m3 prmg 600

Example text goes here with your own text. Módulo 3: Administración y pronóstico de la demanda

Objetivos de aprendizaje 1. Comparar las diferencias entre demanda independiente y dependiente e identificará los componentes básicos de demanda independiente: variación promedio, de tendencia, temporal y aleatoria. 2. Describir las técnicas comunes de pronóstico cualitativo, como el método Delphi y el pronóstico en colaboración. 3. Demostrar cómo hacer un pronóstico de serie de tiempo con regresión, promedios móviles y suavización exponencial.

Administración de la demanda  Existen dos fuentes básicas de la demanda: dependiente e independiente.  La demanda dependiente es la demanda de un producto o servicio provocada por la demanda de otros productos o servicios. Este tipo de demanda interna no necesita un pronóstico, sino solo una tabulación.  La demanda independiente es la demanda que no se deriva directamente de la demanda de otros productos.

Componentes de la demanda Componente de tendencia • Tendencia Demanda de producto o servicio Picos estacionales • Ciclos • Estacional Línea de • Aleatorio demanda real Demanda media o promedio de más de 4 años Variación aleatoria || | | 12 34 Tiempo (años)

¿Qué es el Pronosticar es el arte y la ciencia de predecir los eventos pronóstico? futuros. Horizontes de tiempo del pronóstico  Pronóstico a corto plazo  Pronóstico a mediano plazo  Pronóstico a largo plazo

La importancia estratégica del pronóstico Los buenos pronósticos son de importancia crucial para todos los aspectos del negocio: El pronóstico es la única estimación de la demanda hasta que se conoce la demanda real. Por lo tanto, los pronósticos de la demanda guían las decisiones en muchas áreas tales como: 1. recursos humanos 2. capacidad 3. administración de la cadena de suministro

Siete pasos en el sistema de pronóstico El pronóstico sigue siete pasos básicos: 1. Determinar el uso del pronóstico 2. Seleccionar los aspectos que se deben pronosticar 3. Determinar el horizonte de tiempo del pronóstico 4. Seleccionar los modelos de pronóstico 5. Recopilar los datos necesarios para elaborar el pronóstico 6. Realizar el pronóstico 7. Validar e implementar los resultados

Enfoque de pronósticos Métodos cualitativos Métodos cuantitativos Características Basado en el juicio Basado en matemáticas; Fortalezas humano, opiniones; de naturaleza cuantitativa. Debilidades subjetivo y no matemático. Puede incorporar los Coherente y objetivo; últimos cambios en el información y datos a la entorno y la \"información vez. privilegiada\". Puede sesgar la previsión y A menudo, los datos reducir la precisión de la cuantificables no están previsión. disponibles. Sólo tan buenos como los datos en los que se basan.

Pronóstico Cualitativo Tipo Características Fortalezas Debilidades Opinión ejecutiva Un grupo de gerentes Bueno para la previsión La opinión de una se reúnen y se le estratégica o de nuevos persona puede dominar Investigación de ocurrió un pronóstico. productos. el pronóstico. mercado Utiliza encuestas y Buen determinante de Puede ser difícil Método Delphi entrevistas para las preferencias del desarrollar un buen identificar las cliente. cuestionario. preferencias de los clientes. Excelente para Tiempo para pronosticar la demanda desarrollar. Busca desarrollar un de productos a largo consenso entre un plazo, los cambios grupo de expertos. tecnológicos y los avances científicos.

Visión general de los enfoques cuantitativos para estimar el pronóstico de la demanda 1. Enfoque ingenuo modelos de 2. Medias móviles series 3. Suavizado exponencial 4. Proyección de tendencias temporales 5. Regresión lineal modelo asociativo

