CONTENIDO
1 Introducción. 2 Concepto de Pronóstico. 3 Métodos de Pronósticos. 3.1 Método Cuantitativo. 3.1.1 Series de tiempo. 3.1.2 Causales por regresión. 3.2 Método Cualitativo. 3.2.1 Pruebas de Mercados. 3.2.2 Método de Delphi. 4 Medidas de Errores en los Pronósticos.
Ing. Omar David Pérez Fuentes 2
1. Introducción
Ing. Omar David Pérez Fuentes 4
Pronóstico Malo (Después de terminar las ventas nuestro stock será de 0 y existirá demanda insatisfecha)
Buen pronóstico (Después de terminar las ventas nuestro stock será de 0)
Pronóstico Malo (Después de terminar las ventas nuestro stock será de 12)
2. Concepto de Pronóstico
Es una serie de datos que en base a una serie de estudios determinan la demanda en un futuro de un determinado producto. Un pronóstico de venta es la estimación o previsión de las ventas de un producto (bien o servicio) durante determinado período futuro.
Ing. Omar David Pérez Fuentes 5
3. Métodos de Pronósticos
• Método Cuantitativo
• Método Cualitativo
Ing. Omar David Pérez Fuentes 6
Método Cuantitativo
Este método se utiliza cuando se dispone o se cuenta con información histórica de la demanda del producto a pronosticar información histórica que debe ser procesados por los modelos estadísticos, se divide en: Series de tiempo y Causales por regresión.
Ing. Omar David Pérez Fuentes 7
Método Cuantitativo
Series de tiempo
Es un registro cronológico de la demanda en función del tiempo.
d = Demanda
t = Tiempo
F = Pronóstico
T = Número de datos disponibles
K = Número de periodos futuros a pronosticar
Ing. Omar David Pérez Fuentes 8
Método Cuantitativo Serie de tiempo:
• Proceso constante
• Proceso con tendencia ( + / - )
• Proceso estacional
Ing. Omar David Pérez Fuentes 9 1 2 3 4 5 6 7
Tiempo
(mes)
Demanda
8 9 10 11 12
Proce
so c
on
tend
encia
(+)
Proceso
constante
Proceso con
tendencia (-)
Serie de tiempo – Proceso constante
Ing. Omar David Pérez Fuentes 10
a) Ultimo dato
b) Método Promedio General
c) Promedio Móvil
d) Método Suavizado Exponencial Simple
Serie de tiempo – Proceso constante Ultimo Dato
Es el método mas sencillo de todos los métodos, consta de igualar el pronóstico futuro con la ultima demanda real.
Ing. Omar David Pérez Fuentes 11
Serie de tiempo – Proceso constante Ultimo Dato
Ejemplo: En la tabla se muestra la demanda histórica de consumo de carne de pollo en Kg. a) ¿Cuál es el pronóstico parta
el siguiente periodo? b) ¿Cual es el pronóstico para
Septiembre? c) Si la demanda real para el
periodo 6 es de 80 Kg ¿Cuál es el pronóstico para el siguiente periodo?
Ing. Omar David Pérez Fuentes 12
Periodo (mes)
Demanda real (kg)
Pronóstico (kg)
1 80
2 75
3 81
4 80
5 77
Serie de tiempo – Proceso constante Ultimo Dato
Ing. Omar David Pérez Fuentes 13
1 2 3 4 5 6 7
Tiempo
(mes)
Demanda
8 9
70
75
80
82
d5 F6 F7 F8 F9
Serie de tiempo – Proceso constante Promedio General
Es la media aritmética de los n datos disponibles de demanda real. Mientras más grande sea n, mayor será la influencia de los datos antiguos. Consta de sumar todos los datos de demanda para luego dividir entre el número de datos.
