LOGÍSTICA Capítulo 2: Valor de la Información. Profesor: Juan Pérez R.

(1)

LOGÍSTICA

Capítulo 2: Valor de la Información

(2)

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.

(3)

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.

(4)

(5)

Evolución de Inventarios vs. Demanda Botillería

Grupo 1 2010

(6)

El Efecto Látigo



Definición: La variación en la demanda, en

general, se amplifica significativamente hacia

atrás en la cadena

Simchi-Levi, “Designing and Managing the Supply Chain”.

Retailer

Wholesaler Distributor

Fábrica

Lead Time Órdenes

Lead Time Fabricación

Lead Time Entrega

(7)

La variabilidad en la Red

Logística

Compartiendo Información

(8)

¿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

(9)

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

(10)

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

(11)

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

(12)

Pronóstico de Demanda

¿Qué veremos?



Introducción



Pronóstico de Demanda: Usos y Características



Tipos de Pronóstico de Demanda

 Cualitativos  Cuantitativos



Errores de Pronóstico

(13)

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

(14)

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.

(15)

Rol de la Demanda



Caso de Ubicación Óptima de Supermercados:

 Data: Censo 2002, encuesta de hábitos de compra  Modelos Aplicados: Demanda Gravitacional, Logit

(16)

¿Cómo definimos demanda?

 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.

“Cantidad de bienes o servicios que el consumidor está

(17)

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

(18)

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.

(19)

Pronóstico de Demanda

Uso Horizonte de tiempo Exactitud Necesaria Número de Productos Nivel Gerencial Método de Pronóstico Diseño del Proceso Largo Media Unos o Pocos Alto Cualitativos y

Causales

Planeación de la Capacidad

de Instalaciones Largo Media Unos o Pocos Alto

Cualitativos y Causales

Planeación Agregrada Mediano Alta Pocos Mediano Causales y de Series de Tiempo

Programación Corto La más Alta Muchos Más Bajo Series de Tiempo

Administración de

(20)

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

(21)

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

(22)

Componentes de la Demanda

0,0 2,0 4,0 6,0 8,0 10,0 12,0 14,0 16,0 0 10 20 30 40 50 60 D e m and a Tiempo Dda Observada 0,0 1,0 2,0 3,0 4,0 5,0 6,0 7,0 8,0 0 10 20 30 40 50 60 D e m and a Tiempo

Aleatorio Promedio Tendencia Patron Estacional Ciclo

(23)

Tipos de Pronósticos



Dos tipos básicos de pronósticos:



Cualitativos



Cuantitativos:



Análisis de Series de Tiempo



Relaciones Causales

(24)

Métodos Cualitativos



Técnicas Acumulativas (Grass Roots)



Investigación de Mercado



Grupos de Consenso



Analogía Histórica

(25)

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.

(26)

Métodos Cualitativos

Investigación de Mercado



Se utiliza sobre todo para la investigación

de nuevos productos



Métodos de recopilación: Encuestas,

(27)

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

(28)

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?

(29)

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

(30)

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

(31)

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

A este siempre hay que ganarle!!

10,0 11,0 12,0 13,0 14,0 15,0 16,0 0 5 10 15 20 D e m anda Tiempo

(32)

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



Varios efectos conflictivos de distintos periodos



Mientras más largo, más se uniformarán los

elementos aleatorios, pero se retrasa la

tendencia.

n

D

F

_t



t1



t2



...



tn

F

t 1  t

D

n

= Pronóstico para el periodo t = Demanda real del periodo t-1 = Número de periodos a promediar

(33)

Métodos Cuantitativos - Análisis de Series de Tiempo Promedio Móvil Simple

Tiempo Dda Observada Promedio Móvil 3 Meses Promedio Móvil 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 10,0 11,0 12,0 13,0 14,0 15,0 16,0 0 5 10 15 20 D e m and a Tiempo

Dda Observada Promedio Móvil 3 Meses Promedio Móvil 4 Meses

(34)

Métodos Cuantitativos - Análisis de Series de Tiempo Promedio Móvil Ponderado

 Asigna importancia a los distintos elementos

 Experiencia

 Prueba

 Por regla general: Más importante el pasado más reciente

 Si los datos son estacionales: Ponderar según estacionalidad

 Ej: trajes de baño

n t n t t t t t t

w

D

w

D

w

D

F



_₁



_₁



_₂



_₂



...



