INTRODUCCIONUna de las directrices cruciales en la administracin
de las cadenas de valor es LA PLANIFICACION EFICAZ DE DEMANDA DEL
CLIENTE o CDP por sus siglas en ingls, la cual tiene como base
pronsticos precisos.La CDP es un proceso de planificacin
empresarial que permite a los equipos de venta formular pronsticos
de demandas las cuales les sirven como base a los procesos de
planificacin de servicios, produccin, etc.Pronosticar es el proceso
de elaborar la visin ms probable de lo que ser la demanda futura,
en base a suposiciones de tecnologa,competidores,precio,etc,en
cambio planificar es el proceso de tomar decisiones administrativas
acerca de cmo utilizar los recursos en respuesta a estos
pronsticos.
CDP aplicado a la empresa UNILEVERUnilever es una empresa que
provee productos de consumo de alta rotacin, est empresa utiliza un
software de CDP llamado Manugistic el cual combina datos histricos
de embarque y promociones a fin de colaborar con sus clientes ms
importantes.Este pronstico bsico depende exclusivamente de
informacin pasada y presente por lo que es necesario contar con
datos confiables, sin embargo la mayora de datos se recopilan de
sistemas dispares por lo cual no siempre pueden genera un buen
pronstico.Para superar este problema los planificadores de Unilever
ajustan sus pronsticos con las predicciones sobre las promociones
planeadas as se podr saber si las ventas subirn o bajaran de
acuerdo a cada promocin, esta informacin se enva al Sistema de
Planificacin de Demanda y a los Centros de Distribucin.Adems para
mejorar la precisin de los pronsticos Unilever compara los datos
obtenidos en sus sistema de punto de venta (POS) con sus propios
pronosticos,por desgracia la mayora de clientes no deja datos de
POS, adems la integracin de estos datos es muy difcil ya que
provienen de sistemas con distinto formato. Es por eso que las
empresas piensan en interfaces para la captura de estos datos pero
al no contar con un presupuesto viable para la creacin de
interfaces, estas se ven obligadas a solo capturar datos de POS de
empresas grandes.En general Unilever ha logrado un relativo xito al
ver reducido su inventario y mejorar la atencin a sus clientes.El
siguiente paso para Unilever es poder colaborar con sus clientes y
proveedores para eso se necesita un proceso en donde el pronstico
actual se combine con planes de promociones y otros datos para
obtener un PRONSTICO FINAL, mediante el sistema CPFR.PRONOSTICOSUn
pronstico es una prediccin de acontecimientos futuros que se
utilizan con propsitos de planificacin. Los mtodos de pronstico
pueden basarse en modelos matemticos que utilizan datos histricos
disponibles o mtodos cualitativos que aprovechan la experiencia
cualitativa o los juicios de los clientes. El sistema CDP que
mencionamos antes combina ambos mtodos y pueden ser mejorados con
el sistema CPFR. Los pronsticos son tiles para la administracin de
procesos y la cadena de valor. Respecto a la cadena de valor la
empresa los necesita para coordinarse con clientes y proveedores, a
nivel de procesos, los pronsticos se necesitan para disear todos
los procesos que ocurren dentro de la organizacin.
PRONOSTICOS EN LA ORGANIZACINEl pronstico general de la demanda
se origina en el marketing, pero es necesario para los clientes
internos de toda la organizacin para que formulen y ejecuten sus
planes.Por ejemplo Finanzas necesita un pronstico para ver los
flujos de efectivo y las necesidades de capital, RRHH necesita de
pronsticos para prever la necesidad y contratacin de personal,
Marketing es una de las fuentes principales de informacin del
pronstico ya que se encuentran cerca a los clientes externos,
Operaciones necesita pronsticos para la compra9 de materiales, mano
de obra, programas de inventario, etc.
PATRONES DE DEMANDAEn la raz de la mayora de las decisiones de
negocio se encuentra el reto de pronosticar la demanda del cliente.
Es difcil ya que las demandas de bienes y servicios varan
constantemente, por eso se utilizan PATRONES que prevean estos
cambios bruscos.Las observaciones repetidas de la demanda de un
producto o servicio en el orden en que se realizan forman un patrn
que se conoce como SERIE DE TIEMPO, existen 5 patrones bsicos de
las series de tiempo aplicados a la demanda son: Horizontal : Los
datos fluctan en torno a una media constante Tendencia: El
incremento o decremento sistemtico de la media de la serie a travs
del tiempo Estacional: Un patrn repetible de incrementos o
decrementos de la demanda dependiendo del da, semana, mes o
temporada. Cclica : Pauta de incrementos o decrementos graduales y
menos previsibles de la demanda, los cuales se presentan en el
transcurso de periodos largos de tiempo Aleatorio: Variacin
imprevisible de la demandaDe estos 5 patrones se combinan 4
(Horizontal, Tendencia, Estacional, Ciclico ) en diversos grados
para definir el patrn fundamental.