Ing. Omar David Pérez Fuentes 14
Serie de tiempo – Proceso constante Promedio General
Ejemplo: En la tabla se muestra la demanda histórica de consumo de carne de pollo en Kg. a) ¿Cuál es el pronóstico parta
el siguiente periodo? b) ¿Cual es el pronóstico para
Septiembre? c) Si la demanda real para el
periodo 6 es de 80 Kg ¿Cuál es el pronóstico para el siguiente periodo?
Ing. Omar David Pérez Fuentes 15
Periodo (mes)
Demanda real (kg)
Pronóstico (kg)
1 80
2 75
3 81
4 80
5 77
Serie de tiempo – Proceso constante Promedio Móvil
también llamada media móvil, en lugar de utilizar todos los datos disponibles de demanda real, se utilizan los N datos más recientes. Consta de utilizar un número N de demandas, luego se suma los N datos más recientes de demanda para luego dividir entre N.
Ing. Omar David Pérez Fuentes 16
Serie de tiempo – Proceso constante Promedio Móvil
Ejemplo: En la tabla se muestra la demanda histórica de consumo de carne de pollo en Kg. Por el método promedio móvil con N=3: a) ¿Cuál es el pronóstico parta
el siguiente periodo? b) ¿Cual es el pronóstico para
Septiembre? c) Si la demanda real para el
periodo 6 es de 80 Kg ¿Cuál es el pronóstico para el siguiente periodo?
Ing. Omar David Pérez Fuentes 17
Periodo (mes)
Demanda real (kg)
Pronóstico (kg)
1 80
2 75
3 81
4 80
5 77
Serie de tiempo – Proceso constante Promedio Móvil
Otro ejemplo:
Se tiene la demanda histórica de 6 periodos.
a) Determine los pronósticos de ventas por el método promedio móvil con N=2 y N=3.
b) Con que N se ajusta mejor el proceso de pronóstico?
Ing. Omar David Pérez Fuentes 18
Periodo (mes)
Demanda (und)
Pronóstico
N=3 N=4
1 42
2 52
3 54
4 65
5 51
6 64
Serie de tiempo – Proceso constante Suavizado Exponencial Simple
Es una manera de pronosticar la demanda de un producto en un periodo
dado.
Estima que la demanda será igual a la media de los consumos históricos para
un periodo dado, dando una mayor ponderación a los valores mas cercanos
en el tiempo.
Además, tiene en cuenta el error de pronóstico actual en los siguientes
pronósticos.
Pero antes de usar este método es una norma hallar el promedio general,
para iniciar el proceso de pronóstico .
Es una ponderación o valor de ajuste con cierto grado de error, que se puede
estimar o determinar al emitir un pronóstico, este valor de ajuste fluctúa en
(0 y 1). Ing. Omar David Pérez Fuentes 19
Serie de tiempo – Proceso constante Suavizado Exponencial Simple
Ing. Omar David Pérez Fuentes 21
F(T+K) = α (dT) + (1- α)FT
Pronóstico = (último valor) + (1 - )(último pronóstico
Constante de suavizamiento exponencial varia entre cero y uno
• La demanda en condiciones de estabilidad > 0,3
• La demanda en proceso de cambio > 0,7
•
Serie de tiempo – Proceso constante Suavizado Exponencial Simple
Ejemplo: En la tabla se muestra la demanda histórica de consumo de carne de pollo en Kg. Por el método suavizado exponencial simple, con = 0,20 determine: a) El pronóstico parta el siguiente
periodo? b) El pronóstico para Septiembre? c) Si la demanda real para el periodo
6 es de 80 Kg ¿Cuál es el pronóstico para el siguiente periodo?
d) Recalcule los valores de pronóstico con = 0,90
e) Realice la grafica de pronóstico para ambos
Ing. Omar David Pérez Fuentes 22
Periodo (mes)
Demanda real (kg)
Pronóstico (kg)
1 80
2 75
3 81
4 80
5 77
Medidas de error en el pronóstico
El error del pronóstico es la diferencia entre el valor real de demanda y el valor pronosticado del período correspondiente.
et = dt − Ft
(+) Subestimado (-) Sobrestimado
Donde et es el error del pronóstico en el período t, d es el valor real para ese período y Ft el valor que se había pronosticado.
