Este documento describe diferentes métodos de previsión. Explica que la previsión implica predecir eventos futuros basados en datos históricos y proyecciones de modelos matemáticos. Detalla métodos cualitativos como encuestas de expertos y métodos cuantitativos como series temporales y medias móviles. Estos últimos usan datos pasados para predecir valores futuros y suavizar fluctuaciones en la demanda. También cubre conceptos como tendencias, estacionalidad y ciclos al analizar series de tiempo.
2. CONTENIDO
1. ¿Qué es la previsión?
2. Tipos de previsiones
3. La importancia estratégica de la previsión
4. Etapas en el sistema de previsión
5. Enfoques de la previsión
6. Previsión de series temporales
7. Métodos de previsión causal: análisis de
regresión y correlación
8. Seguimiento y control de previsiones
4. ¿QUÉ ES LA PREVISIÓN?
Es el arte y la ciencia de predecir acontecimientos
futuros.
Supone la recopilación de datos históricos y su
proyección hacia el futuro con algún tipo de modelo
matemático.
Una planificación eficaz, tanto a corto como a largo
plazo, se basa en la previsión de la demanda.
5. HORIZONTES TEMPORALES DE LA PREVISIÓN
A corto plazo:
Cobertura hasta tres meses
Se usa para:
Planificación de compras
Programación de trabajos
Programación de necesidades de mano de obra
Asignación de tareas
Planificación de los niveles de producción
6. HORIZONTES TEMPORALES DE LA PREVISIÓN
A mediano plazo:
Cobertura entre tres meses y tres años
Se usa para:
Planificación de las ventas
Planificación de la producción y de su presupuesto
Planificación de caja
Para análisis de diferentes planes operativos
A largo plazo:
Periodos mayores a tres años
Se usa para:
Planificación de desarrollo y lanzamiento de nuevos productos
Gastos de capital – Inversiones
Localización o expansión de instalaciones
7. DIFERENCIAS ENTRE PREVISIONES A CORTO
PLAZO Y MEDIANO/LARGO PLAZO
1. A mediano y largo plazo se tratan de cuestiones
mas globales. Son base para decisiones de
gestión referentes a productos, plantas y
procesos
2. En las de corto plazo se usan metodologías de
diferentes. Métodos mas específicos y mas
cuantitativos.
3. Las de corto plazo tienden a ser mas exactas.
9. PREVISIONES ECONÓMICAS
Indicadores de planificación valiosos para ayudar a
las organizaciones a preparar previsiones a medio y
largo plazo
Tasas de inflación
Construcción de viviendas
Otros indicadores macroeconómicos
10. PREVISIONES SOBRE LA TECNOLOGÍA
Pronósticos a largo plazo relacionados con la tasa de
crecimiento tecnológico
11. PREVISIONES DE LA DEMANDA
Son estimaciones de la demanda de los productos o
servicios de la empresa.
Algunas veces se llaman pronósticos de ventas
(forecast de ventas).
Conducen a los sistemas de producción de las
empresas, su capacidad y su planificación.
Sirven como input para la planificación financiera, de
mercadeo y de personal.
13. IMPORTANCIA ESTRATÉGICA
La previsión es la única conocimiento que tenemos
de la demanda hasta que se conozca la demanda
real.
Determinan decisiones de muchas áreas.
RRHH
Capacidad
Gestión de la cadena de suministros
14. EN RRHH
La contratación, formación y desvinculación
dependen de la demanda estimada.
Si RRHH debe contratar sin previo aviso:
Formación
Calidad de la plantilla
15. CAPACIDAD
Capacidad insuficiente genera déficit
incumplimiento en las entregas pérdida de clientes
pérdida de market share
Exceso de capacidad aumento de los costos
16. CADENA DE SUMINISTROS
De la exactitud de las previsiones dependen las
buenas relaciones con los proveedores y las ventajas
de precio para materiales
Ej: justificación de ampliaciones o inversiones en las instalaciones de los proveedores.
18. ETAPAS DE LA PREVISIÓN
Se siguen siete etapas básicas para iniciar, diseñar
e implementar un sistema de previsiones
1. Determinar el uso de la previsión (por ej. definir los
niveles de producción)
2. Seleccionar los sku’s para los que se va a realizar la
previsión
3. Definir el horizonte temporal de la previsión (largo,
mediano o corto plazo)
4. Seleccionar el modelo o los modelos de previsión
5. Recopilación de los datos necesarios para hacer la
previsión
6. Realizar la previsión
7. Validar e implementar los resultados
19. ETAPAS DE LA PREVISIÓN
Realidades:
1. Las previsiones rara vez son perfectas
Hay factores externos que no se pueden predecir o controlar
2. La mayoría de las técnicas de previsión suponen que
el sistema tiene cierta estabilidad
Automatización de las predicciones
3. Las previsiones de familias de productos como las
agregadas son mas precisas que las previsiones de
productos individuales
Este enfoque ayuda a equilibrar las predicciones por defecto
o por exceso de cada producto
21. ENFOQUES DE LA PREVISIÓN
Previsión
Enfoque
cualitativo
Incorporan factores tales como
la intuición de las personas que
toman las decisiones,
emociones, experiencias y
sistemas de valores
Enfoque
cuantitativo
Se usan diferentes modelos
matemáticos
Utilizan datos históricos y
variables para prever la
demanda
22. MÉTODOS CUALITATIVOS
1
• Jurado de opinión ejecutiva
2
• Método Delphi
3
• Propuesta del personal de ventas
4
• Estudio de mercado
23. MÉTODOS CUALITATIVOS
Jurado de opinión ejecutiva
Es una técnica de previsión que recoge la opinión de
un grupo de directivos de alto nivel (a menudo en
combinación con modelos estadísticos) a partir de la
que se alcanza una estimación de la demanda
24. MÉTODOS CUALITATIVOS
Método Delphi
Es una técnica de previsión que utiliza un proceso de
grupo que permite a los expertos realizar previsiones.