DISEO DEL SISTEMA DE PRONSTICOAntes de comenzar con las tcnicas
de pronstico, el gerente necesita tomar 3 decisiones :1) Qu vamos a
pronosticar?Aunque se necesita algn tipo de estimacin de la demanda
para bienes y servicio es de una compaa, puede resultar ms sencillo
pronosticar la demanda total para grupos conjuntos y derivar luego
los pronsticos correspondientes a productos o servicios
individuales.Necesitamos tener en cuenta dos conceptos:Nivel de
Agregacin: Es el acto de agrupar varios productos o servicios
similares para que las compaas puedan realizar pronsticos ms
precisos.Unidades de Medida: En lugar de usar unidades monetarias
como unidad inicial de medida, los pronsticos ms tiles para la
planificacin y el anlisis de los problemas de operacin se basan en
unidades de productos o servicios tales como las SKU, ya que los
pronsticos provenientes de las ventas fluctan con frecuencia.2)
Seleccin del tipo de tcnica del pronsticoEl objetivo principal de
una empresa es elaborar un pronstico til a partir de la informacin
disponible, para los pronsticos de demanda se utilizan 2 tipos
generales de tcnicas: Mtodos Cualitativos Mtodos CuantitativosSegn
el ejemplo del proceso CDP de Unilever vemos que utiliza una
combinacin de ambos mtodos, entre los mtodos cualitativos figuran
los mtodos de juico en la que las opiniones de expertos y encuestas
a consumidores se traducen en estimaciones cuantitativas. Entre los
mtodos cuantitativos estn los mtodos causales y el anlisis de
series de tiempo, en el primero utilizaremos datos histricos de
variables independientes por ejemplo: campaas de promocin,
condiciones econmicas y actividades de la competencia mientras que
el segundo representa uno de tantos mtodos estadsticos que depende
de los datos histricos de la demanda, con los que puede proyectar
su magnitud futura, reconocer tendencias y patrones estacionales.Un
factor clave para la seleccin del mtodo de pronstico ms adecuado es
el Horizonte del tiempo correspondiente a la decisin que requieran
pronosticar, Los procesos pueden ser a corto mediano y largo
plazo
3) Pronsticos por medio de computadorasExisten muchos paquetes
de software para pronstico que pueden usarse en computadores de
cualquier tamao y ofrecen una amplia variedad de capacidades de
pronsticos y formatos de informes entre ellos Manugistics, Forecast
Pro y SAS.Los paquetes de software de pronostico leen los datos
contenidos en hojas de clculo, trazan grficos y los pronsticos y
los guardan para mostrar los resultados en hojas de clculo, el
precio de estos software varan entre 150 y 10000 dlares,
dependiendo de las funcionalidades que posean, el diseo de estos
programas para computadoras personales y sus precios relativamente
cmodos ponen estos paquetes al alcance de cualquier empresa.En este
mbito tenemos precedentes como los de Unilever que opto por un
enfoque el cual usa el software para compartir la informacin y
colaborar con sus clientes. En la prctica este proceso es
planificacin, pronostico y reabastecimiento en colaboracin (En
ingls CPFR) que es un proceso de 9 pasos para administrar una
cadena de valor, que permite a un fabricante y a sus clientes
colaborar en la elaboracin del pronstico mediante la
Internet.METODOS DE JUICIOLos pronsticos de los mtodos
cuantitativos solo son posibles cuando existe una cantidad
suficiente de datos histricos, que a menudo se conoce como archivo
de historial en varios paquetes comerciales de software sin embargo
estos no pueden ser confiables, por este motivo en algunos casos
los mtodos de juicio son la nica manera prctica de realizar un
pronostico, o tambin pueden utilizarse para modificar los
pronsticos generados por los mtodos cuantitativos con el fin de
prever sucesos especiales prximos y por ultimo tambin pueden
utilizarse para ajustar el archivo de historial que se analizara
con mtodos cuantitativos para descontar el impacto de
acontecimientos especiales nicos que ocurrieron en el pasado.Si no
se utilizaran mtodos de juicio se produciran pronsticos pocos
confiables. A continuacin veremos los mtodos de juicio que se
utilizan con mayor xito Las Estimaciones del personal de Ventas La
Opinion Ejecutiva La Investigacion de Mercado El Metodo Delphi
1) Estimaciones del personal de ventasLas estimaciones del
personal de ventas son pronsticos compilados a partir de
estimaciones realizadas peridicamente por miembros del personal de
ventas de las compaas.
Ventajas: El personal de ventas es el grupo con mayor
probabilidad de saber que productos o servicios compraran los
clientes en el futuro cercano adems de las cantidades. Los
territorios de ventas estn divididos a menudo en distritos o
regiones. La informacin desglosada de este modo puede ser til para
propsitos de administracin de inventarios, distribucin y
contratacin de personal. Los pronsticos de individuos del personal
de ventas pueden combinarse fcilmente para obtener cifras
correspondientes a ventas regionales o nacionales.