Ing. Omar David Pérez Fuentes 23
Medidas de error en el pronóstico
Ing. Omar David Pérez Fuentes 24
24
Desviación Media Absoluta
T
iTDMA
1
t e1
Desviación Cuadrática Media
2
1
te1
T
iTDCM
T
1i
teT
1BIAS
T
i t
t
d
e
TPAME
1
1
Bias o Sesgo Porcentaje Absoluto Medio del Error
Medidas de error en el pronóstico
Ejemplo: En la tabla se muestra la demanda histórica de consumo de carne de pollo en Kg. Por el método suavizado exponencial simple, determine con que se ajusta mejor el proceso de pronóstico, si = 0,20 o = 0,90. (PAME, DMA, DCM, BIAS)
Ing. Omar David Pérez Fuentes 25
Periodo (mes)
Demanda real (kg)
Pronóstico (kg)
1 80
2 75
3 81
4 80
5 77
Medidas de error en el pronóstico
Ing. Omar David Pérez Fuentes 26
t d
PRONÓSTICO MÉTODO S.E.S.
ERROR DEL
PRONÓSTICO
MEDIDA DE ERROR PAME
MEDIDA DE ERROR DMA
MEDIDA DE ERROR DCM
MEDIDA DE ERROR BIAS
α 0,2
α 0,90
α 0,2
α 0,90
α 0,2
α 0,90
α 0,2
α 0,90
α 0,2
α 0,90
α 0,2
α 0,90
1 80
2 75
3 81
4 80
5 77
Medidas de error en el pronóstico Determine con qué método se ajusta mejor el proceso de pronostico, último dato o Promedio Móvil con N=3. utilice como indicador del bondad DMA
Ing. Omar David Pérez Fuentes 27
Demanda
d UD PM, N=3 UD PM, N=3 UD PM, N=3
56
60
44
50
63
58
65
Pronostico Error DMA
Serie de tiempo – Proceso con Tendencia
Método: Suavizado exponencial doble
Técnica cuantitativa que permite calcular los pronósticos de la demanda para periodos futuros, teniendo como antecedente que los datos históricos siguen un comportamiento creciente o decreciente.
El producto se encuentra en la etapa de crecimiento o decrecimiento en su ciclo de vida.
Ing. Omar David Pérez Fuentes 28
Serie de tiempo – Proceso con Tendencia Método: Suavizado exponencial doble
y= Valor pronosticado en un periodo X
a = Constante del proceso
b = Pendiente de la recta de tendencia
x = Periodo (codificado)
Ing. Omar David Pérez Fuentes 29
)(-/ Pendiente
Constante
)(
T
T
TTKT
B
S
xbay
KBSF
Serie de tiempo – Proceso con Tendencia Método: Suavizado exponencial doble
Ecuaciones de Actualización:
Ing. Omar David Pérez Fuentes 30
11
11
1
1
TTTT
TTTT
BSSB
BSdS
10
10
Serie de tiempo – Proceso con Tendencia Método: Suavizado exponencial doble
1er Paso estimar BT
- Dividir los datos en dos grupos - Calcular el promedio del grupo 1 (PG1) - Calcular el promedio del grupo 2 (PG2)
Ing. Omar David Pérez Fuentes 31
BT = (PG2 – PG1 )/L
L = número de datos de cada grupo
Serie de tiempo – Proceso con Tendencia Método: Suavizado exponencial doble
2do Paso estimar ST. - Calcular el Promedio General (PG)
Ing. Omar David Pérez Fuentes 32
ST = PG + ((T-1)/2)BT
Serie de tiempo – Proceso con Tendencia Método: Suavizado exponencial doble
Paso 3: Realiza los pronósticos
Ing. Omar David Pérez Fuentes 33
TTKT KBSF Año Demanda
1994 35
1995 42
1996 48
1997 51
1998 54
1999 60
2000 71
2001 75
Ejemplo: Información histórica