Existen 3 tipos de participantes en el método:
Los que toman decisiones: expertos que realizan la
previsión
El personal soporte: ayuda a los que toman decisiones
analizando los resultados de las encuestas
Los encuestados: personas cuyas opiniones son el input
para los tomadores de decisiones
25. MÉTODOS CUALITATIVOS
Propuesta del personal de ventas
Es una técnica de previsión que se basa en la
estimación de las ventas esperadas por los
vendedores de cada zona
Estas previsiones se revisan posteriormente para
asegurarse de que son realistas
26. MÉTODOS CUALITATIVOS
Estudio de mercado
Es una técnica de previsión que requiere información
de los clientes o clientes potenciales con respecto a
los planes de compra futuros
Esto es útil para mejorar el diseño de un producto y
planificar nuevos productos
Pueden ofrecer una previsión excesivamente
optimista dada la información transmitida por el
consumidor
27. MÉTODOS CUANTITATIVOS
• Enfoque simple
• Medias móviles
• Alisado exponencial
• Proyección de tendencia
Modelos de
series
temporales
• Regresión linealModelo
asociativos
(o
causales)
28. MÉTODOS CUANTITATIVOS
Modelos de series temporales
Predicen partiendo de la premisa de que el futuro es
una función del pasado
Observan lo que ha ocurrido a lo largo de un periodo de
tiempo y utilizan una serie de datos pasados
Modelos asociativos o causales
Incorporan variables que pueden influir en la cantidad
que se va a predecir
30. PREVISIÓN DE SERIES TEMPORALES
Está basada en una secuencia de datos
uniformemente espaciados
Implica que los valores futuros son predichos
únicamente a partir de valores pasados
Se desestiman otras variables sin importar el valor
potencial que puedan tener
31. DESCOMPOSICIÓN DE UNA SERIE TEMPORAL
El análisis de series temporales implica desglosar
los datos pasados en cuatro componentes:
1. Tendencia
2. Estacionalidad
3. Ciclos
4. Variaciones irregulares o aleatorias
32. DESCOMPOSICIÓN DE UNA SERIE TEMPORAL
Tendencia:
Es el movimiento gradual de subida o bajada de los
valores de los datos a lo largo del tiempo.
Ej. cambios en los ingresos, la población, la distribución por edades o
los gustos culturales
33. DESCOMPOSICIÓN DE UNA SERIE TEMPORAL
Estacionalidad:
Es el patrón de variabilidad de los datos que se repite
cada cierto tiempo (número de días, semanas, meses
o trimestres)
Periodo del
patrón
Duración de la estación
Número de estaciones en
el patrón
Semana Día 7
Mes Semana 4 – 4 ½
Mes Día 28 – 31
Año Trimestre 4
Año Mes 12
Año Semana 52
34. DESCOMPOSICIÓN DE UNA SERIE TEMPORAL
Ciclos:
Son patrones en los datos que ocurren cada cierto
número de años
Normalmente están relacionados con ciclos
económicos
Son de gran importancia en el análisis y planificación
de los negocios a corto plazo
35. DESCOMPOSICIÓN DE UNA SERIE TEMPORAL
Variaciones irregulares o aleatorias:
Son irregularidades en los datos causados por el
azar y situaciones inusuales
No siguen ningún patrón perceptible
En épocas estables, hacer pronósticos es fácil: consiste en
sumar o restar al comportamiento de un año determinado unos
cuantos puntos porcentuales
36. DESCOMPOSICIÓN DE UNA SERIE TEMPORAL
Demanda de un producto durante 4 años, señalando una tendencia
en crecimiento y la estacionalidad
37. PREVISIÓN DE SERIES TEMPORALES
Está basada en una secuencia de datos
uniformemente espaciados
Implica que los valores futuros son predichos
únicamente a partir de valores pasados
Se desestiman otras variables sin importar el valor
potencial que puedan tener
38. ENFOQUE SIMPLE
Es una técnica de previsión sencilla que supone que
la demanda del próximo periodo es igual a la
demanda del último periodo
Para algunas líneas de productos, es el modelo con
la mejor relación eficacia-costo y eficiencia en la
consecución de los objetivos
Sirve de punto de partida para poder comparar con
los modelos de previsión mas complejos
39. MEDIAS MÓVILES
Es una técnica de previsión que utiliza una serie de
valores recientes de los datos
Son útiles si se puede suponer que las demandas del
mercado serán bastante estables a lo largo del
tiempo
Este modelo tiende a suavizar las irregularidades a
corto plazo en las series de datos
40. MEDIAS MÓVILES
Donde n es el número de periodos en la media móvil
(por ejemplo 4, 5 o 6 meses), para medias móviles de
4, 5 o 6 periodos, respectivamente
¿Cómo se calculan?????