Desventajas: Los prejuicios individuales de los vendedores
pueden introducir sesgos en los pronsticos, por ejemplo algunas
personas son ms optimistas y otras ms cautelosas. Es posible que el
personal de ventas no siempre perciba la diferencia entre lo que el
cliente quiere y lo que el cliente necesita Si la empresa utiliza
las ventas individuales como medida del desempeo, el personal de
ventas puede subestimar sus pronsticos para que su propio desempeo
parezca bueno cuando superen esas proyecciones, o para tener que
esforzarse solamente hasta alcanzar las ventas mnimas
requeridas.
2) Opinin EjecutivaLa opinin ejecutiva es un mtodo de pronstico
el cual hace un resumen de las opiniones, experiencia y
conocimientos tcnicos de uno o varios gerentes para llegar a un
solo pronstico. La opinin ejecutiva puede utilizarse para modificar
pronsticos de ventas existentes, afn de tomar en cuenta
circunstancias inusitadas, como una nueva promocin de ventas o
acontecimientos internacionales inesperados. La opinin ejecutiva
puede usarse tambin para elaborar pronsticos tecnolgicos.La clave
principal para la utilizacin eficaz de la opinin ejecutiva consiste
en asegurarse de que el pronstico no refleje una serie de
modificaciones independientes, sino un consenso de los ejecutivos
acerca de un pronstico unificado.3) Investigacin de MercadoConsiste
en un mtodo sistemtico para determinar el grado de inters del
consumido externo por un producto o servicio, mediante la creacin y
puesta a prueba de diversas hiptesis por medio de encuestas
encaminadas a la recopilacin de datos. La realizacin de un estudio
de investigacin de mercado incluye el diseo de un cuestionario. La
decisin de cmo administrarlo, la seleccin de una muestra
representativa y el anlisis de la informacin, aplicando el buen
juicio y herramientas estadsticas para interpretar las respuestas.
A pesar de que la investigacin de mercado produce informacin
importante, una de sus desventajas son las numerosas salvedades y
limitaciones que suelen incluir sus conclusiones.4) Mtodo DelphiEs
un proceso para obtener el consenso dentro de un grupo de expertos,
al tiempo que respeta el anonimato de sus integrantes. Esta forma
de pronstico es til cuando no existen datos histricos sobre los
cuales puedan desarrollarse modelos estadsticos y cuando los
gerentes de la empresa no tienen experiencia en la cual fundamentar
proyecciones bien informadas.Un coordinador enva preguntas a cada
uno de los miembros del grupo de expertos externos, quienes tal vez
ignoran quien ms est participando. El coordinador prepara un
resumen estadstico de las respuestas, adems de un sumario de los
argumentos que vienen a propsito de algunas de ellas. El informe se
enva al mismo grupo para la otra ronda de opiniones y los
participantes pueden modificar sus respuestas anteriores si as lo
desean. Las rondas continan hasta llegar a un consenso.Este mtodo
se usa para elaborar pronsticos a largo plazo de la demanda de
productos y proyecciones de ventas de los nuevos productos.
LINEAMIENTOS PARA USAR PRONOSTICOS DE JUICIOLa necesidad de usar
pronsticos de juicio es muy clara cuando no existen datos
cuantitativos que permitan aplicar enfoques de pronstico tambin
cuantitativos. Sin embargo los mtodos de juicio pueden utilizarse
en combinacin con enfoques cuantitativos a fin de mejorar la
calidad del pronstico.Entre los lineamientos aplicables tenemos:
Ajuste los pronsticos cuantitativos cuando estos tienden a ser
imprecisos y la persona que toma las decisiones posee un
conocimiento contextual importante. Haga ajustes de los pronsticos
cuantitativos para compensar sucesos especficos: Generalmente
existen sucesos como campaas de publicidad, actividades de la
competencia o acontecimientos internacionales que no se reconocen
en los pronsticos cuantitativos y es preciso tenerlos en cuenta
para elaborar un pronstico definitivo.METODOS CAUSALES: REGRESION
LINEALLos mtodos causales se emplean cuando se dispone de datos
histricos y se pueden identificar la relacin entre el factor que se
intenta pronosticar y otros factores externos o internos .Estas
relaciones se expresan en trminos matemticos y suelen ser muy
complejas. Los mtodos causales proporcionan las herramientas de
pronstico ms avanzadas y son excelentes para prever los puntos de
cambio en la demanda y preparar pronsticos a largo plazo.En la
regresin lineal, existe una variables conocida como variable
dependiente, est relacionada con una o ms variables independientes
por medio de una ecuacin lnea.La variable dependiente es la que el
gerente desea pronosticar. Se supone que las variables
independientes influyen en la variable dependiente y por ende son
la causa de los resultados observados en el pasado.En trminos
tcnicos la lnea de regresin minimiza las desviaciones cuadrticas
con respecto a los datos reales.
El objetivo del anlisis de regresin lineal es encontrar los
valores de a y b que minimicen la suma de desviaciones cuadrticas
de los puntos de datos reales que estn representando en el grfico.