Serie de tiempo – Proceso con Tendencia Método: Suavizado exponencial doble
Ing. Omar David Pérez Fuentes 34
0
10
20
30
40
50
60
70
80
0 1 2 3 4 5 6 7 8 9
(Denanda Vs Tiempo)
(Demanda)
Serie de tiempo – Proceso con Tendencia Método: Suavizado exponencial doble
Ejemplo:
Determine el pronóstico para los 3 próximos años, por el método suavizado exponencial doble
Ing. Omar David Pérez Fuentes 35
Año Demanda
1994 35
1995 42
1996 48
1997 51
1998 54
1999 60
2000 71
2001 75
Serie de tiempo – Proceso con Tendencia Método: Suavizado exponencial doble
Ing. Omar David Pérez Fuentes 36
t t d ST BT FT
(Año) (Periodo) (Demanda)
1994 1 35
1995 2 42
1996 3 48
1997 4 51
1998 5 54
1999 6 60
2000 7 71
2001 8 75 72,875 5,25
K=1 9 78,125
K=2 10 83,375
K=3 11 88,625
Serie de tiempo – Proceso con Tendencia Método: Suavizado exponencial doble
Demanda y Pronostico Vs. Tiempo
Ing. Omar David Pérez Fuentes 37
0
10
20
30
40
50
60
70
80
90
100
0 1 2 3 4 5 6 7 8 9 10 11 12
(Demanda)
FT
Serie de tiempo – Proceso con Tendencia Método: Suavizado exponencial doble
La demanda real para el periodo 2002 fue de 80 und, calcule el pronóstico para el siguiente periodo, si alfa = 0,10 y beta = 0,30?
Ecuaciones de actualización:
Ing. Omar David Pérez Fuentes 38
11
11
1
1
TTTT
TTTT
BSSB
BSdS
Serie de tiempo – Proceso con Tendencia Método: Suavizado exponencial doble
Ing. Omar David Pérez Fuentes 39
t t d ST BT FT
(Año)
(Periodo)
(Demanda)
1.994 1 35 A 0,1
1.995 2 42 B 0,3
1.996 3 48
1.997 4 51
1.998 5 54
1.999 6 60
2.000 7 71
2.001 8 75 72,88 5,25
2.002 9 80 78,31 5,31 78,13
K=1 10 83,62
K=2 11 88,93
Serie de tiempo – Proceso con Tendencia Método: Suavizado exponencial doble
La capacidad de la Plata es de 500 und/año, en que periodo se estará trabajando a capacidad máxima?
FT+K = ST + K(BT)
500 = 78,31 + K (5,31)
K = 79,41 años
A capacidad máxima en el año: 2081,41
Ing. Omar David Pérez Fuentes 40
Serie de tiempo – Proceso con Tendencia Método: Suavizado exponencial doble
Ejemplo:
La siguiente tabla, presenta la información histórica de ventas de los últimos años de materiales de construcción.
a) Determine el pronostico para los próximos 4 años.
Ing. Omar David Pérez Fuentes 41
AÑO DEMANDA
1 70
2 74
3 80
4 82
5 87
6 90
Serie de tiempo – Proceso con Tendencia Método: Suavizado exponencial doble
b) Si la demanda real para el periodo 7 es de 93 unidades, determine el pronóstico para el periodo 9 (Si se obtiene un nuevo dato de demanda real se debe actualizar los valores ST y BT con la ecuación de actualización haciendo uso de Alfa y Beta. Para el ejemplo considere alfa=0,1 , Beta=0,2)
c) Considere que los periodos estén dados en meses y el periodo 1 representa a enero del 2008. La capacidad máxima instalada en esta empresa es de 170 und/mes, determine el año y el mes en el cual se estará trabajando a capacidad máxima y se requiera proyectar una ampliación.