41. MEDIAS MÓVILES (EJEMPLO)
MES VENTAS REALES (und) MEDIA MÓVIL DE 3 MESES
Enero 10
Febrero 12
Marzo 13
Abril 16 (10+12+13)/3 = 11,67
Mayo 19 (12+13+16)/3 = 13,67
Junio 23 (13+16+19)/3 = 16
Julio 26 (16+19+23)/3 = 19,33
Agosto 30 (19+23+26)/3 = 22,67
Septiembre 28 (23+26+30)/3 = 26,33
Octubre 18 (26+30+28)/3 = 28
Noviembre 16 (30+28+18)/3 = 25,33
Diciembre 14 (28+18+16)/3 = 20,67
43. MEDIAS MÓVILES
Si existe una tendencia o patrón se pueden utilizar
ponderaciones para resaltar los valores mas
recientes
Así se hace que la técnica sea mas sensible a los
cambios
No hay fórmula para elegir las ponderaciones
Si al último mes se le da demasiada ponderación,
la previsión puede reflejar demasiado rápido una
gran variación de la demanda
45. MEDIAS MÓVILES (EJEMPLO)
Ponderación aplicada Periodo
3 Último mes
2 Hace 2 meses
1 Hace 3 meses
6 Suma de ponderaciones
Previsión para este mes:
(3 x ventas último mes) + (2 x ventas de hace 2 meses) + (1 x ventas de hace 3 meses)
6 suma de ponderaciones (3 + 2 + 1)
46. MEDIAS MÓVILES PONDERADAS (EJEMPLO)
MES VENTAS REALES (und) MEDIA MÓVIL DE 3 MESES
Enero 10
Febrero 12
Marzo 13
Abril 16 ((10x1)+(12x2)+(13x3))/6 = 12,17
Mayo 19 ((12x1)+(13x2)+(16x3))/6 = 14,33
Junio 23 ((13x1)+(16x2)+(19x3))/6 = 17
Julio 26 ((16x1)+(19x2)+(23x3))/6 = 20,5
Agosto 30 ((19x1)+(23x2)+(26x3))/6 = 23,83
Septiembre 28 ((23x1)+(26x2)+(30x3))/6 = 27,5
Octubre 18 ((26x1)+(30x2)+(28x3))/6 = 28,33
Noviembre 16 ((30x1)+(28x2)+(18x3))/6 = 23,33
Diciembre 14 ((28x1)+(18x2)+(16x3))/6 = 18,67
48. MEDIAS MÓVILES (SIMPLES Y PONDERADAS)
Ambas son eficaces en el alisado de fluctuaciones
repentinas de demanda
La media móvil ponderada reacciona mas
rápidamente a los cambios de la demanda
Pero tienen problemas...
49. MEDIAS MÓVILES
Debilidades:
1. Si se aumenta el tamaño de n (número de periodos
promediados) se manejan mejor las fluctuaciones
pero se hace menos sensible a cambios reales en los
datos
2. No son buenas para captar tendencias. Esto es por
ser promedios y siempre seguirán el ritmo de niveles
pasados. No podrán predecir cambios hacia niveles
superiores o inferiores. Se rezagan con respecto a los
valores reales.
3. Requieren un gran número de datos históricos
50. ALISADO EXPONENCIAL
Es una técnica de previsión de media móvil
ponderada en la que los datos se ponderan
mediante una función exponencial
Necesita un número reducido de datos
Relativamente fácil de usar
51. ALISADO EXPONENCIAL
La fórmula base se puede representar así:
Nueva previsión = previsión del último periodo + α
(demanda real del último periodo – previsión del
último periodo)
α es una ponderación o constante de alisado
(elegida por quien hace la ponderación)
Toma valores entre 0 y 1
52. ALISADO EXPONENCIAL
Matemáticamente es:
Ft = nueva previsión
Ft-1 = previa previsión
α = constante de alisado (0 ≤ α ≥ 1)
At-1 = demanda real del periodo previo
t-1 = periodo previo
53. ALISADO EXPONENCIAL
Consideración:
La estimación de la demanda para un periodo es
igual a la estimación hecha para el periodo anterior,
ajustada por una fracción de la diferencia entre la
demanda real del periodo anterior y la estimación
que hicimos para el mismo
¿Como se calcula????
54. ALISADO EXPONENCIAL (EJEMPLO)
En enero, una fabrica predijo para febrero una
demanda de 142 unidades. La demanda real en
febrero fue de 153 unidades. Usando una constante
de alisado escogida por la dirección de α=0,2 se
puede predecir la demanda de marzo, que se calcula
así:
Previsión de marzo = 142 + 0,2 x (153 – 142)
Previsión de marzo = 142 + 2,2
Previsión de marzo = 144 unidades
55. ALISADO EXPONENCIAL
Constante de alisado:
Habitualmente está en un intervalo de 0,05 y 0,50
Si se quiere dar mayor ponderación a valores recientes,
α debe ser alto
Si se quiere dar mayor ponderación a valores antiguos,
α debe ser bajo
Si el valor es 1, desaparecen todos los valores antiguos
56. ALISADO EXPONENCIAL (EJEMPLO)
MES VENTAS REALES (und) PREVISIONES (α=0,30)
Enero 10 12 (ya la tenemos)
Febrero 12 12 + 0,3x(10-12)= 11
Marzo 13 11 + 0,3x(12-11)= 11
Abril 16 12
Mayo 19 13
Junio 23 15
Julio 26 17
Agosto 30 20
Septiembre 28 23
Octubre 18 25
Noviembre 16 23
Diciembre 14 21
58. ALISADO EXPONENCIAL (EJEMPLO CON 0,05)
MES VENTAS REALES (und) PREVISIONES (α=0,05)
Enero 10 12 (ya la tenemos)
Febrero 12 12 + 0,05x(10-12)= 12
Marzo 13 12 + 0,05x(12-11)= 12
Abril 16 12
Mayo 19 12
Junio 23 12
Julio 26 13
Agosto 30 14
Septiembre 28 15
Octubre 18 16
Noviembre 16 16
Diciembre 14 16
60. ALISADO EXPONENCIAL (EJEMPLO)
MES VENTAS REALES (und) PREVISIONES (α=0,50)
Enero 10 12 (ya la tenemos)
Febrero 12 12 + 0,50x(10-12)= 11
Marzo 13 11 + 0,50x(12-11)= 12
Abril 16 12
Mayo 19 14
Junio 23 17
Julio 26 20
