txt pronósticos dr. jorge paredes r
DESCRIPTION
PronósticosTRANSCRIPT
-
15
4.3.2.3.2. LOS PRONOSTICOS EN LAS OPERACIONES
Por definicin, la planeacin de la produccin est concentrada con el desarrollo especfico de
la accin que ejecutar el sistema de produccin en el futuro. Esto obliga a hacer pronsticos
para seleccionar la mejor combinacin de recursos humanos, materiales y maquinaria para
producir, eficientemente, la demanda requerida, partiendo del anlisis de la forma cmo se ha
comportado el mercado en el pasado.
1. Definiciones bsicas
Pronstico. Estrictamente hablando, es la estimacin de un acontecimiento futuro que se
obtiene proyectando datos del pasado, mediante tcnicas estadsticas y de la ciencia
administrativa.
Prediccin es la estimacin de un acontecimiento futuro que se basa en consideraciones
subjetivas, diferentes a los simples datos provenientes del pasado, las cuales no
necesariamente deben combinarse de una manera predeterminada, sino que se apoyan en la
habilidad, experiencia y buen juicio de las personas.
Con frecuencia, en la prctica, estos dos conceptos se utilizan como sinnimos o se apoyan
mutuamente.
2. Usos de los pronsticos en la empresa
Los pronsticos se requieren para desarrollar las distintas fases de la planeacin empresarial:
La Planeacin estratgica, incluyendo: Diseo del producto
Diseo del proceso
Inversin y reemplazo de equipo
Planes de produccin a largo plazo
Planeacin de la capacidad estructural
La Planeacin de la Produccin Planeacin Agregada y a partir de sta:
PMP
PRM
JAT
TOC
Programacin de las operaciones
La planeacin de otras funciones del sistema empresa
Finanzas: flujo de caja, presupuestos
Comercializacin: Planes y estrategias de ventas
..
Las Tareas de Control, concomitantes con la de Planeacin
3. Modelos de pronsticos tiles para las operaciones Se puede pronosticar el futuro mediante dos enfoques:
1. el cualitativo o intuitivo, basado en la experiencia, que implica hacer conjeturas, corazonadas y emitir opiniones o juicios subjetivos y
2. el cuantitativo o estadstico que maneja datos histricos.
-
16
En la pgina 27 de esta seccin se presenta un cuadro que brinda una visin general de los
modelos basados en los dos enfoques
3.1 Modelos cualitativos Como se ha indicado, los mtodos de pronstico cualitativos se valen del juicio del
administrador, de su experiencia, de los datos relevantes que posea y de un modelo
matemtico para procesarlos. Debido a que el modelo es subjetivo, dos administradores
distintos, con frecuencia llegan a pronsticos completamente diferentes.
Los mtodos cualitativos deben emplearse cuando los datos histricos no son indicadores
confiables de las condiciones futuras. Cuando esto ocurre, los datos histricos deben ajustarse
o estimarse, respectivamente, por medio del juicio subjetivo para que se pueda desarrollar un
pronstico. Los mtodos cualitativos deben tambin usarse para la introduccin de nuevos
productos, en donde no se dispone de una base de datos histricos.
En el cuadro antes referido se describen cuatro de los mtodos cualitativos ms populares, as
como algunas caractersticas de cada uno. Como puede verse, el uso ms comn que se da a
los mtodos cualitativos es el pronstico a mediano y largo plazo de diseo de procesos o
capacidad de las instalaciones. En este tipo de decisiones, por lo general no se dispone de
datos histricos y, si los hay, pueden mostrar un patrn inestable. En este caso, los mtodos
cualitativos pueden desarrollar un pronstico mediante la analoga o el empleo selectivo de
los datos de investigaciones de mercado.
3.1.1. El mtodo Delphi
El Delphi, uno los mtodos cualitativos, se vale de un grupo de expertos para obtener un
pronstico. Una caracterstica de este mtodo es que todas las estimaciones que se obtienen
del grupo de expertos son tratadas en forma annima. Esto tiende a eliminar la influencia de
una supuesta mayor autoridad, as como el efecto de "seguir la corriente" que es tan comn
cuando se usan grupos de confrontacin directa.1
El mtodo Delphi, llamado as en honor al famoso orculo griego de Delphos, procede, a
travs de una serie de "vueltas", de la siguiente manera:
1. En la primera vuelta, cada persona del grupo proporciona por escrito una respuesta a las preguntas formuladas.
2. El coordinador tabula las respuestas, calcula la media, la mediana, el rango de imercuartil y la desviacin estndar.
3. Retroalimenta al grupo y pide a cada miembro del grupo que reconsidere su respuesta anterior y que responda una vez ms a las preguntas.
4. Las respuestas obtenidas en la segunda vuelta son nuevamente resumidas y expuestas al grupo para llevar a cabo la tercera vuelta, y as sucesivamente.