Con esta finalidad se utilizan programas de cmputo. Para cualquier
conjunto de parejas de observaciones de Y Axel programa calcula los
valores de a y b y ofrece medidas de la precisin del pronstico.
Tres medidas de uso comn son el coeficiente de correlacin de la
muestra, el coeficiente de determinacin de la muestra y el error
estndar del estimado.a) Coeficiente de correlacin de la muestra
rMide la direccin y fuerza de la relacin entre la variable
dependiente e independiente. Los valores de r pueden fluctuar entre
-1 y +1.Un coeficiente de relacin de +1 significa que los cambios
registrados de uno a otro periodo en la direccin de la variable
independiente siempre van acompaados por cambios de la variable
dependiente en la misma direccin. Un coeficiente de relacin de -1
significa que los decrementos de la variable independiente siempre
van acompaados de incrementos en la variable dependiente y
viceversa. Cuando r tiene un valor de 0 significa que no existe
relacin lineal entre las variables.b) Coeficiente de determinacin
de la muestraMide la cantidad de variacin que presenta la variable
dependiente con respecto a su valor medio, que se explica por la
lnea de regresin. El coeficiente de determinacin es igual al
cuadrado del coeficiente de correlacione valor de r2 vara entre 0 y
1.Las ecuaciones de regresin cuyo valor de r2 se aproxima a 1 son
deseables porque eso significa que las variaciones de la variable
dependiente y del pronstico generado por la ecuacin de regresin
estn estrechamente relacionadas.c) El error estndar del estimado
Syz Mide la proximidad con que los datos de la variable dependiente
se agrupan alrededor de la lnea de regresin. Aunque es semejante a
la desviacin estadas de la muestra, mide el error de la variable
dependiente. Y con respecto a la lnea de regresin en lugar de
medirlo con respecto a la media. En consecuencia es la desviacin
estndar de la diferencia entre la demanda real y la estimacin
obtenida con la ecuacin de regresin. Al determinar que variable
independiente se incluir en la ecuacin de regresin, se debe elegir
la que tenga el error estndar ms pequeo del estimado
EJERCICIO DE REGRESION LINEAL
Es acertado seleccin los gastos de publicidad para realizar un
pronstico de verdad?
Observemos que el coeficiente de correlacin es r= 0.98.Puesto
que el valor de r se aproxima mucho a 1 se concluye que existe una
fuerte relacin positiva entre las ventas y los gatos de publicidad
y que la eleccin fue acertada.A continuacin se examina el
coeficiente de determinacin de la muestra r2 o 0.96.Este valor de
r2 implica que el 96% de la variacin observada en las ventas se
explica por los gastos de publicidad.Como el gasto de publicidad
fue de 1750 el pronstico para el mes 6 segn la ecuacin es la de
183,016 unidades
MTODOS DE SERIES DE TIEMPO
En el anlisis de series de tiempo se identifican los patrones
fundamentales de la demanda que se combinan para producir el patrn
histrico observado en la variable dependiente, despus de lo cual se
elabora un modelo capaz de reproducir dicho patrn.
Pronstico empricoEs un mtodo en el cual el pronstico de la
demanda para el siguiente periodo es igual a la demanda observada
en el periodo actual (Dt). De esta manera, si la demanda real del
mircoles ha sido de 35 clientes, la demanda pronosticada para el
jueves ser de 35 clientes. Si la demanda real del jueves es de 42
clientes, la demanda pronosticada para el viernes tambin ser de 42
clientes. El mtodo de pronstico emprico se puede adaptar para tomar
en cuenta una tendencia de la demanda. El incremento (o decremento)
observado en la demanda de los dos ltimos periodos se usa para
ajustar la demanda actual a fin de llegar a un pronstico. Suponga
que la demanda fue de 120 unidades en la ltima semana y de 108
unidades la semana anterior. El incremento de la demanda fue de 12
unidades en una semana, por lo que el pronstico para la siguiente
semana sera de 120 + 12 = 132 unidades. Si la demanda real de la
semana siguiente resultara ser de 127 unidades, el siguiente
pronstico sera de 127 + 7 = 134 unidades. El mtodo de pronstico
emprico tambin se puede aplicar a patrones estacionales. Si la
demanda durante julio del ao pasado fue de 50,000 unidades, el
pronstico para julio del ao en curso ser de 50,000 unidades.
Asimismo, los pronsticos de demanda para cada uno de los meses del
ao entrante ser un simple reflejo de la demanda real observada en
esos mismos meses durante el ao pasado.
ESTIMACIN DEL PROMEDIO
Cada serie de tiempo de demanda tiene por lo menos dos de los
cinco patrones posibles de demanda: el horizontal y el aleatorio.
El patrn horizontal de una serie de tiempo se basa en la media de
las demandas. Por lo tanto, el pronstico de demanda para cualquier
periodo futuro es el promedio de las series de tiempo calculadas en
el periodo actual. Por ejemplo, si el promedio de la demanda
anterior que se calcul el martes es de 65 clientes, los pronsticos
para el mircoles, jueves y viernes sern de 65 clientes cada da.