Agosto 30 23
Septiembre 28 26
Octubre 18 27
Noviembre 16 23
Diciembre 14 19
62. ALISADO EXPONENCIAL
Consideraciones:
La estimación de la demanda para un periodo es igual a
la estimación hecha para el periodo anterior, ajustada
por una fracción de la diferencia entre la demanda real
del periodo anterior y la estimación que hicimos para el
mismo
Un α inadecuado puede marcar la diferencia entre una
previsión precisa y una imprecisa
Es una técnica exitosa usada regularmente en las
empresas, especialmente por los programas para el
control de inventarios
63. MEDICIÓN DEL ERROR DE PREVISIÓN
La exactitud de cualquier método de previsión
(media móvil, alisado exponencial u otro) se
encuentra comparando los valores previstos de
periodos pasados con la demanda real
Error de previsión = Demanda real – Previsión
Error = At – Ft
At = demanda real
Ft = previsión
64. MEDICIÓN DEL ERROR DE PREVISIÓN
Tres medidas habituales para calcular el error total
de previsión
Desviación Media Absoluta (DAM)
Error Cuadrado Medio (ECM)
Error Porcentual Absoluto Medio (EPAM)
Se usan para:
Comparar distintos modelos de previsión
Controlar que las previsiones están siendo adecuadas
65. DESVIACIÓN ABSOLUTA MEDIA (DAM)
Se calcula sumando los valores absolutos de los
errores de previsión individuales y dividiendo por el
número de periodos de los datos (n)
Los programas como SAP encuentran la constante
de alisado mas baja para hacer sus cálculos
Matemáticamente es:
66. DESVIACIÓN ABSOLUTA MEDIA (DAM)
MES
VENTAS REALES
(und)
PREVISIONES (α=0,30) PREVISIONES (α=0,50)
Enero 10 12 12
Febrero 12 11 11
Marzo 13 11 12
Abril 16 12 12
Mayo 19 13 14
Junio 23 15 17
67. DESVIACIÓN ABSOLUTA MEDIA (DAM)
MES
VENTAS
REALES
(und)
PREVISIONES
(α=0,30)
DAM (α=0,30)
PREVISIONES
(α=0,50)
DAM (α=0,50)
Enero 10 12 (10 – 12) = -2 12 (10 – 12) = -2
Febrero 12 11 1 11 1
Marzo 13 11 2 12 2
Abril 16 12 4 12 4
Mayo 19 13 6 14 5
Junio 23 15 8 17 6
DAM (-2+1+2+4+6+8)/6= 19/6= 3,17 (-2+1+2+4+5+6)/6= 16/6= 2,67
Se escoge el método de alisado exponencial con la constante de 0,50
68. ERROR CUADRADO MEDIO (ECM)
Es la media de las diferencias al cuadrado entre los
valores previstos y los observados
Matemáticamente es:
69. ERROR CUADRADO MEDIO (ECM)
MES
VENTAS REALES
(und)
PREVISIONES (α=0,30) PREVISIONES (α=0,50)
Enero 10 12 12
Febrero 12 11 11
Marzo 13 11 12
Abril 16 12 12
Mayo 19 13 14
Junio 23 15 17
70. ERROR CUADRADO MEDIO (ECM)
MES
VENTAS
REALES
(und)
PREVISIONES
(α=0,30)
ECM (α=0,30)
PREVISIONES
(α=0,50)
ECM (α=0,50)
Enero 10 12 (10 – 12) = -2 12 (10 – 12) = -2
Febrero 12 11 1 11 1
Marzo 13 11 2 12 2
Abril 16 12 4 12 4
Mayo 19 13 6 14 5
Junio 23 15 8 17 6
DAM (-2+1+2+4+6+8)2/6 = 361/6 = 60,17 (-2+1+2+4+5+6)2/6 = 256/6 = 42,67
Se escoge el método de alisado exponencial con la constante de 0,50
71. ERROR CUADRADO MEDIO (ECM)
Un inconveniente es que tiende a acentuar las
grandes desviaciones
La utilización del ECM indica que se prefiere tener
varias desviaciones mas pequeñas que incluso una
sola gran desviación
72. ERROR PORCENTUAL ABSOLUTO MEDIO
(EPAM)
Los valores del ECM y DAM dependen de la
magnitud de producto que se está previendo. Ej: si
lo que se prevé se mide en miles, los valores del
DAM y ECM pueden ser muy elevados
Se usa el EPAM para evitar este problema
Se calcula como la medida de la diferencia, en
valor absoluto, entre los valores previstos y los
reales, expresada como porcentaje sobre los
valores reales
73. ERROR PORCENTUAL ABSOLUTO MEDIO
(EPAM)
Matemáticamente es:
Es el indicador mas fácil de interpretar
74. ERROR PORCENTUAL ABSOLUTO MEDIO
(EPAM)
MES
VENTAS REALES
(und)
PREVISIONES (α=0,30) PREVISIONES (α=0,50)
Enero 10 12 12
Febrero 12 11 11
Marzo 13 11 12
Abril 16 12 12
Mayo 19 13 14
Junio 23 15 17
75. ERROR PORCENTUAL ABSOLUTO MEDIO
(EPAM)
MES
VENTAS
REALES
(und)
PREVISIONES
(α=0,30)
EPAM (α=0,30)
100(Error/Real)
PREVISIONES
(α=0,50)
EPAM (α=0,50)
Enero 10 12
100x((10 –
12)/10) = -20%
12
100x((10 –
12)/10) = -20%
Febrero 12 11 8% 11 8%
Marzo 13 11 15% 12 8%
Abril 16 12 25% 12 25%
Mayo 19 13 32% 14 26%
Junio 23 15 35% 17 26%
DAM 95%/6 = 15,85% 73%/6 = 12,24%
Se escoge el método de alisado exponencial con la constante de 0,50
76. ALISADO EXPONENCIAL CON AJUSTE DE
TENDENCIA
La técnica de alisado exponencial simple no
consigue anticipar las tendencias
Hay disponibles otras técnicas de previsión que
pueden reflejar las tendencias pero vamos a ver
esta en detalle por ser una de las más populares...
Vamos a presentar un modelo que se ajuste a las
tendencias Ejemplo...
77. ALISADO EXPONENCIAL CON AJUSTE DE
TENDENCIA
La idea es calcular una media alisada
exponencialmente de los datos y ajustarla para
retrasos positivos o negativos en la tendencia...