5. Este procedimiento suele repetirse de cuatro a seis veces (con un mnimo de tres) hasta que el valor medio y los valores percentiles vigsimo quinto y setenticincoavo se
estabilice de manera que en las siguientes rondas los resultados no cambien
demasiado.
1En ocasiones se ha llamado al mtodo Delphi "ignorancia mancomunada". Esta
crtica se deriva de la tendencia que tiene el proceso de retroalimentacin a forzar una
convergencia hacia el centro del grupo. Sin embargo, el mtodo puede usarse para obtener
pronsticos razonables cuando existe una gran cantidad de incertidumbre y se carece de datos.
Comentado [jpr1]: Cul ser el marcador del partido de ftbol?
Comentado [jpr2]: Ejs.: precio del BB de petrleo. Promedio de notas del curso
Comentado [jpr3]: Media= promedio.- Mediana:Valor que se encuentra en el centro de una secuencia de datos. Si el tamao de la muestra es impar, el centro est en la posicin (n+1)/Q. Si es par,
est entre las dos observaciones intermedias.- Varianza: es casi el
promedio de los cuadrados de las diferencias entre cada una de las observaciones de un conjunto de datos y la media.
Comentado [jpr4]: Los cuantiles son medidas que dividen los datos ordenados en grupos iguales. Por ej., los DECILES dividen a
los datos en dcimos; los PERCENTILES los dividen en centsimos;
los CUARTILES, los dividen en 4 cuartos.
El PRIMER CUARTIL es el valor por el que el 25% de los datos
son menores que l y el 75% son mayores. El SEGUNDO CUARTIL es la mediana: 50% son menores y 50% son mayores. El
TERCER CUARTIL es el valor segn el cual el 75% de los datos
son menores y el 25% son mayores.
-
17
6. Por ltimo, las estimaciones obtenidas en la ltima vuelta se usan como pronsticos. Basu y Schroedcr (1977) dan un ejemplo de la aplicacin del mtodo Delphi en el cual fue
necesario obtener un pronstico de ventas a cinco aos, con objeto de planear las instalaciones
de una planta. En este caso, las ventas en la American Hoist and Derrick haban estado
limitadas por una capacidad productiva insuficiente y por tanto no constituan un predictor
confiable de la demanda futura. Adems, las condiciones econmicas haban estado
cambiando rpidamente, lo cual haca que los datos histricos no fueran confiables. En
consecuencia, se aplic el mtodo Delphi para aadir un Juicio administrativo a los datos
histricos disponibles y reflejar as las condiciones futuras esperadas.
En este caso, se seleccion un grupo de 23 administradores que pertenecan a diferentes reas
funcionales de la empresa y que tenan un buen conocimiento de las condiciones generales del
mercado y del panorama de ventas. Se les proporcion un cuestionario en el que se les
preguntaban tres estimaciones: el producto interno bruto, las venias del sector industrial y las
ventas de la compaa, para cada uno de los cinco aos siguientes. Se les pidieron estas tres
estimaciones con el objeto de motivar a los miembros del grupo a reflexionar sobre las
interrelaciones existentes entre la economa, la industria y la compaa. De este modo, se
dispondra de una base para validar los resultados, as como para analizarlos mediante
correlaciones estadsticas. Se les proporcion un historial de cinco aos de datos acerca de los
tres parmetros y se les pidi simplemente que anotasen su mejor estimacin de la curva para
los cinco aos siguientes.
Tanto las estimaciones annimas de todos los administradores como el resumen estadstico se
retroalimentaron durante la segunda vuelta. Los datos mostraron que exista una amplia
dispersin en las estimaciones. Por ejemplo, las ventas del sector industrial en un ano
variaban de un aumento de 0% a un aumento de 35% con una media de 9.5% y una
desviacin estndar de 8%.
En la segunda vuelta, adems de revisar sus estimaciones, se pidi a los miembros del grupo
que dieran las razones que tenan para hacerlas; esto dio como resultado que surgiera una gran
cantidad de puntos de vista acerca de las condiciones futuras. En la tercera vuelta, se
retroalimentaron estas razones y se revisaron tambin las estimaciones y los datos
estadsticos.
El resultado de las tres vueltas sucesivas fue una convergencia aceptable en los pronsticos de
los administradores. Por ejemplo, para el producto nacional bruto de un ao. En la primera
vuelta el pronstico de aumento variaba de 0 a 12%, mientras que en la tercera vuelta dicha
estimacin haba convergido en un aumento de 3 a 8.5%. Lo cual, adems de haber
proporcionado un buen pronstico, dio tambin como resultado una perspectiva comn del
futuro entre los administradores, que haba faltado antes de usar el mtodo Delphi.