Considere la figura 13.4, que muestra la llegada de pacientes a una
clnica mdica en las ltimas 28 semanas. Suponga que el patrn de
demanda aplicable al arribo de los pacientes no tiene ningn patrn
de tendencia, estacional o cclico. La serie de tiempo muestra
solamente un patrn horizontal y aleatorio. Como nadie puede prever
errores aleatorios, nos centraremos con estimar el promedio. Las
tcnicas estadsticas tiles para el pronstico de esas series de
tiempo son: (1) promedios mviles simples; (2) promedios mviles
ponderados, y (3) suaviza miento exponencial.
Promedios mviles simples
Se usa para estimar el promedio de una serie de tiempo de
demanda y, por lo tanto, para suprimir los efectos de las
fluctuaciones aleatorias. Este mtodo resulta ms til cuando la
demanda no tiene tendencias pronunciadas ni influencias
estacionales. La aplicacin de un modelo de promedio mvil requiere
simplemente calcular la demanda promedio para los n periodos ms
recientes, con el fin de usarla como pronstico para el siguiente
periodo. Para el periodo siguiente, una vez que se conoce la
demanda, la demanda ms antigua incluida en el promedio anterior se
sustituye por la demanda ms reciente y luego se vuelve a calcular
el promedio. De esta manera, se usan las n demandas ms recientes y
el promedio se mueve de un periodo a otro. En trminos especficos,
el pronstico correspondiente al periodo t + 1 se calcula como
sigue:
Con el mtodo de promedio mvil, el pronstico de la demanda en el
periodo siguiente ser igual al promedio calculado al final de este
periodo. En cualquier mtodo de pronstico, es importante medir la
precisin de los pronsticos. El error de pronstico es simplemente la
diferencia que se obtiene al restar el pronstico de la demanda real
en cualquier periodo determinado, o
Ejemplo
Considere la figura 13.5, que muestra una comparacin entre las
llegadas reales de pacientes y un pronstico basado en un promedio
mvil para tres y seis semanas, correspondientes a los datos de la
clnica mdica. Observe que el pronstico del promedio mvil de tres
semanas vara ms y reacciona con mayor rapidez ante las grandes
fluctuaciones de la demanda.
Promedios mviles ponderados
En el mtodo de promedio mvil simple, todas las demandas tienen
la misma ponderacin en el promedio, es decir, 1/n. En el mtodo de
promedio mvil ponderado, cada una de las demandas histricas que
intervienen en el promedio puede tener su propia ponderacin. La
suma de las ponderaciones es igual a 1.0. Por ejemplo, en un modelo
con promedio mvil ponderado de tres periodos, al periodo ms
reciente se le puede asignar una ponderacin de 0.50, al segundo ms
reciente se le asigna una ponderacin de 0.30, y al tercero ms
reciente, una de 0.20. El promedio se obtiene multiplicando la
ponderacin de cada periodo por el valor correspondiente a dicho
periodo y sumando finalmente los productos:
La ventaja del mtodo de promedio mvil ponderado es que permite
destacar la demanda reciente sobre la demanda anterior. (Incluso
permite manejar los efectos estacionales, si se asignan
ponderaciones ms altas a periodos anteriores en la misma
temporada). Este pronstico suele responder mejor a los cambios
registrados en el promedio fundamental de la serie de demandas que
el pronstico de promedio mvil simple. No obstante, el pronstico de
promedio mvil ponderado seguir retrasndose con respecto a la
demanda porque slo calcula promedios de la demanda en el pasado.
Este retraso es especialmente notable cuando existe una tendencia,
porque el promedio de la serie de tiempo se va incrementando o
disminuyendo en forma sistemtica. El mtodo de promedio mvil
ponderado presenta los mismos inconvenientes que el mtodo de
promedio mvil simple: es necesario recopilar los datos de n
periodos de demanda para poder calcular el promedio correspondiente
a cada periodo.
Suaviza miento exponencial
El mtodo de suaviza miento exponencial es un mtodo de promedio
mvil ponderado muy refinado que permite calcular el promedio de una
serie de tiempo, asignando a las demandas recientes mayor
ponderacin que a las demandas anteriores. Es el mtodo de pronstico
formal que se usa ms a menudo por su sencillez y por la reducida
cantidad de datos que requiere. A diferencia del mtodo de promedio
mvil ponderado, que requiere n periodos de demanda pasada y n
ponderaciones, el mtodo de suaviza miento exponencial necesita
solamente tres datos: el pronstico del ltimo periodo, la demanda de
ese periodo y un parmetro de suaviza miento, alfa (), cuyo valor
flucta entre 0 y 1.0. Para elaborar un pronstico con suaviza miento
exponencial, simplemente se calcula un promedio ponderado de la
demanda ms reciente y el pronstico calculado para el ltimo periodo.