_



_ t

F

1  t

D

1  t

w

= Pronóstico para el periodo t = Demanda real del periodo t-1

= Ponderación dada a la demanda real para el periodo t-1

n

= Número total de periodos en el pronóstico

1





 n i i

w

(35)

10,0 11,0 12,0 13,0 14,0 15,0 16,0 0 5 10 15 20 D e m anda Tiempo

Dda Observada Promedio Móvil Ponderado 6 Meses

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 Ponderador t-6 50% t-5 5% t-4 5% t-3 10% t-2 10% t-1 20%

(36)

Métodos Cuantitativos - Análisis de Series de Tiempo Suavización Exponencial



Cada incremento en el pasado se reduce 1-

α

 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

)

(

₁ ₁ 1   









_t _t _t t

F

D

F



t

F

1  t

D



= Pronóstico suavizado exponencialmente para el periodo t = Demanda real del periodo t-1

(37)

Métodos Cuantitativos - Análisis de Series de Tiempo Suavización Exponencial = 0,30 Tiempo Dda Observada 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 10,0 11,0 12,0 13,0 14,0 15,0 16,0 0 5 10 15 20 D e m anda Tiempo

(38)



La razón por la que se llama suavización

exponencial es que cada incremento en el pasado

se reduce en 1-

α







2

1

2





1 

1 t t t t

F



F

_

 





D

_





 



 



D

_





2





2

1

2

1

1 t t t t

F



F

_

 





D

_

  





D

_









1 1 1 t t t t

F



F

_

 



D

_



F

_





1

1 t t t

F



F

_

 





D

_

















2





3

1

3

1

2

1

1 t t t t t

F



F

_

 





D

_





 





D

_

  





D

_









3





2





1





0 3

1

3

1

2

1

t t t t t

F



F

_

 





D

_

  





D

_

  





D

_

  



(39)



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.

(40)

Métodos Cuantitativos - Análisis de Series de Tiempo Suavización Exponencial (mejoras)

19-08-2013 0,0 1,0 2,0 3,0 4,0 5,0 6,0 7,0 8,0 0 5 10 15 20 25 30 D e m anda Tiempo

Aleatorio Promedio Tendencia

Patron Estacional Ciclo

10,0 11,0 12,0 13,0 14,0 15,0 16,0 0 5 10 15 20 D e m an d a Tiempo Dda Observada

(41)



Suavización Exponencial con Tendencia:

 Donde T_t es la tendencia.

Métodos Cuantitativos - Análisis de Series de Tiempo Suavización Exponencial, con Tendencia



 





 



1 1 1 1 1

1

0

1

0

1

t t t t t t t t t t t

A

D

A

T

A

T

F

A

T





    

 

 





 

 



 



 





(42)

Métodos Cuantitativos - Análisis de Series de Tiempo Suavización Exponencial, con Tendencia

= 0,30 = 0,20 Tiempo Dda Observada At Tt Ft+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 10,0 11,0 12,0 13,0 14,0 15,0 16,0 0 5 10 15 20 D e m anda Tiempo Dda Observada Ft+1

(43)



Suavización Exponencial con

Estacionalidad de Largo

L

:



Donde

R

_t

es el factor de estacionalidad.

1 1 1

(1

)

0

1 (1

) R

0

1 ( ) /

t t t t L t t t L t t t t L

D

A

R

D

R

A

F

A

R





     





 

_

_

 



 









 

_

_

  

 







Métodos Cuantitativos - Análisis de Series de Tiempo Suavización Exponencial, con Estacionalidad

(44)



Suavización Exponencial con Estacionalidad de

Largo

L

y tendencia:

Métodos Cuantitativos - Análisis de Series de Tiempo

Suavización Exponencial, con Estacionalidad y Tendencia

1 1 1 1 1 1

(1

) (

) 0

1 (1

) R

0

1 (

) (1

)

0

1 (

) /

t t t t t L t t t L t t t t t t t t t L

D

A

T

R

D

R

A

T

A

T

F

A

T

R







        





 

_

_

 





 









 

_

_

  

 





 



 



 





(45)

Métodos Cuantitativos - Análisis de Series de Tiempo

Suavización Exponencial, con Estacionalidad y Tendencia

10,0 11,0 12,0 13,0 14,0 15,0 16,0 0 5 10 15 20 D e m and a Tiempo Dda Observada Ft+1 = 0,30 = 0,20 = 0,50 L= 6,00 Tiempo Dda Observad a At Tt Rt Ft+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

(46)

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

bX

a

Y





Y

a

b

= Variable Dependiente = Secante = Pendiente

(47)

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.

(48)

Análisis de Regresión Lineal

Sales 88 108 128 148 168 188 1 3 5 7 9 11 13 15 17 19 21 23 25 27 29 Week Sales 88 108 128 148 168 188 1 3 5 7 9 11 13 15 17 19 21 23 25 27 29 Week Sales Regression

(49)

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



La descomposición de una serie temporal

significa identificar y separar los datos de la serie

temporal en estos componentes.