Se presentaron tres pronsticos a la alta administracin de la American Hoist and Derrick: el
del mtodo Delphi, otro obtenido usando anlisis de regresin, y un tercer pronstico dado
por suavizado exponencial. La alta administracin consider al pronstico del mtodo Delphi
como el ms confiable, porque incorporaba el juicio de 23 administradores corporativos
altamente capacitados. Dicha confianza se vio justificada cuando se observ que las ventas de
la empresa correspondientes al primer ao de la estimacin estuvieron dentro de un rango de
un tercio de 1% con respecto al pronstico y para el segundo ao las ventas estuvieron dentro
de un rango de 4% del pronstico respectivo. En el pasado, haban sido comunes los errores
de estimacin de 1 a 20%.
-
18
3.1.2. Mtodo de Grupo Nominal
La suposicin bsica de este mtodo es que, un grupo estructurado de gente conocedora del
asunto ser capaz de llegar a un pronstico por consenso. El proceso funciona de la manera
siguiente:
a) De siete a diez personas son invitadas a pasar a una sala y se sientan alrededor de una mesa, pero se les pide no cruzar palabra entre si.
b) El coordinador del grupo proporciona preguntas por escrito o escribe en un pizarrn el asunto que requiere de un pronstico.
c) Cada uno de los miembros del grupo debe escribir sus ideas sobre el problema planteado.
d) A continuacin el coordinador del grupo pide a cada uno de los participantes, por turno, que exponga una de las ideas que est en su lista; un ayudante anota cada una de
las ideas en un rota folio, de manera que todos puedan verla. En esta fase de la reunin
ninguna discusin tiene lugar; los miembros continan dando sus ideas, uno a la vez,
hasta que todas han sido escritas en rota folio. En general, entre 15 y 25 proposiciones
resulta de la aportacin, dependiendo de la pregunta y de las personas que forman el
grupo.
e) Durante la siguiente fase de la reunin los miembros del grupo discuten las ideas presentadas. El coordinador se asegura de que se discutan todas las ideas; los
miembros pueden solicitar que se les aclaren las ideas que han sido expuestas. A
menudo se combinan las ideas semejantes, lo que reduce el nmero total de
proposiciones.
f) Cuando han concluido todas las discusiones se pide a los miembros que voten de una manera independiente, por escrito, anotando las ideas por orden de prioridad. La
decisin del grupo es el resultado matemtico obtenido a partir de los votos
individuales.
La tcnica de grupo nominal llega a dar un pronstico, que es la alternativa que recibe
mayora de votos de grupo. Algunas veces cuando el grupo se ha desintegrado, pueden
combinarse ciertos pronsticos de mayor prioridad para dar uno basado en un consenso
mayoritario. Las claves para el proceso del grupo nominal son la identificacin de la pregunta
que debe ser dirigida al grupo; se permite la creatividad; se fomenta la discusin limitada y
dirigida y en la ltima instancia el voto.
-
19
3.2. MODELOS CUANTITATIVOS o MTODOS DE SERIES DE TIEMPO. Estos modelos usan los mtodos de series de tiempo. "Una serie de tiempo es, simplemente,
una lista cronolgica de datos histricos, para la que la suposicin esencial es que la historia
predice el futuro de manera razonable." Existen varios modelos y mtodos de series de tiempo
entre los cuales elegir, como los siguientes:
3.2.1. Modelos bsicos de promedios Hay diversas formas de calcular un promedio para que sirva como pronstico:
3.2.1.1. Promedio simple Aqu, todas las demandas de los perodos anteriores tienen el mismo peso relativo. El
promedio hace que las demandas elevadas tiendan a ser equilibradas por las demandas bajas
de otros perodos, reduciendo las posibilidades de error que se podran cometer al dejarse
llevar por fluctuaciones aleatorias que pueden ocurrir en un perodo. Se calcula as:
P = (d1 + d2 + .....dk)/ k (1)
En donde, P = Promedio
di, i = 1 hasta k, es la demanda de todos los perodos anteriores
k = nmero de perodos
3.2.1.2. Media mvil simple Combina los datos de demanda de la mayor parte de los perodos recientes, siendo su
promedio el pronstico para el perodo siguiente. El promedio se mueve en el tiempo, en el
sentido de que, al transcurrir un perodo, la demanda del perodo ms antiguo se descarta y se
agrega, en su reemplazo, la demanda para el perodo ms reciente, superando as la principal
limitacin del modelo del promedio simple. Se calcula as:
MMS = Dt / n (2)
En donde: Dt es la demanda de cada uno de los n perodos anteriores
t va desde 1 hasta n perodos
Hay que tener cuidado en la eleccin de nmero n.
3.2.1.3. Media mvil ponderada Se aplica cuando no se quiere que todos los n perodos tengan el mismo peso, es decir
permite asignar un peso desigual a la demanda, en funcin de la importancia que le concede el
analista.