La ecuacin correspondiente a este pronstico es:
La siguiente es una ecuacin equivalente:
Esta forma de la ecuacin muestra que el pronstico para el
periodo siguiente es igual al pronstico del periodo actual ms una
proporcin del error del pronstico correspondiente al periodo
actual. El nfasis que se hace en los niveles de demanda ms
recientes puede ajustarse modificando el parmetro de suaviza
miento. Los valores ms grandes de hacen nfasis en los niveles
recientes de la demanda y dan lugar a pronsticos que tienen mejor
capacidad de respuesta ante los cambios en el promedio fundamental.
Con valores de ms pequeos, se considera ms uniformemente la demanda
pasada y se producen pronsticos ms estables. En la prctica, se
ensaya con diversos valores de y se elige el que produzca los
mejores pronsticos. Para poner en marcha el suaviza miento
exponencial se requiere un pronstico inicial. Hay dos formas de
obtener ese pronstico inicial: usar la demanda del ltimo periodo, o
si se dispone de datos histricos, calcular el promedio de varios
periodos recientes de demanda. El efecto de la estimacin inicial
del promedio sobre las estimaciones sucesivas del mismo disminuye a
travs del tiempo porque, con el suaviza miento exponencial, las
ponderaciones asignadas a las demandas histricas sucesivas que se
utilizan para calcular el promedio disminuyen exponencialmente.
Este efecto se puede ilustrar con un ejemplo. Suponiendo que _ =
0.20, el pronstico para el periodo t + 1 es:
Finalmente, las ponderaciones de las demandas de hace muchos
periodos se aproximan a cero. Igual que en el mtodo de promedio
mvil ponderado, la suma de las ponderaciones debe ser igual a 1.0,
lo cual va implcito en la ecuacin de suaviza miento
exponencial.
INCLUSIN DE UNA TENDENCIA
En seguida se considerar una serie de tiempo de la demanda con
una tendencia. En una serie de tiempo, una tendencia es un
incremento o decremento sistemtico en el promedio de la serie a
travs del tiempo. Cuando existe una tendencia significativa, los
mtodos de suaviza miento exponencial deben modificarse; de lo
contrario, los pronsticos siempre estarn por arriba o por debajo de
la demanda real. Para mejorar el pronstico, es necesario calcular
una estimacin de la tendencia. Comenzaremos calculando la estimacin
actual de dicha tendencia, que no es sino la diferencia entre el
promedio de la serie calculado en el periodo actual y el promedio
calculado en el ltimo periodo. Para obtener una estimacin de la
tendencia a largo plazo, se pueden promediar las estimaciones
actuales. El mtodo para estimar una tendencia es similar al que se
emplea para estimar el promedio de la demanda con el suaviza miento
exponencial. El mtodo para incorporar una tendencia en un pronstico
suavizado exponencialmente se conoce como mtodo de suaviza miento
exponencial ajustado a la tendencia. En este enfoque, se suavizan
las estimaciones del promedio y la tendencia, para lo cual se
requieren dos constantes de suaviza miento. Se calcula el promedio
y la tendencia para cada periodo:
Para realizar pronsticos para periodos posteriores al siguiente,
se multiplica la estimacin de la tendencia (Tt) por el nmero de
periodos adicionales que se desea incluir en el pronstico, y se
suman los resultados al promedio actual (At). Las estimaciones del
promedio y la tendencia correspondientes al ltimo periodo que se
requieren en el primer pronstico pueden obtenerse a partir de datos
del pasado o basarse en una estimacin aproximada si no existen
datos histricos. Para encontrar los valores de y , es frecuente que
el analista ajuste sistemticamente y hasta obtener los errores de
pronstico ms bajos posibles. Este proceso se puede llevar a cabo en
un ambiente experimental, usando el modelo para pronosticar las
cifras histricas de demanda.
La figura 13.6 muestra el pronstico ajustado a la tendencia (la
lnea gris clarol) correspondiente a Medanalysis, para un periodo de
15 semanas. Se ha establecido en 0.20, en 0.20, la demanda inicial
en 28 y la estimacin inicial de la tendencia en 3. Al final de cada
semana, se calcul un pronstico para la semana siguiente, usando el
nmero de anlisis de sangre correspondiente a la semana actual.
Observe que los pronsticos (los cuales se presentan en la tabla
13.2) varan menos que la demanda real a causa del efecto suavizador
del procedimiento que se emple para calcular las estimaciones del
promedio y la tendencia. Mediante el ajuste de y , se puede hallar
un pronstico ms apropiado. Para elaborar pronsticos
correspondientes a periodos posteriores al siguiente, se multiplica
la estimacin de la tendencia por el nmero de periodos adicionales
que se desea incluir en el pronstico y se suma el resultado al
promedio actual. Por ejemplo, si al final de la semana 2 se deseara
estimar la demanda de anlisis de sangre en la semana 6 (es decir, 4
semanas ms adelante), el pronstico sera de 35.23 + 4(3.28) = 48
anlisis. Una vez que llega la semana 15 y se sabe que el nmero real
de llegadas fue de 75 pacientes, el promedio suavizado se actualiza
a 66.38 y el promedio de la tendencia a 2.29. En seguida, se pueden
elaborar pronsticos para varias semanas en el futuro. Por ejemplo,
los pronsticos para las prximas 3 semanas seran:Pronstico para la
semana 16 = 66.38 + (1) (2.29) = 68.67 Pronstico para la semana 17
= 66.38 + (2) (2.29) = 70.96 Pronstico para la semana 18 = 66.38 +
(3) (2.29) = 73.25.