Matemáticamente es:
Previsión incluyendo la tendencia (FITt) = previsión
alisada exponencialmente (Ft) + tendencia alisada
exponencialmente (Tt)
Con esta técnica, las estimaciones para la media y
para la tenencia están alisadas
78. ALISADO EXPONENCIAL CON AJUSTE DE
TENDENCIA
Este procedimiento requiere de dos constantes de
alisado, α para la media y β para la tendencia
Se calcula la media y la tendencia para cada
periodo como sigue:
(Ft) = α(demanda real del último periodo) +
(1 – α)(previsión del último periodo)
O bien
Ft = α(At-1) + (1 – α)(Ft-1 + Tt-1)
Tt = β(previsión del periodo actual – previsión del
último periodo) + (1 – β)(estimación de la
tendencia del último periodo)
79. ALISADO EXPONENCIAL CON AJUSTE DE
TENDENCIA
O bien
Tt = β(Ft – Ft-1) + (1 – β)Tt-1
Donde:
Ft = previsión alisada exponencialmente de la serie
de datos en el periodo t
Tt = tendencia alisada exponencialmente de la serie
de datos en el periodo t
At = demanda real en el periodo t
α = constante de alisado para la media (0≤ α ≤1)
β = constante de alisado para la tendencia (0≤ β ≤1)
80. ALISADO EXPONENCIAL CON AJUSTE DE
TENDENCIA
En resumen, los tres pasos para calcular una
previsión con ajuste de tendencia son:
1. Calcular Ft utilizando la ecuación:
Ft = α(At-1) + (1 – α)(Ft-1 + Tt-1)
2. Calcular la tendencia alisada Tt usando la ecuación:
Tt = β(Ft – Ft-1) + (1 – β)Tt-1
3. Calcular la previsión incluyendo la tendencia con la
ecuación:
FITt = Ft + Tt
81. ALISADO EXPONENCIAL CON AJUSTE DE
TENDENCIA (EJEMPLO)
MES DEMANDA REAL (und)
Enero 10
Febrero 12
Marzo 13
Abril 16
Mayo 19
Junio 23
Julio 26
Agosto 30
Septiembre 28
Octubre 18
Noviembre 16
Diciembre ?
0
5
10
15
20
25
30
35
Enero
Febrero
Marzo
Abril
Mayo
Junio
Julio
Agosto
Septiembre
Octubre
Noviembre
82. ALISADO EXPONENCIAL CON AJUSTE DE
TENDENCIA (EJEMPLO)
Datos:
α = 0,20
β = 0,40
La previsión inicial para el mes 1 (Ft) = 12 unidades
La tendencia (Tt) = 2 unidades
Paso 1: previsión para el mes 2
F2 = α(A1) + (1 – α)(F1 + T1)
F2 = 0,20(10) + (1 – 0,20)(12 + 2)
F2 = 12
83. ALISADO EXPONENCIAL CON AJUSTE DE
TENDENCIA (EJEMPLO)
Paso 2: tendencia para el mes 2
T2 = β(F2 – F1) + (1 – β)T1
Tt = 0,40(12 – 12) + (1 – 0,40)1
Tt = 0,76
Paso 3: calculo de la previsión incluyendo la
tendencia para el mes 2
FIT2 = F2 + T2
FITt = 12 + 0,76
FITt = 13
84. ALISADO EXPONENCIAL CON AJUSTE DE
TENDENCIA (EJEMPLO)
MES
VENTAS
REALES (und)
PREVISION
ALISADA, Ft
TENDENCIA ALISADA,
Tt
PRONÓSTICO
INCLUYENDO LA
TENDENCIA
Enero 10 12 (ya la tenemos) 1 (ya la tenemos)
Febrero 12 12,40 0,76 13,16
Marzo 13 12,93 0,67 13,60
Abril 16 13,48 0,62 14,10
Mayo 19 14,48 0,77 15,25
Junio 23 16,00 1,07 17,07
Julio 26 18,26 1,55 19,80
Agosto 30 21,04 2,04 23,08
Septiembre 28 24,47 2,60 27,06
Octubre 18 27,25 2,67 29,92
Noviembre 16 27,54 1,72 29,25
Diciembre 14 26,60 0,66 27,26
86. PROYECCIONES DE TENDENCIA
Es un método de previsión de serie temporal que
ajusta una línea de tendencia a una serie de datos
históricos y proyecta a continuación la línea hacia
el futuro para realizar previsiones
Tiene alcance a medio o largo plazo
Se pueden desarrollar ecuaciones matemáticas de
tendencia → lineales, exponenciales, cuadráticas,
logarítmicas, etc.