Ing. Omar David Pérez Fuentes 42
Serie de tiempo – Proceso con Tendencia Método: Suavizado exponencial doble
Ing. Omar David Pérez Fuentes 43
Solución: a)
AÑO DEMANDA
1 70
2 74
3 80
4 82
5 87
6 90
1er Paso estimar BT
1 2 3 4 5 6 7
Tiempo
(mes)
Demanda
8 9 10 11 12
80
90
70
100
(+)
G1
G2
PG
G1= 74,67 G2= 86,33 BT= 3,89
Serie de tiempo – Proceso con Tendencia Método: Suavizado exponencial doble
Ing. Omar David Pérez Fuentes 44
Solución: a)
2do Paso estimar ST.
PG = Promedio General.
22,9089,32
165,80
2
1
5,80
6
S
BT
PGS
PG
TT
Serie de tiempo – Proceso con Tendencia Método: Suavizado exponencial doble
Ing. Omar David Pérez Fuentes 45
Luego:
105,923,91*490,28F
B*4SF
4K
102,013,91*390,28F
B*3SF
3K
98,13,91*290,28F
B*2SF
2K
94,193.91*190,28F
B*1SF
10
6610
9
669
8
6626
7
6616
1K
B*KSF TTKT
Serie de tiempo – Proceso con Tendencia Método: Suavizado exponencial doble
Ing. Omar David Pérez Fuentes 46
AÑO DEMANDA ST BT FT
G1 1 70
2 74
3 80
G2 4 82
5 87
6 90 90,22 3,89
7 94,11
8 98,00
9 101,89
10 105,78
Pronostico para los siguientes 4 años
Serie de tiempo – Proceso con Tendencia Método: Suavizado exponencial doble
Ing. Omar David Pérez Fuentes 47
Solución: b)
6677
11
7727
1*
1*
*2
2
BSdS
BSdS
BSF
K
TTTT
88,391,3*2,0128,90071,942,0
*1
*1
071,9491,328,901,0193*1,0
7
6677
11
7
B
BSSB
BSSB
S
TTTT
84101
84101883207194
2
Re
9
9
7727
,F
,,*,F
*BSF
tiene:seecuaciónlaenmplazando
Serie de tiempo – Proceso con Tendencia Método: Suavizado exponencial doble
Ing. Omar David Pérez Fuentes 48
AÑO DEMANDA ST BT FT FT
G1 1 70
2 74
3 80
G2 4 82
5 87
6 90 90,22 3,89
7 93 94,00 3,87 94,11
8 98,00 97,87
9 101,89 101,73
10 105,78
a= 0,1
b= 0,2
Actualizacion:
ST= 94,00
BT= 3,87
Con las ecuaciones de actualización:
Serie de tiempo – Proceso con Tendencia Método: Suavizado exponencial doble
Ing. Omar David Pérez Fuentes 49
Solución: c)
TTKT KBSF
88,3071,94170
170 77
K
KBS
57,19K Tiempo
(mes)
Demanda
+19
93
70
170
7Febrero 2010 (fin de mes)
Capacidad
Máxima
kEnero 2008 Julio 2008
1
19 meses
Serie de tiempo – Proceso Estacional Método: Winters
Esta técnica sirve para calcular el pronóstico de ventas cuando existe estacionalidad o ciclos y también se utiliza cuando en cada período existen diferencias de ventas muy marcadas, razón por la cual se hace necesario calcular un índice que nos permitirá un ajuste por cada período.