Pronóstico Cuantitativo Tipo Descripción Fortalezas Debilidades Modelos de Series Temporales Utiliza el valor real del último período como previsión. Simple y fácil de usar. Sólo es bueno si los datos cambian poco de período a período. Requiere llevar una gran cantidad de datos. Ingenuo Utiliza un promedio de datos anteriores como previsión. Bueno para el patrón de nivel. Importante seleccionar la media móvil adecuada. (Naïve) La selección de pesas requiere un buen juicio. Un método de previsión en el que solo se promedian n de las Sólo es bueno para el patrón de nivel. Media simple observaciones más recientes. (Simple Mean) Un método de previsión donde n de las observaciones más recientes se Bueno para el patrón de nivel; permite poner Media móvil simple promedian y las observaciones pasadas pueden tener diferentes pesos. diferentes pesos a las demandas pasadas. (Simple Moving Average) Media móvil ponderada (Weighted Moving Average) Suavizado exponencial Un procedimiento de media ponderada con pesos disminuyendo Proporciona excelentes resultados de previsión para La elección del alfa es crítica. (Exponential Smoothing) exponencialmente a medida que los datos se vuelven más antiguos. previsiones de longitud corta a media. Suavizado exponencial ajustado por Un modelo de suavizado exponencial con ecuaciones separadas para Proporciona buenos resultados para los datos de Solo se debe utilizar para datos con tendencia. tendencia pronosticar el nivel y la tendencia. tendencia. (Trend-Adjusted Exponential Smoothing) Línea de tendencia lineal La técnica utiliza el método de mínimos cuadrados para ajustar una Fácil de usar y entender. Los datos deben mostrar una tendencia clara a lo largo del (Linear Trend Line) línea recta a los datos pasados a lo largo del tiempo. tiempo. Indices de temporada o estacionalidad Calcula la cantidad porcentual por la que los datos de cada temporada Procedimiento simple y lógico para calcular la Asegúrese de que la estacionalidad esté presente. (Seasonal Indexes) están por encima o por debajo de la media. estacionalidad.

Enfoque ingenuo (naïve) • Asume la demanda en el nuevo período es el mismo que demanda en el período más reciente • Por ejemplo, si sus ventas fueron de 500 unidades en enero, el método ingenuo pronosticaría 500 unidades para febrero. • A veces rentable y eficiente • Puede ser un buen punto de partida • Matemáticamente, podríamos poner esto en la siguiente forma: Donde Ft+1 = At Ft+1 = pronóstico del próximo periodo, t+1 At = valor del periodo actual, t t = periodo actual

Media Simple • El pronóstico se hace simplemente utilizando el promedio de toda la data. Donde Ft+1 = pronóstico del próximo periodo, t+1 Ft+1 = ∑ At = At + At-1 +… + At-n At = valor del periodo actual, t n n n = número de periodos incluidos en el cálculo Media Móvil Simple del promedio.  Utilizado si es poca o ninguna tendencia  Se utiliza a menudo para suavizar o Proporciona una impresión general de los datos a lo largo del tiempo Donde Ft+1 = pronóstico del próximo periodo, t+1 At = valor del periodo actual, t Ft+1 = ∑ At = At + At-1 +… + At-n n = número de periodos incluidos en el cálculo del n n promedio.

Media móvil ponderada • Se utiliza cuando alguna tendencia podría estar presente. • Los datos más antiguos suelen ser menos importantes. • Pesos basados en la experiencia y la intuición Ft+1 = ∑ CtAt = C1A1 + C2A2 + … + CtAt Donde Ft+1 = pronóstico del próximo periodo, t+1 Ct = peso asignado al valor del periodo actual, t At = valor del periodo actual, t

Suavizado exponencial  Forma de media móvil ponderada o Los pesos disminuyen exponencialmente o Los datos más recientes pesan más  Requiere constante de suavizado (α) o Rango de 0 a 1 o Elegido subjetivamente  Implica poco mantenimiento de registros de datos pasados Ecuación: Pronóstico del periodo próximo = α (valor del periodo actual) + (1- α)(pronóstico del periodo actual) Ft+1 = αAt + (1- α)Ft Donde Ft+1 = pronóstico del próximo periodo, t+1 At = valor del periodo actual, t Ft = pronóstico del periodo actual, t α = coeficiente de suavizado

Pronóstico de Tendencia: Suavizado exponencial ajustado por tendencia  El suavizado exponencial ajustado por tendencia utiliza tres ecuaciones.  El primero suaviza el nivel de la serie, el segundo suaviza la tendencia y el tercero genera un pronóstico al sumar los resultados de las dos primeras ecuaciones. Paso 1: Suavizar el nivel de la serie Donde FITt+1 = pronóstico del próximo periodo incluyendo St = αAt + (1- α)(St-1 + Tt-1) la tendencia, t+1 Paso 2: Suavizar la tendencia St = promedio exponencialmente suavizado de la Tt = β(St – St-1) + (1 – β)Tt-1 serie de tiempo en el periodo t Paso 3: Pronosticar incluyendo la tendencia Tt = tendencia exponencialmente suavizada de la FITt+1 = St + Tt serie de tiempo en el periodo t α = coeficiente de suavizado para el nivel β = coeficiente de suavizado para la tendencia