87. PROYECCIONES DE TENDENCIA
Se elabora una línea recta de tendencia utilizando
un método estadístico preciso, se puede aplicar el
método de los mínimos cuadrados
Concepto:
Se obtiene una recta que minimiza la suma de los
cuadrados de las distancias verticales o desviaciones
de la recta a cada una de las observaciones reales
Ecuación:
y = a + bx
89. PROYECCIONES DE TENDENCIA
En donde:
y = valor calculado de la variable a predecir
a = corte en el eje y
b = pendiente de la recta de regresión o la velocidad de
variación de y con respecto a variaciones dadas en x
x = variable independiente (en estos casos es el
tiempo)
90. PROYECCIONES DE TENDENCIA
La pendiente b se calcula mediante la siguiente
fórmula:
En donde:
b = pendiente de la recta
∑ = sumatoria
x = valores conocidos de la variable independiente
= media de los valores de x
= media de de los valores de x
n = número de datos
91. PROYECCIONES DE TENDENCIA
Se puede calcular la intersección con el eje y de la
siguiente forma:
Ejemplo…
92. PROYECCIONES DE TENDENCIA (EJEMPLO)
MES
PERIODO DE
TIEMPO (x)
VENTAS
REALES (y) x2 xy
Enero 1 10 1 10
Febrero 2 12 4 24
Marzo 3 13 9 39
Abril 4 16 16 64
Mayo 5 19 25 95
Junio 6 23 36 138
Julio 7 26 49 182
Agosto 8 30 64 240
Septiembre 9 28 81 252
Octubre
Noviembre
∑x = 45 ∑ y= 177 ∑ x2 = 285 ∑ xy= 1044
94. PROYECCIONES DE TENDENCIA (EJEMPLO)
Ventas estimadas para Octubre:
37 unidades
Ventas estimadas para Noviembre:
40 unidades
95. PROYECCIONES DE TENDENCIA
Consideraciones para usar el análisis lineal:
1. Siempre hay que representar gráficamente los datos
porque este método supone que los datos están en
“una línea recta”. Si el gráfico da una curva, hay que
recurrir a un análisis curvilíneo
2. No se hacen pronósticos para periodos de tiempo
mucho mas allá de los correspondientes a los datos
que se tienen; solo para tres o cuatro periodos mas
allá
3. Se supone que las desviaciones alrededor de la recta
son aleatorias y están normalmente distribuidas. La
mayoría de los datos deben estar muy cerca de la
recta
96. VARIACIONES ESTACIONALES EN LOS DATOS
Son movimientos regulares, hacia arriba o hacia
abajo, en una serie temporal, vinculados a eventos
periódicos
La estacionalidad puede aparecer con cualquier
periodicidad
Es importante tener en cuenta las variaciones
estacionales para la planificación de capacidad
La presencia de estacionalidad hace que sean
necesarios ajustes en la línea de tendencia
Normalmente el análisis de los datos en términos
mensuales o trimestrales facilita el reconocimiento
de patrones estacionales
97. VARIACIONES ESTACIONALES EN LOS DATOS
Pasos a seguir si se presentan “estaciones” en la
demanda:
1. Calcular la demanda histórica media de cada estación
sumando la demanda de ese mes cada año y
dividiéndola entre el número de años de datos
disponibles
2. Calcular la demanda media de todos los meses
dividiendo la demanda media anual total entre el
número de estaciones
3. Calcular un índice de estacionalidad para cada
estación dividiendo la demanda histórica real de ese
mes (calculada en el paso 1) entre la demanda media
anual de todos los meses (paso 2)
98. VARIACIONES ESTACIONALES EN LOS DATOS
Pasos a seguir si se presentan “estaciones” en la
demanda:
4. Estimar la demanda anual del año siguiente
5. Dividir esta estimación de la demanda anual total
entre el número de estaciones y multiplicarla por el
índice de estacionalidad de un mes determinado. Esto
proporciona la previsión estacionalizada de ese mes,
que es lo que se busca
Ejemplo…
99. VARIACIONES ESTACIONALES EN LOS DATOS
(EJEMPLO)
DEMANDA DE VENTAS (REALES) DEMANDA MEDIA
2010 - 2012
DEMANDA
MESUAL MEDIA
INDICE DE
ESTACIONALIDAD
MES 2010 2011 2012
ENERO 80 85 105 90 94 0,9574
FEBRERO 70 85 85 80 94 0,8511
MARZO 80 93 82 85 94 0,9043
ABRIL 90 95 115 100 94 1,0638
MAYO 113 125 131 123 94 1,3085
JUNIO 110 115 120 115 94 1,2234
JULIO 100 102 113 105 94 1,1170
AGOSTO 88 102 110 100 94 1,0638
SEPTIEMBRE 85 90 95 90 94 0,9574
OCTUBRE 77 78 85 80 94 0,8511
NOVIEMBRE 75 82 83 80 94 0,8511
DICIEMBRE 82 78 80 80 94 0,8511
Demanda media anual = 1128 und
Demanda
mesual =
media
= 94 und
1.128
12 meses
100. VARIACIONES ESTACIONALES EN LOS DATOS
(EJEMPLO)
Si se estima que la demanda anual del 2013 será
de 1.200 unidades, se puede calcular cómo sería la
demanda mensual…
101. VARIACIONES ESTACIONALES EN LOS DATOS
(EJEMPLO)
DEMANDA DE VENTAS (REALES)
DEMANDA MEDIA
2010 - 2012
DEMANDA
MESUAL MEDIA
INDICE DE
ESTACIONALIDAD
DEMANDA ESTIMADA
2013MES 2010 2011 2012
ENERO 80 85 105 90 94 0,9574 96
FEBRERO 70 85 85 80 94 0,8511 85
MARZO 80 93 82 85 94 0,9043 90
ABRIL 90 95 115 100 94 1,0638 106
MAYO 113 125 131 123 94 1,3085 131
JUNIO 110 115 120 115 94 1,2234 122
JULIO 100 102 113 105 94 1,1170 112
AGOSTO 88 102 110 100 94 1,0638 106
SEPTIEMBRE 85 90 95 90 94 0,9574 96
OCTUBRE 77 78 85 80 94 0,8511 85
NOVIEMBRE 75 82 83 80 94 0,8511 85
DICIEMBRE 82 78 80 80 94 0,8511 85
Demanda media anual = 1128 1200
Demanda
mesual =
estimada
x indice de estacionalidad de cada mes
1.200
12 meses
105. VARIACIONES CÍCLICAS EN LOS DATOS
Los ciclos son como las variaciones estacionales
de los datos pero que se producen cada varios
años
Es difícil preverlas a partir de una serie temporal de
datos porque no es fácil predecir el punto de
inflexión que indica que está empezando un nuevo
ciclo
El mejor camino es encontrar una variable líder con
la parezca que la serie de datos tiene correlación
107. ANÁLISIS DE REGRESIÓN Y CORRELACIÓN
Es un modelo matemático que utiliza una línea
recta para describir las relaciones funcionales entre
las variables dependientes e independientes con la
cantidad que se va a predecir
Una vez identificadas las variables, se construye un
modelo estadístico
Este enfoque es mas potente y preciso que el de
las series temporales, que únicamente utilizan
valores históricos de la variable a predecir
108. ANÁLISIS DE REGRESIÓN Y CORRELACIÓN
En el análisis causal hay que tener en cuenta
muchos factores. Ej:
Las ventas de GREST pueden relacionarse con el presupuesto
de publicidad de la comercializadora, los precios de venta, los
precios de los competidores y sus estrategias de promoción, o
incluso la economía nacional y la tasa de desempleo. En este
caso, las ventas del GREST serían las variables dependientes y
las otras variables serían las independientes
Hay que buscar la mejor relación estadística entre
las ventas del producto y las variables
independientes
El modelo cuantitativo de previsión causal mas
común es el análisis de regresión lineal
109. USO DEL ANÁLISIS DE REGRESIÓN PARA
REALIZAR PREVISIONES
Puede utilizarse el mismo modelo matemático del
método de los mínimos cuadrados con proyección
de tendencia
La variable dependiente que se quiere prever
seguirá siendo ŷ
Pero ahora la variable independiente, x, no tiene
porqué seguir siendo el tiempo.