Para este método se requiere al menos dos años de información histórica de la demanda en función al tiempo
Ing. Omar David Pérez Fuentes 50
Serie de tiempo – Proceso Estacional Método: Winters
Ing. Omar David Pérez Fuentes 51
1 2 3
Tiempo
(mes)
Demanda
Proceso estacional
111*
TT
LT
TT BS
C
dS
LT
T
TT C
S
dC
*1
1,,0
LKTTKT CBKSFT **
11 *1 TTTT BSSB
Ecuaciones de actualización:
Serie de tiempo – Proceso Estacional Método: Winters
Ejemplo. SnugFit es una compañía que fabrica botas de esquiar. Las botas tuvieron ventas lentas al introducirse al mercado. De los cuales se recabo la siguiente información y según la demanda que se muestra en el cuadro.
a) Determinar el pronóstico para el siguiente periodo (cuatrimestre).
Ing. Omar David Pérez Fuentes 52
AÑO CUATRIMESTRE DEMANDA
1 1 60 2 234 3 100 2 4 65 5 240 6 110
Serie de tiempo – Proceso Estacional Método: Winters
b) Si las demanda real para el primer cuatrimestre del año 3 es de 70 unidades, determine el pronóstico para el siguiente periodo. Utilice α=0,1 ; β=0,2 ; ϒ=0,2
Ing. Omar David Pérez Fuentes 53
Serie de tiempo – Proceso Estacional Método: Winters
Ing. Omar David Pérez Fuentes 54
Solución: a) Se debe seguir los siguientes pasos: 1er paso estimar BT - Utilizar la información histórica de la demanda de los dos últimos años. - Sacar promedio del grupo 1 (G1), corresponde al año n-1 - Sacar promedio del grupo 2 (G2), correspondiente al año n
CUATRIMESTRE DEMANDA
1 2 3
60 234 100
4 5 6
65 240 110
G1: año 1
G2: año 2
L= Número por año = 3 33,2
3
33,13133,138
33,1383
110240652
33,1313
100234601
6
12
B
L
GGB
G
G
T
Serie de tiempo – Proceso Estacional Método: Winters
Ing. Omar David Pérez Fuentes 55
Solución: a)
2do Paso estimar ST. PG= Promedio General de todos los datos históricos de demanda.
66,14033,22
1683,134
2
1
2
1
83,134
83,1346
1102406510023460
6
66
5,3
2
16
2
1
S
BT
PGS
BT
PGS
S
PGS
PGS
PG
TT
T
Serie de tiempo – Proceso Estacional Método: Winters
Ing. Omar David Pérez Fuentes 56
Solución: a) 3er Paso hallar CT:
0,75
2,3336140,66
100C
B36S
dC
3t
1,782,3326140,66
234C
B26S
dC
2t
0,472,3316140,66
60C
B16S
dC
1t
BtTS
dC
3
66
33
2
66
22
1
66
11
TT
tt
Serie de tiempo – Proceso Estacional Método: Winters
Ing. Omar David Pérez Fuentes 57
Solución: a)
0,78
2,3366140,66
110C
B66S
dC
6t
1,732,3356140,66
240C
B56S
dC
5t
0,482,3346140,66
65C
B46S
dC
4t
6
66
66
5
66
55
4
66
44
Serie de tiempo – Proceso Estacional Método: Winters
Ing. Omar David Pérez Fuentes 58
Solución: a) Ct AÑO 1 AÑO 2 PROMEDIO Ct Ct (Normalizado)
1 0,47 0,48 0,475
2 1,78 1,73 1,76
3 0,75 0,78 0,765
∑ = 3 = L CtRC
Ct
LR
oNormalizad *
Cuando la suma del “Promedio Ct“ es igual a “L” no se normaliza
67,920,475*2,33*1140,66F
C*B*1SF
C*B*1SF
C*B*KSF
7
4667
3166616
LKTTKT T
Serie de tiempo – Proceso Estacional Método: Winters
Ing. Omar David Pérez Fuentes 59
Solución: b)
43,233,2*2,0166,14043,1432,0
*1
*1
43,14333,266,1401,01475,0
70*1,0
1*
1*
2.02.01.0
667
11
7
66
4
77
11
T
T
TTTT
TT
LT
TT
B
BSSB
BSSB
S
BSC
dS
BSC
dS
iónactuañizacdeecuaciónlautilizaSe
Serie de tiempo – Proceso Estacional Método: Winters
Ing. Omar David Pérez Fuentes 60
Solución: b)
95,26076,1*418,2*243,143
**
**
**
48,0475,0*2,0143,143
702,0
*1
*1
8
578
317717
7
4
7
77
7
7
F
CBKSF
CBKSF
CBKSF
C
CS
dC
CS
dC
LKTTKT
LT
T
TT
T
Serie de tiempo – Proceso Estacional Método: Winters
Si se requiere pronosticar mas de una temporada futura, es decir k>L, entonces T+k-L es mayor que T y la estimación especifica del factor estacional no se conoce. En su lugar se utiliza del valor mas reciente.