Aditiva

(50)

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

(51)

(52)

Proyecciones de Tendencia

 Ajusta una recta matemática de tendencias a los puntos de datos y las

proyecta en el futuro Tendencia exponencial 0,6 0,7 0,8 0,9 1 1,1 1,2 1,3 1,4 1,5 1,6 1,7 1,8 1,9 2 1 2 3 4 5 6 7 8 9 10 11 12 Tendencia asintótica 0,6 0,7 0,8 0,9 1 1,1 1,2 1,3 1,4 1,5 1,6 1,7 1,8 1,9 2 1 2 3 4 5 6 7 8 9 10 11 12 Tendencia Líneal 0,6 0,7 0,8 0,9 1 1,1 1,2 1,3 1,4 1,5 1,6 1,7 1,8 1,9 2 1 2 3 4 5 6 7 8 9 10 11 12 Tendencia de curva S 0,6 0,7 0,8 0,9 1 1,1 1,2 1,3 1,4 1,5 1,6 1,7 1,8 1,9 2 1 2 3 4 5 6 7 8 9 10 11 12

(53)

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

(54)

Métodos Cuantitativos:

Relaciones Causales



Varios modelos:



Análisis de Regresión Múltiple



Modelos Econométricos



Modelos de Entrada/Salida

(55)

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:

)

(

)

(

)

(

)

(

M

B

H

B

I

B

T

B

S





_m



_h



_i



_t

S

B

M

= Ventas Brutas Anuales

= Ventas de Base (a partir de otros factores que ejercen influencia) = Matrimonios durante el año

H

= Construcción de viviendas durante el año

I

= Ingreso personal disponible anual

(56)

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

(57)

Métodos Cuantitativos: Relaciones Causales

Análisis de Regresión Múltiple

              ( ) exp ( )(1 ) max(0,1 ) ) , , ( c Inicial i prom i i I I P P K t K K I P t D    Demanda Estilo i Magnitud Ventas Estilo i Estacionalidad Subclase Elasticidad Precio Subclase Elasticidad Precio Estilo i Elasticidad Inventario Subclase

t = Tiempo (Semana) I = Inventario

P = Precio I_c = Inventario Crítico

P_Inicial = Precio Inicial (salida)

Efecto Promoción

(58)

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.

(59)

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

(60)

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

(61)

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?

(62)

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

(63)

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

(64)

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

 Se utiliza por su simplicidad.







t t t

F

D

n

MAD

1 MAD

1.25 estandard

des.

1 estandard

desv.

0.8 MAD

1 



(65)

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 |F

t

- D

t

| > 3,75 x MAD

t

(tres desviaciones estándar),

entonces existen sospechas de VALOR EXTREMO.

(66)

Errores de Pronóstico



Señal de Rastreo:



Si T



[-6,6] (confiabilidad menor al 97%), entonces

debe revisarse el modelo ya que está sesgado.

MAD

pronóstico

del

desviación

la

de

acumulada

suma



T

(67)

Errores de Pronóstico: Señal de Rastreo

10,0 11,0 12,0 13,0 14,0 15,0 16,0 0 5 10 15 20 D e m anda Tiempo Dda Observada Ft+1

MAD 0,7

MAD 1,0

10,0 11,0 12,0 13,0 14,0 15,0 16,0 0 5 10 15 20 D e m and a Tiempo Dda Observada Ft+1 -8,0 -6,0 -4,0 -2,0 0,0 2,0 4,0 6,0 8,0 0 5 10 15 20 TS TS 6 TS -6 -8,0 -6,0 -4,0 -2,0 0,0 2,0 4,0 6,0 8,0 0 5 10 15 20 TS TS 6 TS -6

(68)

Errores de Pronóstico: Señal de Rastreo

α=0.08

10,0 11,0 12,0 13,0 14,0 15,0 16,0 0 5 10 15 20 D e m and a Tiempo

Dda Observada Suavización Exponencial Factor 0,3

-8,0 -6,0 -4,0 -2,0 0,0 2,0 4,0 6,0 8,0 0 5 10 15 20 TS TS 6 TS -6 10,0 11,0 12,0 13,0 14,0 15,0 16,0 0 5 10 15 20 D e m and a Tiempo

Dda Observada Suavización Exponencial Factor 0,08

-8,0 -6,0 -4,0 -2,0 0,0 2,0 4,0 6,0 8,0 0 5 10 15 20 TS TS 6 TS -6

α=0.3

(69)

Errores de Pronóstico: Señal de Rastreo

α=1

MAD 0,7

10,0 11,0 12,0 13,0 14,0 15,0 16,0 0 5 10 15 20 D e m and a Tiempo

Dda Observada Suavización Exponencial Factor 1

-8,0 -6,0 -4,0 -2,0 0,0 2,0 4,0 6,0 8,0 0 5 10 15 20 TS TS 6 TS -6 10,0 11,0 12,0 13,0 14,0 15,0 16,0 0 5 10 15 20 D e m and a Tiempo

Dda Observada Suavización Exponencial Factor 0

-8,0 -6,0 -4,0 -2,0 0,0 2,0 4,0 6,0 8,0 0 5 10 15 20 TS TS 6 TS -6

α=0

MAD 1

(70)

Errores de Pronóstico



MAD pronosticada:

1

)

1 (





_









_t _t _t t

F

D

MAD



(71)

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.