110. USO DEL ANÁLISIS DE REGRESIÓN PARA
REALIZAR PREVISIONES
La ecuación matemática es la siguiente:
ŷ = a + bx
donde: ŷ = valor de la variable dependiente
a = corte con el eje y
b = pendiente de la recta de regresión
x = variable independiente
Ejemplo…
111. CÁLCULO DE LA ECUACIÓN DE REGRESIÓN
LINEAL (EJEMPLO)
Con el paso del tiempo, la empresa ha descubierto
que el volumen de ventas de antigripales depende
del número de casos de gripe que MinSalud registra.
La siguiente tabla es un listado de las ventas del
producto y los casos de gripe durante los últimos 6
años:
112. CÁLCULO DE LA ECUACIÓN DE REGRESIÓN
LINEAL (EJEMPLO)
Ventas producidas Casos registrados
100.000 12.890
189.000 16.087
120.000 15.000
85.000 11.500
115.000 13.700
200.000 18.000
113. CÁLCULO DE LA ECUACIÓN DE REGRESIÓN
LINEAL (EJEMPLO)
La Dirección de la empresa quiere establecer una
relación matemática que le ayude a predecir las
ventas.
En primer lugar, hay que determinar si existe una
relación directa (lineal) entre los registros de gripe y
las ventas del producto; para ello se grafican los
datos conocidos en un gráfico de dispersión…
114. CÁLCULO DE LA ECUACIÓN DE REGRESIÓN
LINEAL (EJEMPLO)
0
2,000
4,000
6,000
8,000
10,000
12,000
14,000
16,000
18,000
20,000
0 50,000 100,000 150,000 200,000 250,000
Unidadesvendidas
Casos registrados
115. CÁLCULO DE LA ECUACIÓN DE REGRESIÓN
LINEAL (EJEMPLO)
A partir de los seis puntos, se observa una relación
de carácter positivo entre la variable independiente
(casos registrados) y la variable dependiente
(ventas): a medida que se registran mas casos de
gripe, las ventas de antigripales tienden a ser
mayores
Puede hallarse una ecuación matemática utilizando
la regresión de los mínimos cuadrados…
117. CÁLCULO DE LA ECUACIÓN DE REGRESIÓN
LINEAL (EJEMPLO)
Promedio de y = 709.000/6 = 118.167
Promedio de x = 74.287/6 = 12.381
b = (10.993.443.000 – (6*118.167*12.381)) dividido
entre (1.127.731.569 – (6*12.3812))
b = 10,65
a = 118.167 – (10,65*12.381) = -13.710,36
La ecuación queda así:
ŷ = -13.710,36 + (10,65)(x)
Ventas = -13.710,36 + (10,65)(casos registrados)
118. CÁLCULO DE LA ECUACIÓN DE REGRESIÓN
LINEAL (EJEMPLO)
MinSalud predice que para el año que viene se
registrarán 15.874 casos de gripe, así que se
pueden estimar las ventas recurriendo a la
ecuación de regresión:
Ventas = -13.710,36 + (10,65)(casos registrados)
Ventas = -13.710,36 + (10,65)(15.874)
Ventas: 155.370 unidades
119. ERROR ESTÁNDAR DE LA ESTIMACIÓN
La previsión de unas ventas de 155.370 unidades
de Teragrip se denomina estimación puntual de y
Realmente, la estimación puntual es el promedio o
valor esperado de una distribución normal de
posibles valores de las ventas
Para medir la exactitud de las estimaciones de la
regresión, es necesario calcular el error estándar
de estimación
121. ERROR ESTÁNDAR DE LA ESTIMACIÓN
Este error estándar de estimación (Sy,x) se
conoce como la desviación estándar de la
regresión: mide el error desde la variable
dependiente, y, hasta la línea de regresión, en
lugar de hasta la media.
Ecuación de la desviación estándar:
122. ERROR ESTÁNDAR DE LA ESTIMACIÓN
Donde: y = valor de y para cada dato
yc = valor de la variable dependiente,
calculado a partir de la ecuación de
regresión
n = número de datos
De esa ecuación nace la siguiente:
123. ERROR ESTÁNDAR DE LA ESTIMACIÓN
Según el ejercicio (falta estimar ∑y2)
∑y2 = 120.571.000.000
Sy,x = 46.897
El error estándar en la medición es de 46.897
unidades de ventas
124. COEFICIENTES DE CORRELACIÓN PARA LAS
RECTAS DE REGRESIÓN
La ecuación de regresión es una forma de expresar
la naturaleza de la relación entre dos variables
Las rectas de regresión no son relaciones “causa –
efecto”
Describen la relación entre las variables
Otra forma de evaluar la relación entre dos
variables es calcular el coeficiente de correlación
Esta medida expresa el grado o intensidad de la
relación lineal
125. COEFICIENTES DE CORRELACIÓN PARA LAS
RECTAS DE REGRESIÓN
El valor del índice de correlación varía en el
intervalo [-1,1]:
Si r = 1, existe una correlación positiva perfecta. El
índice indica una dependencia total entre las dos
variables denominada relación directa: cuando una de
ellas aumenta, la otra también lo hace en proporción
constante.