g=k/L (el entero más pequeño mayor o igual a k/L
Ing. Omar David Pérez Fuentes 61
LKTTKT C*B*KSFT g
Método Causal con regresión Método: Regresión lineal simple
Cuando la demanda esta en función a una variable diferente al tiempo. Por ejemplo la demanda de gasolina esta en función del numero de automóviles en el parque automotor. El método más empleado para describir una tendencia lineal es el de mínimos cuadrados, para encontrar una línea de mejor ajuste para un conjunto de puntos. Y = a + b(X) d = a + b(X) Y = Valor pronosticado para un dato X a = Valor de la constante, ordenada al origen b = Pendiente de la recta de tendencia X = Variable independiente
Ing. Omar David Pérez Fuentes 62
Método Causal con regresión Método: Regresión lineal simple
Ejemplo. Durante los últimos años las ventas de una empresa han crecido por razones de una intensa campaña de promoción, las cuales han tenido el siguiente comportamiento.
a) Se pide determinar las ventas esperadas para el año 12
b) Cual es el gasto en propaganda que genera de 1545 (miles de Ud.) Ing. Omar David Pérez Fuentes 63
Año Ventas
(miles de unidades) Gastos en propaganda
(miles de $us) 0 800 8 1 920 12 2 1005 15 3 1015 19 4 1030 21 5 1200 25 6 1320 32 7 1300 31
Método Causal con regresión Método: Regresión lineal simple
Ing. Omar David Pérez Fuentes 64
1 2 3 4 5 6 7X
Y
Pronóstico
REGRESIÓN LINEAL
Error
Y=a+bX
Error
Método Causal con regresión Método: Regresión lineal simple
Ing. Omar David Pérez Fuentes 65
Nro Ventas Gastos en propaganda
Dato (miles de unidades) (miles de $us)
0 1 800,00 8 Y= a + BX
1 2 920,00 12 Y: GASTOS
2 3 1.005,00 15 X: AÑO
3 4 1.015,00 19 a: 4,679
4 5 1.030,00 21 b: 3,488
5 6 1.200,00 25 r2: 0,97
6 7 1.320,00 32
7 8 1.300,00 31 Y: VENTAS
8 9 1.401,81 36,07 X: GASTOS
9 10 1.474,71 39,56 a: 647,92
10 11 1.547,60 43,05 b: 20,9
11 12 1.620,50 46,54 r2: 0,968
12 13 1.693,40 50,02
Año
Método Causal con regresión Método: Regresión lineal simple
Ing. Omar David Pérez Fuentes 66
-
200,00
400,00
600,00
800,00
1.000,00
1.200,00
1.400,00
1.600,00
1.800,00
0 2 4 6 8 10 12 14
Ventas (miles de unidades)
Ventas (miles de unidades)
Método Causal con regresión Método: Regresión lineal múltiple
•Armando posee naranjas en Chapare. El ha recolectado datos sobre el total de lluvias
(pulgadas), la temperatura alta promedio (grados Fahrenheit) y la cosecha (libras /
acre) para las últimas ocho temporadas. Los datos son los siguientes:
El pronóstico del servicio meteorológico es de 17 in de lluvia y 88 ºF de temperatura.