PATRONES ESTACIONALES
Muchas organizaciones tienen una demanda estacional de sus
bienes o servicios. Los patrones estacionales estn formados por
movimientos ascendentes o descendientes de la demanda, que se
repiten con regularidad, medidos en periodos de menos de un ao
(horas, das, semanas, meses o trimestres). En este contexto, dichos
periodos se llaman estaciones. Por ejemplo, la llegada de los
clientes a un establecimiento de comida rpida en un da cualquiera
puede alcanzar un punto mximo entre las 11 de la maana y la 1 de la
tarde, y de nuevo entre las 5 de la tarde y las 7 de la noche. En
este caso, la duracin del patrn estacional es de un da y cada hora
del da es una estacin. Una manera sencilla de tomar en cuenta los
efectos estacionales es usar una de las tcnicas ya descritas, pero
limitando los datos de la serie de tiempo a periodos de la misma
estacin. Por ejemplo, para un efecto estacional de un da de la
semana, una serie de tiempo correspondera a los lunes, otra a los
martes, y as sucesivamente. Si se usa el pronstico emprico, el
pronstico para este martes es la demanda real de hace siete das (la
del martes pasado), en vez de la demanda real de hace un da (la del
lunes). Si se usa el mtodo del promedio mvil ponderado, se
atribuyen ponderaciones altas a los periodos anteriores que
pertenecen a la misma estacin. El procedimiento en cuatro pasos que
aqu se presenta requiere el uso de promedios simples de la demanda
pasada, pero tambin podran usarse otros mtodos ms complejos para
calcular promedios, como los de promedio mvil o suaviza miento
exponencial. La siguiente descripcin est basada en un patrn
estacional con un ao de duracin y estaciones equivalentes a un mes,
aunque el procedimiento se puede utilizar con cualquier patrn
estacional y con estaciones de cualquier duracin.
1. Para cada ao, calcule la demanda promedio por estacin,
dividiendo la demanda anual entre el nmero de estaciones por ao.
Por ejemplo, si la demanda total de un ao es de 6,000 unidades y
cada mes representa una estacin, la demanda promedio por estacin
ser de 6,000/12 = 500 unidades.
2. Para cada ao, divida la demanda real correspondiente a una
estacin entre la demanda promedio por estacin. El resultado as
obtenido ser un ndice estacional para cada una de las estaciones
del ao, el cual indica el nivel de la demanda en relacin con la
demanda promedio. Por ejemplo, suponga que la demanda de marzo fue
de 400 unidades. Entonces, el ndice estacional de marzo es de
400/500 = 0.80, lo que indica que la demanda de marzo es 20%
inferior a la demanda promedio por mes. Asimismo, un ndice
estacional de 1.14 para abril implica que la demanda de abril es
14% mayor que la demanda promedio por mes.
3. Calcule el ndice estacional promedio para cada estacin,
usando los resultados del paso 2. Sume los ndices estacionales para
una estacin dada y divdalos entre el nmero de aos que abarquen los
datos. Por ejemplo, suponga que se han calculado tres ndices
estacionales para abril: 1.14, 1.18 y 1.04. El ndice estacional
promedio de abril es (1.14 + 1.18 + 1.04)/3 = 1.12. ste es el ndice
que se usar para pronosticar la demanda de abril.
4. Calcule el pronstico de cada estacin para el ao siguiente.
Comience con el clculo de la demanda promedio por estacin para el
ao siguiente. Use el mtodo emprico, los promedios mviles, el
suaviza miento exponencial, el suaviza miento exponencial ajustado
a la tendencia, o la regresin lineal, para elaborar el pronstico de
la demanda anual. Divida luego la demanda anual entre el nmero de
estaciones por ao. Encuentre finalmente el pronstico estacional,
multiplicando el ndice estacional por la demanda promedio por
estacin. Al final de cada ao, se puede actualizar el factor
estacional promedio de cada estacin. Se calcula el promedio de
todos los factores histricos correspondientes a la estacin o, si se
necesita tener cierto control sobre la pertinencia de los patrones
de la demanda pasada, se calcula un promedio mvil o un promedio
sencillo con suaviza miento exponencial.