Pronóstico de Tendencia: Línea de tendencia lineal  Calcula un pronóstico con tendencia dibujando una línea recta a través de un conjunto de datos.  Es útil para calcular un pronóstico cuando los datos muestran una tendencia clara a lo largo del tiempo. Paso 1: Calcule el parámetro b ∑ Paso 2: Calcule el parámetro a Paso 3: Genere la línea de tendencia linear: Y = a + bX Donde Y = pronóstico del periodo X X = número de periodods de tiempo comenzando en X =0 a = valor de Y en X = 0 (Intercepto en Y) b = pendiente de la linea Paso 4: Genere el pronóstico (Y) para los valores de tiempo apropiados (X)

Pronosticar la temporada o estacionalidad Aquí mostraremos solo el procedimiento para calcular la estacionalidad trimestral que dura un año, aunque el mismo procedimiento puede usarse para cualquier otro tipo de estacionalidad. El procedimiento consta de los siguientes pasos: Paso 1: Calcule la demanda promedio para cada trimestre o “temporada”. Esto se hace dividiendo la demanda anual total por 4 (el número de estaciones por año). Paso 2: Calcule un índice estacional para cada temporada de cada año para el que tenga datos. Esto se hace dividiendo la demanda real de cada temporada por la demanda promedio por temporada (calculada en el Paso 1). Paso 3: Calcule el índice estacional promedio para cada temporada. Para cada temporada, calcule el índice estacional promedio sumando los valores del índice estacional para esa temporada y dividiéndolo por el número de años. Paso 4: Calcule la demanda promedio por temporada para el próximo año. Esto podría hacerse utilizando cualquiera de los métodos utilizados para calcular la demanda anual. Luego lo dividiríamos entre el número de estaciones para determinar la demanda promedio por temporada para el próximo año. Paso 5: Multiplique la demanda estacional promedio del próximo año por cada índice estacional. Esto producirá un pronóstico para cada temporada del próximo año.

Pronóstico Cuantitativo Tipo Descripción Fortalezas Debilidades Modelos causales (asociativos) Asegúrese de que hay una relación lineal. Regresión lineal Utiliza el método de mínimos cuadrados Fácil de entender; proporciona una Aumenta significativamente los (Linear Regression) para modelar una relación lineal entre dos buena precisión de pronóstico. datos y los requisitos informáticos. variables. Regresión múltiple Similar a la regresión lineal, pero modela Una herramienta eficaz para (Multiple la relación de varias variables con la pronosticar cuando se están Regression) variable que se está pronosticando. considerando varias variables. Photo by Spencer Davis on Unsplash

Regresión Lineal  En la regresión lineal, la variable que se pronostica, llamada variable dependiente, está relacionada con alguna otra variable, llamada variable independiente, de forma lineal (o lineal). Paso 1: Calcule el parámetro b: ∑ Paso 2: Calcule el parámetro a Paso 3: Genere la línea que relaciona las variables: Y = a + bX Donde Y = variable dependiente X = variable independiente a = Intercepto en Y de la línea b = pendiente de la línea Paso 4: Para hacer un pronóstico para la variable dependiente (Y), sustituya el valor apropiado por la variable independiente (X).

Coeficiente de correlación  Al realizar una regresión lineal, es útil calcular el coeficiente de correlación, que mide la dirección y la fuerza de la relación lineal entre las variables independientes y dependientes.  El coeficiente de correlación se calcula utilizando la ecuación:  Los valores de r pueden interpretarse fácilmente. Los valores de r oscilan entre -1 y +1 y tienen los siguientes significados: R = +1: Existe una relación lineal positiva perfecta entre las dos variables. R = -1: Existe una relación lineal positiva perfecta entre las dos variables. R = 0: No existe una relación lineal entre las variables.

¡Felicitaciones ha revisado el resumen teórico del tema de esta semana! Recuerde que para construir exitosamente su aprendizaje es importante que: Repase cuantas veces requiera la información contenida en la carpeta de módulos (incluye esta presentación). Lea el material de referencia para aclarar dudas. Desarrolle todas las actividades según consta en las instrucciones. Envíe las tareas en la fecha indicada a través de la plataforma educativa. Participe activamente en las sesiones colaborativas.