencia se multiplica por los factores estacionales -> Es más común la multiplicativa.
Métodos Cuantitativos: Análisis de Series de Tiempo Series de Tiempo Shiskin
Métodos Cuantitativos: Análisis de Series de Tiempo Proyecciones de Tendencia Ajusta una recta matemática de tendencias a los puntos de datos y las proyecta en el futuro Tendencia Líneal Tendencia de curva S 2 1,9 1,8 1,7 1,6 1,5 1,4 1,3 1,2 1,1 1 0,9 0,8 0,7 0,6 1 2 3 4 5 6 7 8 9 10 11 12 2 1,9 1,8 1,7 1,6 1,5 1,4 1,3 1,2 1,1 1 0,9 0,8 0,7 0,6 1 2 3 4 5 6 7 8 9 10 11 12 Tendencia asintótica Tendencia exponencial 2 1,9 1,8 1,7 1,6 1,5 1,4 1,3 1,2 1,1 1 0,9 0,8 0,7 0,6 1 2 3 4 5 6 7 8 9 10 11 12 2 1,9 1,8 1,7 1,6 1,5 1,4 1,3 1,2 1,1 1 0,9 0,8 0,7 0,6 1 2 3 4 5 6 7 8 9 10 11 12
Métodos Cuantitativos: Relaciones Causales Tratar de entender el sistema subyacente y que rodea al elemento que se va a pronosticar La gracia es que una variable independiente sea un indicador guía Ej.: La lluvia para la venta de paraguas Relación causal -> Una ocurrencia causa la otra Es de gran importancia encontrar las ocurrencias que realmente son la causa
Métodos Cuantitativos: Relaciones Causales Varios modelos: Análisis de Regresión Múltiple Modelos Econométricos Modelos de Entrada/Salida Principales Indicadores
Métodos Cuantitativos: Relaciones Causales Análisis de Regresión Múltiple Similar al análisis de regresión en series de tiempo pero con diversas variables Ej.: Mobiliario doméstico en función de número de matrimonios, construcción de viviendas, ingreso disponible y tendencias: S B B m ( M ) B ( H ) B ( I) B ( T ) h i t S B M H I T = Ventas Brutas Anuales = Ventas de Base (a partir de otros factores que ejercen influencia) = Matrimonios durante el año = Construcción de viviendas durante el año = Ingreso personal disponible anual = Tendencia temporal
Métodos Cuantitativos: Relaciones Causales Análisis de Regresión Múltiple Es conveniente hacer un pronóstico con regresión múltiple cuando varios factores influyen en la variable de interés Su dificultad radica en: Encontrar las verdaderas fuentes de causa Ver la independencia de las fuentes Cálculos matemáticos
Métodos Cuantitativos: Relaciones Causales Análisis de Regresión Múltiple Demanda Estilo i Estacionalidad Subclase Efecto Promoción Elasticidad Precio Estilo i D ( t, P, I) i K i K( t) K prom exp( i)(1 P P Inicial ) max(0,1 I I c ) Magnitud Ventas Estilo i Elasticidad Precio Subclase Elasticidad Inventario Subclase t = Tiempo (Semana) P = Precio P Inicial = Precio Inicial (salida) I = Inventario I c = Inventario Crítico
Métodos Cuantitativos: Relaciones Causales Modelos Econométricos Intentos por describir algún sector de la economía mediante ecuaciones interdependientes Pero Hay que pensar como economista: o sea; oferta, costos de oportunidad, elasticidad, excedente de los consumidores, demanda, ventaja comparativa, etc.
Métodos Cuantitativos: Relaciones Causales Modelos de Entrada/Salida Se enfoca en ventas de otras industrias Indica los cambios en las ventas que una industria productora puede esperar debido a los cambios en las compras por parte de la otra
Métodos Cuantitativos: Relaciones Causales Principales Indicadores Estadísticas que se mueven en la misma dirección que la serie a pronosticar, pero antes que ésta Ej: Un incremento en el precio de la gasolina indica una baja futura en la venta de autos grandes
Métodos Cuantitativos: Modelos de Simulación Modelos dinámicos Permiten hacer suposiciones acerca de las variables internas y el ambiente externo del modelo Qué pasaría si suben los precios? Análisis de Sensibilidad
Modelos de Simulación: Pronóstico Enfocado Creación de Bernard Smith, quien lo usa para manejo de inventarios de bienes terminados. Smith dice que los enfoques estadísticos no dan los mejores resultados Afirma que son mejores las técnicas simples El pronóstico enfocado prueba varias reglas y las simula sobre datos del pasado
Modelos de Simulación: Pronóstico Enfocado Ejemplos de reglas: Lo que se haya vendido en los últimos tres meses, probablemente es lo que se venderá en los meses siguientes Lo que se vendió en el mismo trimestre del año pasado, se venderá también en este periodo El cambio porcentual de los últimos tres meses de este año será el mismo que se obtendrá en los tres meses siguientes Las reglas de pronóstico no son rígidas Si una regla funciona, se agrega, si no, se suprime Luego se simula por computadora con datos históricos Lo que mejor pronostique el pasado, se usa para el futuro
Errores de Pronóstico Se refiere a la diferencia entre el valor de pronóstico y lo que ocurrió en realidad. Nos sirven para ver en qué momento el pronóstico falla o los datos no sirven MAD 1 n t D t F t 1MAD 0.8 desv. estandard 1des.estandard 1.25 MAD Se utiliza por su simplicidad.