La figura 13.8 (a) muestra una serie de tiempo con un patrn
estacional multiplicativo. Observe cmo va aumentando la amplitud de
las estaciones, lo que refleja una tendencia ascendente de la
demanda. Sucede lo contrario cuando la demanda tiene una tendencia
descendente. Otra opcin, en lugar del mtodo estacional
multiplicativo, es el mtodo estacional aditivo, en el cual los
pronsticos estacionales se obtienen sumando una constante (por
ejemplo, 50 unidades) a la estimacin de la demanda promedio por
estacin. Este mtodo se basa en la suposicin de que el patrn
estacional es constante, cualquiera que sea la demanda promedio. La
figura 13.8 (b) muestra una serie de tiempo con un patrn estacional
aditivo. En este caso, la amplitud de las estaciones se mantiene
siempre idntica, independientemente de cul sea el nivel de la
demanda.
SELECCIN DE UN MTODO DE SERIES DE TIEMPO
Ahora se estudiarn los factores que los gerentes deben tomar en
cuenta al seleccionar un mtodo para elaborar pronsticos con series
de tiempo. Una consideracin importante es el desempeo del
pronstico, el cual determinan los errores de pronstico. Los
gerentes tienen que aprender a medir los errores de pronstico y la
forma de detectar cuando algo marcha mal en el sistema de
pronstico. Despus de examinar los errores de pronstico y su
deteccin, se explicarn los criterios que los gerentes pueden
aplicar para seleccionar un mtodo apropiado de pronstico con series
de tiempo.
ERROR DE PRONSTICO
Los pronsticos casi siempre contienen errores. Los errores de
pronstico se clasifican en dos formas: ya sea como errores de sesgo
o como errores aleatorios. Los errores de sesgo son el resultado de
equivocaciones sistemticas, por lo cual se observa que el pronstico
siempre es demasiado alto o demasiado bajo. Con frecuencia, esos
errores son el resultado de pasar por alto o no estimar
correctamente los patrones de la demanda, como los de tendencia,
los estacionales o los cclicos. El otro tipo de error de pronstico,
el error aleatorio, es el resultado de factores imprevisibles que
provocan que el pronstico se desve de la demanda real. Los
analistas de pronsticos intentan minimizar los efectos de los
errores de sesgo y los errores aleatorios, seleccionando modelos de
pronstico apropiados, pero es imposible suprimir los errores en
todas sus formas. Mediciones del error de pronstico La definicin
presentada anteriormente del error de pronstico para un periodo
determinado (Et = Dt - Ft) es el punto de partida para crear varias
medidas del error de pronstico que abarcan un periodo relativamente
largo. La suma acumulada de errores de pronstico (CFE) (del ingls
cumulative sum of forecast errors) mide el error total de un
pronstico:
Los grandes errores positivos tienden a compensarse con grandes
errores negativos en la medida de la CFE. Sin embargo, la CFE
resulta til para evaluar el sesgo de un pronstico. Por ejemplo, si
un pronstico siempre resulta ms bajo que la demanda real, el valor
de la CFE ser cada vez ms grande. Este error de magnitud creciente
indica que existe una deficiencia sistemtica en el mtodo de
pronstico. Es posible que el analista haya omitido un elemento de
tendencia o un patrn cclico, o tal vez las influencias estacionales
hayan cambiado con respecto a su patrn histrico. Observe que el
error de pronstico promedio es simplemente:
El error cuadrtico medio (MSE) (del ingls mean squared error),
la desviacin estndar (S) y la desviacin media absoluta (MAD) (del
ingls mean absolute deviation) miden la dispersin de los errores de
pronstico:
El smbolo matemtico || se usa para indicar el valor absoluto; es
decir, indica que debe hacerse caso omiso de los signos positivos o
negativos. Si el valor del MSE, la s o la MAD es pequeo, el
pronstico se aproxima generalmente a la demanda real; en contraste,
un valor grande indica la posibilidad de errores de pronstico
considerables. Las dos medidas difieren por la forma en que ponen
de relieve los errores. Los errores grandes reciben una ponderacin
mucho mayor en el MSE y la porque en estos casos los errores son
cuadrticos. La MAD es una medida muy comn del error de pronstico
porque los gerentes la comprenden fcilmente; se trata simplemente
de la media de los errores de pronstico a travs de una serie de
periodos, sin considerar si dichos errores consistieron en
estimaciones excesivas o en subestimaciones. La MAD tambin se usa
en seales de rastreo y control de inventarios. Ms adelante se
explicar cmo se puede usar la MAD o la s para determinar los
volmenes de seguridad requeridos para diversos elementos de
inventario. El error porcentual medio absoluto (MAPE) (del ingls
mean absolute percent error) relaciona el error de pronstico con el
nivel de la demanda, y es til para colocar el desempeo del
pronstico en su perspectiva correcta:
Por ejemplo, un error de pronstico absoluto de 100 provoca un
error porcentual mayor cuando la demanda es de 200 unidades que
cuando la demanda es de 10,000 unidades. MAPE es la mejor medida de
error que puede usarse para hacer comparaciones entre series de
tiempo para diferentes SKU.