MMP = Ct * Dt (3)
Donde: Ct = 1
y 0
-
20
3.2.2. Mtodos de Suavizado exponencial La APICS ha recomendado el uso de esta tcnica para sus asociados. Se distingue porque da
pesos de manera exponencial a cada una de las demandas anteriores a efectos de calcular el
promedio. La demanda de los perodos ms recientes recibe un peso mayor; los pesos de los
perodos sucesivamente anteriores decaen de una manera no lineal (exponencial).
3.2.2.1. Suavizado exponencial de primer orden
El clculo correspondiente requiere de 2 datos: el primero es la demanda real del perodo ms
reciente y el segundo es el pronstico ms reciente. Despus de que termina el perodo t-1 se
conoce la demanda actual Dt-1. Al inicio del perodo t-1 se hizo el pronstico Ft-1 de lo que
podra ser la demanda durante el perodo t-1. Por tanto, al final del perodo t-1 se tiene los dos
datos que se necesitan para calcular el pronstico de la demanda para el prximo perodo Ft.
A medida que termina cada perodo se realiza un nuevo pronstico. Entonces:
Pronstico de demanda pronstico
la demanda del = real ms + (1 - ) ms (4)
perodo siguiente reciente reciente
Ft = * Dt-1 + (1 - ) * Ft-1 (5)
Se llama exponencial este mtodo porque, si se lo aplica para varios perodos en forma
sucesiva, se puede obtener una frmula como la siguiente:
Ft = (1 - )0 Dt-1 + (1 - )1 Dt-2 + (1 - )2 Dt-3 + (1 - )3 Ft-3 (6)
Como 0
-
21
La siguiente figura ilustra el resultado de un pronstico para dos distintos coeficientes de
suavizacin para series inestables de demanda. El modelo de suavizado exponencial con el
volumen mayor de da mejores resultados; se adapta de una manera ms rpida al cambio de
la demanda en el periodo 6 que el modelo en el que se tom el valor ms bajo de .
3.2.2.1.2. Ventajas
El suavizado exponencial simple y los otros modelos de suavizado exponencial que
proporcionan de una manera econmica pronsticos "rpidos y fciles", comparten las
siguientes ventajas:
Requieren muy pocos datos histricos. Para actualizar el pronstico de un perodo al
siguiente slo se necesita , la demanda del ltimo periodo y el pronstico del ltimo
periodo. Es necesario recordar que este modelo incorpora en el nuevo pronstico todas las
demandas anteriores.
Este modelo es eficaz, sencillo y fcil de entender. Se puede computarizar para familias de productos, sus partes, o sus elementos Sirve en los sectores de manufactura y de servicios.
3.2.2.1.3. Seleccin de parmetros de pronsticos y comparacin de los modelos
El procedimiento para seleccionar parmetros para los pronsticos incluye los siguientes
cinco pasos; el quinto paso se emplea en la comparacin y en la seleccin de los modelos.
1. Distribuir los datos disponibles en dos subconjuntos, uno para ajustar los parmetros (conjunto "prueba") y el otro para realizar el pronstico.
2. Seleccionar una medida del error que permita evaluar la precisin del pronstico de los parmetros que se desean probar. Tanto la DMA (Desviacin Media Absoluta)
como el sesgo son tiles para medir el error.
3. Elegir ciertos valores de para que sean evaluados. Emplear uno de los valores de , aplicado al modelo de pronstico en el conjunto de los datos de prueba y registrar los
errores resultantes del pronstico. Posteriormente, seleccionar un nuevo valor de y
repetir el proceso. Este proceso se contina hasta que hayan sido probados valores
representativos de dentro de la gama de valores existentes.
4. Elegir el valor de que dio como resultado el error de pronstico ms pequeo al aplicarlo en el conjunto de datos de prueba. El modelo est listo para ajustar los
valores de la demanda.
-
22
5. Realizar el pronstico con el modelo exponencial (o de media mvil) que se emple en los datos de prueba, con el resto de los datos. Estos datos tambin se pueden usar
para comparar modelos alternativos que se hayan implementado previamente con los
datos representativos de la demanda.
Si el propsito no es comparar los modelos, no es necesario distribuir los datos; todos los
datos pueden ser usados como prueba en los pasos 1 a 4.
Quienes estn familiarizados con la programacin por computadora pueden visualizar cmo el
uso de las computadoras puede acelerar las operaciones de llevar a cabo este procedimiento.
3.2.2.2. Suavizado exponencial adaptativo
Si, quien realiza el modelo o el administrador, no est seguro de la estabilidad o de la forma
del modelo subyacente de la demanda, el suavizado exponencial adaptativo proporciona una
buena alternativa del pronstico. En el suavizado exponencial adaptativo, el coeficiente de
suavizacin, , no siempre es el mismo; inicialmente se determina y luego se permiten
variaciones de l en el tiempo, de acuerdo con los cambios del modelo subyacente de la
demanda.