Errores de Pronóstico El valor ideal de MAD es cero (ie, no existe error de pronósticos). Mientras mas grande MAD, menor la precisión del modelo. MAD se usa para: Comparar distintos modelos de pronósticos. Elegir el mejor modelo dentro de una familia de modelos Si Ft - Dt > 3,75 x MADt (tres desviaciones estándar), entonces existen sospechas de VALOR EXTREMO.
Errores de Pronóstico Señal de Rastreo: T suma acumulada de la desviación del MAD pronóstico Si T [-6,6] (confiabilidad menor al 97%), entonces debe revisarse el modelo ya que está sesgado.
Demanda Errores de Pronóstico: Señal de Rastreo 16,0 16,0 15,0 14,0 13,0 12,0 11,0 10,0 8,0 6,0 4,0 2,0 0,0-2,0-4,0-6,0-8,0 0 5 10 15 20 Tiempo Dda Observada Ft+1 0 5 10 15 20 TS TS 6 TS -6 MAD 0,7 MAD 1,0 Demanda 15,0 14,0 13,0 12,0 11,0 10,0 0 5 10 15 20 8,0 Tiempo 6,0 Dda Observada Ft+1 4,0 2,0 0,0-2,0 0 5 10 15 20-4,0-6,0-8,0 TS TS 6 TS -6
Errores de Pronóstico: Señal de Rastreo 16,0 16,0 15,0 15,0 14,0 14,0 Demanda 13,0 Demanda 13,0 12,0 12,0 11,0 11,0 10,0 8,0 6,0 4,0 2,0 0,0-2,0-4,0-6,0-8,0 0 5 10 15 20 Tiempo Dda Observada Suavización Exponencial Factor 0,3 0 5 10 15 20 TS TS 6 TS -6 α=0.3 10,0 0 5 10 15 20 8,0 Tiempo 6,0 4,0 Dda Observada Suavización Exponencial Factor 0,08 2,0 0,0-2,0 0 5 10 15 20-4,0-6,0-8,0 TS TS 6 TS -6 α=0.08
Errores de Pronóstico: Señal de Rastreo 16,0 16,0 15,0 15,0 14,0 14,0 Demanda 13,0 Demanda 13,0 12,0 12,0 11,0 11,0 10,0 0 5 10 15 20 10,0 0 5 10 15 20 8,0 Tiempo 8,0 Tiempo 6,0 Dda Observada Suavización Exponencial Factor 1 6,0 Dda Observada Suavización Exponencial Factor 0 4,0 4,0 2,0 2,0 0,0-2,0 0 5 10 15 20 0,0-2,0 0 5 10 15 20-4,0-4,0-6,0-6,0-8,0 TS TS 6 TS -6-8,0 TS TS 6 TS -6 α=1 MAD 0,7 α=0 MAD 1
Errores de Pronóstico MAD pronosticada: MAD t F t D t ( 1) MADt 1
Pronósticos Bajo Incertidumbre En muchos casos no es una buena idea resumir en un número nuestras predicciones futuras sobre el comportamiento de la demanda. O, depender demasiado de la información histórica. Ciclos de venta muy cortos. Demanda altamente estocástica. Rápidos cambios tecnológicos y de modas. Ejemplos: ropa de moda, juguetes, juegos computacionales, música, libros, artículos electrónicos
Pronósticos Bajo Incertidumbre En estos casos puede ser mejor modelar la demanda como una variable aleatoria (o proceso estocástico) y usar pronósticos para definir su distribución de probabilidades. Uno de los ejemplos más populares es suponer que la demanda está Normalmente distribuida con media y desviación estándar s.
Pronósticos Bajo Incertidumbre Supongamos que tenemos N observaciones de la demanda {xi: i=1,,n}. Como podemos estimar y s? 2 1 2 2, 1, 2 2 ln 2, ln max ),, (, max Verosimilitud Metodo de Maxima s s s s s s s n i i n i i x n ) V(μ x ) V(μ 2 1 2 1 1 1 n i V i V n i i V x n x n s
Conclusiones No es fácil desarrollar un sistema de pronóstico Es fundamental para cualquier esfuerzo de planeación En corto plazo: Predecir necesidades de materiales, productos, servicios u otros recursos En largo plazo: Base para los cambios estratégicos, como el desarrollo de mercados nuevos, creación de productos, ampliar instalaciones
Conclusiones Para los pronósticos de largo plazo son provechosos los métodos causales Para los de corto y mediano plazo, los modelos simples, como la suavización exponencial, pueden ser satisfactorios La filosofía ideal es crear el mejor pronóstico que sea posible y protegerse manteniendo la flexibilidad del sistema para tener en cuenta inevitables errores de pronóstico
Palabras Clave Demanda Dependiente Demanda Independiente Análisis de Series de Tiempo Suavización Exponencial MAD y Señal de Rastreo Regresión Lineal para proyección Modelo Causal