Ellos confían en que la cantidad de lluvia estará entre 15 in y 20 in y la temperatura
entre 85 ºF y 90 ºF. Las naranjas se procesan en un periodo de una semana al final de
la temporada. Un trabajador puede procesar 80 lb por día. Armando tiene 100 acres de
naranjales y cuenta en este momento con 100 trabajadores para la semana siguiente a
la temporada. ¿Qué consejo de daría sobre el nivel de su fuerza de trabajo?
Ing. Omar David Pérez Fuentes 67
Lluvia 11 22 20 22 13 23 23 10
Temperatura 91 80 88 85 94 83 82 87
Cosecha 1713 4439 2012 4741 2613 4436 4257 1520
Método Cualitativo Método: Regresión lineal múltiple
Se utiliza cuando no se dispone de información histórica del producto en el mercado o cuando se trata de productos nuevos. Las técnicas que se utiliza son las siguientes:
• Investigación de mercados
• Método Delphi
Ing. Omar David Pérez Fuentes 70
Método Cualitativo Método: Investigación de mercados
Un empresa vende un producto determinado en una zona restringida a modo de piloto o experimento y mide sus resultados. Se proyectan las ventas y la demanda potencial por medio de encuestas.
Ing. Omar David Pérez Fuentes 71
ENCUESTA
1.- …………………..?
2.- …………………..?
3.- …………………..?
4.- …………………..?
5.- …………………..?
6.- …………………..?
Población objetivo
Muestra “n”
¿demanda?
Método Cualitativo Método: Delphi
Es una metodología de investigación multidisciplinaria para la realización de pronósticos y predicciones. Fue desarrollo por la Corporación Rand al inicio de la Guerra Fría para investigar el impacto de la tecnología en la guerra. El nombre del método se basa en las predicciones del oráculo de Delfos.
Funcionamiento: Su objetivo es la consecución de un consenso basado en la discusión entre expertos. Es un proceso repetitivo.
Su funcionamiento se basa en la elaboración de un cuestionario que ha de ser contestado por los expertos. Una vez recibida la información, se vuelve a realizar otro cuestionario basado en el anterior para ser contestado de nuevo.
Finalmente el responsable del estudio elaborará sus conclusiones a partir de la explotación estadística de los datos obtenidos.
Ing. Omar David Pérez Fuentes 72
Método Cualitativo Método: Delphi
Principios de funcionamiento Delphi se basa en - Anonimato de los intervinientes - Repetitividad y realimentación controlada - Respuesta del grupo en forma estadística
Terminología: Una serie de términos suelen ser utilizados en esta técnica: Circulación: Cada uno de los sucesivos cuestionarios que se presenta al grupo de expertos. Cuestionario: Documento que se envía a los expertos, incluidos los resultados de anteriores circulaciones. Panel: Conjunto de expertos que toma parte en el Delphi. Moderador: Responsable de recoger las respuestas del panel y preparar los cuestionarios.
Ing. Omar David Pérez Fuentes 73
Método Cualitativo Método: Delphi
Ejemplo: Demanda de Cd´s Interactivos de la asignatura de PCP I para el presente Semestre.
Ing. Omar David Pérez Fuentes 74
Nro. Experto 1ra.
Vuelta 2do.
Vuelta 3ro.
Vuelta 1 Patricia 20 65 68 2 Daniela 60 60 63 3 Jaime 50 70 65 4 Joaquin 80 70 67 Media 52 66 65 Rango 20-80 60-70 63-68
)(
1ra. Ronda 2da. Ronda 3ra. Ronda
52 66 6520 80 60 70 63 68
Pronóstico: 65 CDs
Top Related