3.2.2.2.1. Incorporacin de los componentes de tendencias y los estacionales Los modelos de suavizado exponencial as como los modelos basados en medias mviles,
pueden ser modificados para que se puedan incorporar componentes de tendencias y
estacionales. En los mtodos vistos anteriormente, se ha estado pronosticando toda la serie de
tiempo como si slo tuviera un componente constante (figura siguiente). Si existe una
tendencia es posible pronosticar exponencialmente el componente de esa tendencia. Luego se
realizara un pronstico compuesto superponiendo la tendencia constante y la estacionalidad.
eeE
demanda
tiempo
Por ejemplo, un pronstico constante de 1,050 unidades podra ser ajustado para una
tendencia positiva que hubiera sido pronosticada exponencialmente en 100 unidades. Este
total, al ser sumado con el pronstico del periodo siguiente (1,150 unidades) podra ser
ajustado posteriormente con un factor temporal de pronstico exponencialmente
multiplicativo. Supngase que el pronstico estacional es solamente de 90 por ciento debido a
una cada natural (temporal). El pronstico compuesto resultante es de 1,035 unidades (90 por
ciento de 1,150).
Se dispone de frmulas para modelos tales como este modelo de suavizado exponencial con
una tendencia aditiva y factores temporales de carcter multiplicativo.
estaciona
l
lineal
constante
-
23
3.2.2.3. Doble suavizado exponencial
El doble suavizado exponencial tiende a suavizar el ruido en series de demanda estable. El
modelo es directo; suaviza el pronstico obtenido con un modelo de suavizado exponencial de
primer orden y el pronstico obtenido mediante un modelo de suavizado exponencial doble.
Pronstico del
perodo Pronstico
siguiente por ms reciente
Pronstico del perodo = suavizado +(1-) por suavizado
siguiente exponencial exponencial
de primer orden doble
FDt = Ft + (1 - ) FDt-1 (8)
Observe que Ft es el suavizado exponencial de primer orden y que debe ser calculado,
aplicando la frmula (5), antes de encontrar FDt-1
3.2.3. MTODOS DE DESCOMPOSICIN DE FACTORES DE LA DEMANDA
3.2.3.1. COMPONENTES DE LA DEMANDA.
La demanda es un fenmeno complejo que tiene varios componentes, constantes, estacionales
y tendenciales, que interactan de diferente manera por lo que es preciso identificarlos para
entenderlos perfectamente.
Para ello, los datos numricos histricos disponibles se grafican para observar si existe un
patrn, y se usan para explicar el anlisis de datos de una serie de tiempo. El resultado del
anlisis de datos es entender el proceso que causa la demanda. Siempre habr alguna parte
inexplicable, la componente aleatoria. Sin embargo, el modelo que se va a usar ser un
resultado directo del proceso que se supuso.
3.2.3.1.1. PROCESO CONSTANTE.
Cuando el grfico presenta una pequea variacin se dice que se tiene un proceso constante.
La variacin es causada por una componente aleatoria o ruido que no se puede controlar. Para
un proceso en esencia constante la componente de ruido debe tener una media de cero, si no,
no es ruido sino parte del proceso fundamental.
Se debe tener una razn para suponer que un proceso es constante. En un horizonte corto,
muchas cosas son aproximadamente constantes.
Un proceso constante podemos considerarlo como una demanda promedio, esto es una
tendencia central de los datos.
Se pueden usar muchos de los mtodos descritos anteriormente para un proceso de este tipo,
como el uso del ltimo dato, un promedio de todos los datos, un promedio de los datos ms
recientes, etc.
3.2.3.1.2. PROCESO CON TENDENCIA.
Cuando los datos indican que el proceso no es constante sino que aumenta o disminuye en
forma estable, el pronstico se determina con un modelo que incorpore esa tendencia.
Comentado [jpr6]: Promedio mvil, o promedio mvil ponderado
-
24
El componente de tendencia se refiere al crecimiento o declinacin, en el largo plazo, del
valor promedio de la demanda.
El modelo para un proceso con tendencia lineal est dado por
dt= a + bt + t (8)
en donde b es la pendiente de la tendencia; a, representa la constante fundamental del proceso
y t el ruido aleatorio.
Si b es positivo, el proceso crece a travs del tiempo; una b negativa implica un proceso que
decrece.
Para hacer un pronstico, cuando existe una tendencia, es necesario estimar la constante y la
pendiente.
3.2.3.1.3. PROCESO ESTACIONAL
Los patrones de la demanda por estacin son caractersticos de muchas series de demanda.
Reflejan, por ejemplo, la estacin navidea, la inactividad durante el verano y similares; son
fluctuaciones que se repiten peridicamente y que, por lo regular, dependen de factores como
el clima (ropa de verano), la tradicin, entre otros.
3.2.3.2. MODELO MULTIPLICATIVO DE WINTERS
Un buen modelo debe considerar la porcin constante de la demanda, la tendencia y la
estacionalidad.