Si 0 < r < 1, existe una correlación positiva.
126. COEFICIENTES DE CORRELACIÓN PARA LAS
RECTAS DE REGRESIÓN
Si r = 0, no existe relación lineal. Pero esto no
necesariamente implica que las variables
son independientes: pueden existir todavía
relaciones no lineales entre las dos variables.
Si -1 < r < 0, existe una correlación negativa.
Si r = -1, existe una correlación negativa perfecta.
El índice indica una dependencia total entre las dos
variables llamada relación inversa: cuando una de
ellas aumenta, la otra disminuye en proporción
constante.
129. COEFICIENTES DE CORRELACIÓN PARA LAS
RECTAS DE REGRESIÓN
Según el ejercicio:
Este valor de r indica una correlación significativa y ayuda a confirmar
una relación entre las dos variables
130. COEFICIENTES DE CORRELACIÓN PARA LAS
RECTAS DE REGRESIÓN
Aunque el coeficiente de correlación es la medida
mas comúnmente utilizada para describir la
relación entre dos variables, existe otra medida
Es el llamado coeficiente de determinación, y es
el cuadrado del coeficiente de correlación, es decir
r2
El valor de r2 siempre será un número positivo
dentro del intervalo 0 ≤ r2 ≤ 1
131. COEFICIENTES DE CORRELACIÓN PARA LAS
RECTAS DE REGRESIÓN
Es el porcentaje de variación de la variable
dependiente (y) que se explica mediante la
ecuación de regresión
En el ejercicio…
Un r2 de (0,800 * 0,800) 0,64 indica que el 64% de
la variación total se explica a través de la ecuación
de regresión
132. ANÁLISIS DE REGRESIÓN MÚLTIPLE
Es una ampliación práctica del modelo de regresión
simple
Permite construir un modelo con varias variables
independientes en lugar de una sola
Es un modelo complejo y que se usa software
133. SEGUIMIENTO Y CONTROL DE PREVISIONES
Una vez realizada la previsión, no hay que
olvidarse de ella
Una empresa necesita determinar el motivo por el
que la demanda real ( o cualquier variable que se
analice) difiere significativamente de la prevista
Una forma de hacer el seguimiento de las
previsiones para asegurarse de que se aproximan
a la realidad es usar una señal de seguimiento
134. SEGUIMIENTO Y CONTROL DE PREVISIONES
Una señal de seguimiento es una medida del grado
de acierto con que la previsión está prediciendo los
valores reales
Puesto que las previsiones se actualizan cada
semana, mes o trimestre, se comparan los nuevos
datos disponibles sobre la demanda con los valores
de previsión
La señal de seguimiento se calcula como la suma
continua de los errores de previsión (SCEP)
dividida por la desviación absoluta media (DAM)
136. SEGUIMIENTO Y CONTROL DE PREVISIONES
Las señales de seguimiento positivas indican que
la demanda es superior a la previsión y las
negativas indican lo contrario
Una SCEP baja indica una buena señal de
seguimiento y puede tener errores positivos como
negativos
Una tendencia constante de las previsiones a ser
superiores o inferiores a los valores reales (SCEP
alta) se llama error de sesgo
El sesgo puede ocurrir si se usan variables de
tendencia erradas o se usa un mal índice de
estacionalidad
137. SEGUIMIENTO Y CONTROL DE PREVISIONES
Una vez calculadas las señales de seguimiento, se
comparan los límites de control predeterminados
Cuando una señal de seguimiento supera el límite
superior o inferior, existe un problema con el
método de previsión
0 DAM
+
_
Señal que supera
el límite
138. SEGUIMIENTO Y CONTROL DE PREVISIONES –
LÍMITES DE SEGUIMIENTO
Se trata de hallar valores razonables no tan
pequeños como para ser superados con cada
pequeño error de la previsión y no tan grandes
como para permitir que se pasen por alto de forma
habitual las malas previsiones
Se sugiere utilizar ± 4 DAM para productos de gran
volumen y ± 8 DAM para los de bajo volumen
Un DAM equivale a ± 0,8 desviaciones estándar
Une previsión “bajo control” se espera que el 89%
de los errores caigan dentro de ± 2DAM , el 98%
en ± 3DAM o el 99% en ± 4DAM
139. ALISADO ADAPTATIVO Y PREVISIÓN
ENFOCADA
Alisado adaptativo:
Es un enfoque de la previsión por alisado exponencial
en el que la constante de alisado se cambia
automáticamente para mantener los errores al mínimo
Previsión enfocada:
Es la previsión que prueba diversos modelos
informáticos y selecciona al mejor para una aplicación
determinada
140. RESUMEN
Las previsiones son una parte crítica de las
funciones de quien dirige las operaciones
Las previsiones de la demanda dirigen los sistemas
de producción, la capacidad y la planificación de la
empresa
Afectan a las funciones de planificación financiera,
de mercadeo y de personal
Existe una amplia variedad de técnicas de
previsión, tanto cualitativas como cuantitativas
141. RESUMEN
Los enfoques cualitativos recurren a factores como:
Juicios de valor
Experiencia
Intuición
Otros difíciles de cuantificar
Los enfoques cuantitativos utilizan datos históricos
y relaciones causales o asociativas para prever la
demanda futura
La mayoría de las empresas recurren a paquetes
de software como SAP, Forecast PRO, tsMetrix,
AFS, SAS, SPSS o… Excel
142. CONCLUSIÓN
Ningún método de previsión es perfecto en todas
las situaciones
Una vez que se ha encontrado un enfoque
adecuado, se deben seguir controlando las
previsiones para asegurarse de que sus errores
son aceptables
Las previsiones son un reto para la dirección pero
su recompensa es alta