Varios mtodos consideran los tres factores, uno de ellos es el modelo multiplicativo popular
propuesto por Winters. El modelo parte de lo siguiente:
dt = ( a + bt) ct + t (1)
en donde los parmetros son:
a = porcin constante
b = pendiente de la componente de tendencia
ct = factor estacional para el periodo t
t = aleatoriedad no controlable.
El procedimiento, para llegar a los pronsticos, consiste, en trminos generales, en estimar los
parmetros del modelo y usarlos para generar el pronstico. En este contexto, la componente
constante se estima en forma independiente de la tendencia y los factores estacionales, por lo
que se llama constante no estacional. De la misma manera, el factor de tendencia debe ser
independiente de los factores estacionales. Los factores estacionales se pueden ver como un
porcentaje de las componentes constante y de tendencia para el periodo t;
Si la demanda en un periodo dado de una estacin es menor que la componente de tendencia
constante, el factor estacional ser menor que uno y, si la demanda es mayor, ser mayor que
uno. El nmero de factores estacionales debe ser igual al nmero de estaciones al ao. Para
pronosticar, se obtienen las estimaciones iniciales de las componentes del modelo y se
actualizan usando suavizamiento exponencial.
-
25
Procedimiento especfico:
Sea:
dt = demanda en el periodo t
M = nmero de estaciones o meses en el ao
m es el nmero de aos completos de datos disponibles
P = nmero de periodos de datos disponibles; P= mM
Kt = estimacin para el trmino constante a calculado en el periodo t
Tt = estimacin del trmino de tendencia b calculada en el periodo t
Et = estimacin de la componente estacional para el periodo t
t = aleatoriedad no controlable.
Con ello, la ecuacin (1) se convierte en
dt = (Kt + Tt) Et + t (2)
Entonces:
1. Calcular del valor inicial de Kt (trmino constante a calculado en el periodo t). Una
estimacin natural es el promedio global (D) de los datos de una o ms estaciones completas.
(No debe usarse una parte de una estacin: si se usa slo los primeros 9 datos de un conjunto
de 12, puede obtenerse una mala estimacin, porque una demanda mayor o menor en el
primer trimestre no refleja la demanda promedio). El promedio de uno o ms aos histricos
completos nos proporciona una estimacin inicial de a. Este promedio incluye la demanda
ms baja del principio, lo mismo que la demanda ms alta del final de los datos histricos.
Cuando hay tendencia, la porcin constante del proceso en el tiempo T debe corregirse. Por lo
tanto para calcular Kt se necesita Tt, la estimacin de b.
1.1. Calcular el valor de Tt (trmino de tendencia b calculada en el periodo t)
Se requieren al menos dos aos completos de datos para calcular Tt; con menos datos no se
ver la diferencia entre la tendencia y la componente estacional. Para ello se calcula la
demanda promedio para cada uno de los dos ltimos aos y se resta el promedio del ms
antiguo del promedio del ms reciente. El resultado es el crecimiento en los dos aos, que
debe convertirse en un crecimiento estacional dividiendo entre M, el nmero de estaciones
por ao.
Entonces, para obtener el crecimiento por periodo se tiene:
- -
Tt = d2-dl
M (3)
El promedio global se obtiene:
P
D = 1 dt (4)
P t-1
Ahora ya se puede estimar el valor del trmino constante:
Kt = D + (P-1) Tt (5)
2
-
26
2. Estimacin de la componente o factor estacional para el periodo t, Et
Una vez que se tienen Kt y Tt, una estimacin del factor estacional parecera ser la demanda
en el perodo dividida entre el trmino constante. Sin embargo, debe corregirse por la parte de
tendencia de la constante.
La estimacin para la porcin constante, Kt, se calcul de manera que reflejara el proceso en
el tiempo T. Intuitivamente la porcin constante del proceso en P-1 debe ser ms pequeo en
Tt, y ms pequeo en 2Tt en P-2. En general una estimacin de la porcin constante del
proceso para el periodo t (t
-
27
Resumen de mtodos de pronsticos presentados y otros disponibles METODO BREVSIMA DESCRIPCION HT COSTO
1. CUALITATIVOS O INTUITIVOS
Fuerza de ventas Estimacin del rea de ventas como un todo CP-MP B-M Opinin ejecutiva Juicios de gerentes de mercadotecnia, finanzas y produccin CP-LP B-M
Ventas y Gerentes Los clculos independientes de los vendedores regionales son canalizados con
proyecciones nacionales de los gerentes de lnea de productos MP M Analoga histrica Comparacin con un producto similar CP-LP B-M
Delphi , Grupo Los expertos responden (annimamente) una serie de preguntas, reciben retro-
nominal alimentacin y revisan sus clculos. LP M-A Investigaciones de Se usan cuestionarios y paneles para obtener datos que anticipen el comporta-
Mercado miento del consumidor. MP-LP A
2. CUANTITATIVOS
Promedio Simple El pronstico resulta de dividir la suma de los datos para el nmero de observaciones CP B
Promedios mviles El pronstico es simplemente un promedio de los n ms recientes. CP B
Proyeccin de la El pronstico es una proyeccin lineal, exponencial u otra de la tendencia pasa-
tendencia da. MP-LP B
Descomposicin: Las series de tiempos se dividen en sus componentes: de tendencia, estacional, Winters cclica y aleatoria CP-LP B
Suavizacin expo- Los pronsticos son promedios mviles ponderados exponencialmente, donde los
nencial ltimos valores tienen mayor peso. CP B Box-Jenkins Se propone un modelo de regresin de serie de tiempo, estadsticamente probado,
modificado y vuelto a probar hasta que sea satisfactorio. MP-LP M-A
Regresin y co- Se usan una o ms variables asociadas para pronosticar por medio de la ecuacin rrelacin de mnimos cuadrados (regresin) o de una asociacin (correlacin) con una va-
riable explicativa. CP-MP M-A
Economtricos Se usa una solucin por ecuaciones simultneas de regresin mltiple para una actividad econmica, CP-LP A
Abreviaturas: B= bajo, M= medio, A= alto, HT = Horizonte en el tiempo, CP= corto plazo, MP= mediano plazo, LP= largo plazo.
4. SELECCIN DEL MODELO DE PRONSTICO
Se han estudiado diversos modelos de pronstico para calcular la estimacin de la demanda
en la planeacin y control de la produccin. Ahora es necesario hacer frente a la tarea de
seleccionar el mejor modelo de acuerdo con las necesidades de la empresa. Cul es el que se
debe seleccionar y qu criterios hay que emplear para tomar la decisin?
Como se dijo anteriormente, los criterios que tienen influencia en la seleccin de los modelos
son el costo y la precisin (error de pronstico), tal como son medidos por MAD y el
sesgo, pueden ser convertidos o transformados en trminos de costos (dlares). Los costos a
ser considerados en la seleccin de los modelos son:
costos de implementacin, costos del sistema y costos de los errores en el pronstico.
De los tres, los costos imputables a los errores en el pronstico son probablemente los ms
difciles y complejos de evaluarse. Estos son funcin del ruido en la serie de tiempo, forma de
la curva de demanda, longitud del horizonte de tiempo de pronstico y forma de medicin del
error de pronstico.
Diversos estudios han evaluado y comparado el desempeo de diferentes modelos. En
general, cualquiera de los distintos modelos puede ser el mejor, dependiendo del patrn de la
demanda, del nivel de ruido y de la longitud del periodo de pronstico. Casi siempre, al hacer
el pronstico, se puede tener la opcin de diferentes modelos, que pueden ser buenos para
cualquier tipo de demanda, cuando la seleccin se basa solamente en el error de pronstico.
Comentado [jpr8]: MAD= Desviacin Media Absoluta= promedio de las diferentas absolutas entre la demanda pronosticada y la demanda real
Comentado [jpr9]: Es el promedio de las diferencias entre la demanda pronosticada y la demanda real.
-
28
En los estudios de carcter comprensivo se ha encontrado que el promedio simple y el
promedio ponderado dan mejores resultados que el resto de los mtodos de pronstico. De
estos estudios se puede concluir que la precisin del pronstico mejora, y que se reduce la
variabilidad de la precisin entre las diferentes combinaciones, a medida que se utiliza una
combinacin de modelos de pronstico.
Tal como lo sealan Makridakis y Winkier: "La combinacin de los pronsticos parece ser
una buena alternativa prctica cuando, como sucede a menudo, por cualquier causa, no puede
ser encontrado, o identificado, un nico modelo generador de la informacin o el mejor y ms
sencillo mtodo sencillo ".
5. DIMENSIONES DE COMPORTAMIENTO HUMANO EN EL PRONSTICO
INTUITIVO.
Para entender algunas de las dimensiones de los pronsticos es necesario tomar en
consideracin el comportamiento humano, por el hecho de que los pronsticos no siempre se
elaboran de acuerdo con modelos estadsticos. Las personas pueden hacer pronsticos
analizando, de una manera intuitiva, los datos del pasado e intervienen, a menudo, de otras
formas, en el procedimiento estadstico de pronstico. Los pronsticos generados mediante
modelos no deben de seguirse a ciegas. En este sentido, sera sensato que el gerente pida que
los pronsticos generados mediante modelos sean verificados por personas experimentadas
en la toma de decisiones. Las posibles consecuencias en los costos deben de ser tomadas en
cuenta con sumo cuidado. Al ejecutar su trabajo, quienes toman las decisiones deben tener en
cuenta factores cualitativos que no se incluyen en el modelo cuantitativo, as como, tambin,
deben emplear el modelo de pronstico como una ayuda", sin confiar totalmente en los
resultados del modelo de pronstico.
Muchas empresas, probablemente la mayora, utilizan, para la planificacin de la
Produccin, pronsticos de carcter intuitivo. Se han observado pronsticos intuitivos, por
ejemplo, en fbricas de ladrillos as como en hospitales. Uno de los problemas para la
implantacin de modelos de pronstico radica en llegar a convencer al pronosticador intuitivo
en que lo hara mucho mejor si contara con un modelo.
Normalmente se sabe poco sobre la eficacia relativa de la prediccin hecha de manera
intuitiva. Es posible, sin embargo, proporcionar un enfoque estructurado para examinar esta
rea del comportamiento humano al analizar algunos de los procesos mentales que
intervienen. Un pronstico es la culminacin de un proceso que consta de diversas etapas, las
que incluyen la bsqueda de la informacin y el procesamiento de la misma. Su resultado es
la inferencia o inferencias sobre el futuro, basadas en cada uno de los modelos de los datos
histricos que se presentan al pronosticador.
Se puede especular sobre la existencia de ciertos factores ambientales que pueden afectar
estos procesos mentales as corno el resultado de un pronstico intuitivo:
Significacin La tarea de hacer el pronstico en s requiere de la consideracin de un
conjunto restringido de informacin acerca de la demanda histrica. Al tratar los temas de
cmo enriquecer y disear puestos vemos que s se pueden hacer tareas repetitivas que sean
significativas para la persona que las lleva a cabo, consiguindose, en general, resultados
positivos. El impartir un cierto significado a la labor de preparar un pronstico intuitivo,
puede, entonces, dar como resultado resultados ms precisos
Complejidad de los modelos. La forma general de la funcin de demanda es una variable
crtica en el pronstico de carcter intuitivo, as como tambin lo es en la realizacin de
Comentado [jpr10]: Enfatizar que el texto que viene a continuacin aborda el caso de los mtodos intuitivos.
Comentado [jpr11]: La tarea de hacer pronsticos tambin requiere de un puesto de trabajo que se puede optimizar.
Comentado [jpr12]: Darle importancia, utilizar su informacin al tomar decisiones.
-
29
pronsticos por medio de modelos cuantitativos. Algunos estudios de comportamiento nos
llevan a sugerir que los pronosticadores intuitivos pueden obtener mejores resultados con
modelos de demanda lineal que con los no lineales. Adems, existe una tendencia a utilizar
los datos no lineales como si se tratara de datos lineales.
Grado del ruido. Si se obtienen suficientes datos histricos, los problemas de pronstico
resultan triviales en la mayor parte de los casos. Sin embargo, la introduccin de variables
aleatorias a menudo hace surgir una condicin de incertidumbre. Niveles de ruido demasiado
altos son un obstculo para contar con una buena base para pronosticar con precisin y, a
medida que aumenta el ruido, el resultado es un pronstico menos preciso.
Variabilidad individual. Otro descubrimiento hecho en los estudios sobre pronsticos
intuitivos es la amplia variabilidad de desempeo observada en los pronosticadores. Cuando
se compara la eficacia de los pronosticadores con la de los modelos cuantitativos, se
comprueba que muy pocos son realmente buenos. Si la planeacin de la produccin se basa en
pronsticos muy deficientes, estas variaciones, en cuanto al desempeo, pueden resultar muy
costosas.
Desempeo individual contra desempeo de los modelos cuantitativos Cmo pueden
compararse los individuos con respecto a los modelos de pronstico? En los estudios
realizados sobre el tema, se encontr que los modelos de suavizado exponencial basados en
las demandas histricas, sobrepasaron significativamente el desempeo promedio del grupo
de pronosticadores. Solamente unos cuantos pronosticadores buenos superaron a los modelos.
Por tanto, el gerente de produccin debe considerar a los modelos como alternativa de los
individuos. En general, los modelos cuantitativos son ms precisos, y si una gran cantidad de
elementos debe de ser pronosticada, estos modelos resultan ms econmicos.
Pronstico, planeacin y comportamiento Un anlisis y evaluacin de la excelente
literatura existente sobre la materia, permite comparar muchas de las dimensiones del
modelamiento y actitudes psicolgicas al momento de pronosticar, planear y tomar
decisiones. Muchas limitaciones y sesgos en el procesamiento de la informacin, que incluyen
juicios y razonamientos humanos, se aplican por igual en el pronstico y en la planeacin. Los
errores que se han encontrado en los procedimientos de pronstico incluyen la acumulacin
de informacin redundante, la falla en la bsqueda de posibles pruebas que permitan no
confirmar las hiptesis realizadas y un exceso de confianza en la emisin de juicios. Adems,
se ha dado una atencin insuficiente a las implicaciones de numerosos estudios que muestran
que el razonamiento predictivo de los seres humanos a menudo es menos confiable que el de
los simples modelos cuantitativos. Los que estn interesados en los aspectos de
comportamiento en la prediccin o en las interacciones entre el pronstico y la planeacin
deben examinar el anlisis comparativo ms detalladamente.