¿Que es previsiones?
, Previsión de acontecimientos futuros
,Datos históricos
, Modelos matemáticos
Corto plazo Tiene un periodo de
cobertura de hasta unaño, aunque
generalmente es inferior a los tres
meses.
Mediano plazo Abarca generalmente
entre tres meses y tres años.
Largo Plazo Abarcan periodos de
tres años o más,
Diferencias entre a corto y mediano-largo plazo
CORTO PLAZO• METODOLOGÍAS DIFERNTES• Medias Móviles• Alisado Exponencial• Extrapolación de tendencia
• -SON MÁS EXACTAS
MEDIANO-LARGO PLAZO• TRATAN DE CUESTIONES MÁS GLOBALES, PARA
DECISIONES COMO:• Planificación • Producción• Plantas• Procesos
La influencia del ciclo de vida del producto
Conocer la fase del ciclo en la que se encuentra nuestro producto o servicio nos permitirá diseñar la estrategia más eficaz para alargar su vida en un mercado cada vez más cambiante y rápido
TIPOS DE PREVISIONES
ECONOMICAS
• Previsiones a mediano y largo plazo• Variables económicas
TECNOLOGIA
• Previsiones a largo plazo• Progreso tecnológico
DEMANDA
• Demanda de los productos o servicios de la empresa• Conduce sistemas de producción
Importancia estratégica de las previsiones
Recursos Humanos
Capacidad
Gestión de la cadena de
suministros
La previsión es la única estimación de la demanda hasta que se conozca la demanda real.Las previsiones de la demanda determinan las decisiones en muchas áreas
SIETE ETAPAS EN EL SISTEMA DE PREVISION
DETERMINAR EL USO DE LA PREVISION
SELECCIONAR A LOS ARTICULOS PARA LOS
QUE SE VA A REALIZAR LA PREVISION
DEFINIR EL HORIZONTE TEMPORAL DE LA
PREVISION
SELECCIONAR EL MODELO O LOS MODELOS DE PREVISION
RECOPILAR LOS DATOS NECESARIOS PARA LA
PREVISION
REALIZAR LA PREVISION
VALIDAR E IMPLEMENTAR RESULTADOS
Enfoques de la previsión
Previsiones
Previsiones Cuantitativos
Se emplean diferentes modelos matemáticos para prever la demanda
Previsiones Cualitativos
Es una combinación entre: intuición, toma de decisiones, emociones,
experiencias y sistemas de valores
Revisión de los métodos cualitativos
Jurado de opinión ejecutiva
Método Dephi
Propuesta del personal de ventas
Estudio de mercado
• Reunión de un grupo directivo o expertos de alto nivel
• Los que toman decisiones• El personal de soporte• Los encuestados
• Cada vendedor estima las ventas que habrá en su zona
• Solicitud de los consumidores o clientes potenciales
Revisión de los métodos cuantitativos
Modelos de series temporales
Enfoque simple
Medias Móviles
Alisado exponencial
Modelos asociativos (o
casuales)
Proyección de tendencia
Regresión lineal
Todos ellos utilizan datos históricos
El futuro es una función
del pasado.
Variables o factores que
pueden influir en la cantidad
que se va a predecir
PREVISIONES DE SERIES TEMPORALES
BASADA EN SECUENCIA DE
DATOSTECNICA DE
PREVISION QUE USA DATOS PASADOS
LOS VALORES FUTUROS DEPENDEN
DE LOS HECHOS PASADOS
DESCOMPOSICION DE UNA
SERIE TEMPORAL
TENDENCIAS
ESTACIONALIDAD
CICLOS
VARIACIONES IRREGULARES
O ALEATORIAS
DESCOMPOSICION DE UNA SERIE TEMPORAL
• Movimientos graduales• Cambios en los ingresos, población, gustos, etc.Tendencias
• Es un patrón de variabilidad que se repite cada cierto numero de días Estacionalidad
• Patrones que ocurren cada cierto numero de años.Ciclos
• Son causadas por datos o situaciones inusuales• No siguen un patron
Variación irregular o aleatorias
Enfoque simple y Media móvil
Enfoque Simple
Supone que la demanda del
periodo anterior se mantiene
Media móvil
Utiliza un grupo de valores recientes
Supone que la demanda del mercado es
estable
Ayuda a suavizar las irregularidades
de corto plazo
Matemáticamente:
Ejemplos media móvil
• Media móvilMes Ventas reales Media móvil (3 meses)
Enero 10
Febrero 12
Marzo 16
Abril 19 =(10+12+16)/3=12,6
Mayo 23 =(12+16+19)/3=15,6
Junio 21
Julio 25
Medias Móviles
• Cuando existen tendencias o patrones detectables se puede utilizar ponderaciones para valores recientes.
• Se debe tener cierta experiencia para ponderar y que ponderación se va a usar.
Medias Móviles
• Cuando existen tendencias o patrones detectables se puede utilizar ponderaciones para valores recientes.
• Se debe tener cierta experiencia para ponderar y que ponderación se va a usar.
• Media móvil ponderadaPonderación Período
3 Último
2 Hace 2 meses
1 Hace 3 meses
6Suma de
ponderaciones
Mes Ventas reales Media móvil (3 meses)
Enero 10
Febrero 12
Marzo 16
Abril 19 =(10*1+12*2+16*3)/6= 13,6
Mayo 23 =(12*1+16*2+19*3)/6= 19,5
Junio 21
Julio 25
Si n aumenta hace que el método sea menos sensible a
cambios reales
La medias móviles no son buenas al
momento de captar tendencias.
Requieren de un gran numero de datos históricos
Tanto la media móvil simple como la ponderada son eficaces en el aislamiento de fluctuaciones;
presentan tres problemas
Aislado Exponencial
Método de previsión de medias móviles
ponderadas
Los datos se ponderan por medio de una
función exponencial
Necesita un reducido numero de datos
Ft= nueva previsiónFt-1= previa previsiónα=constante aislado o ponderación entre 0 – 1At-1= demanda real del periodo previo
Constante de alisadoα (α)Es el factor de
ponderación que seutiliza en un pronósticode alisado
exponencial;es un número entre 0
y1.
Cuando alcanza el valor extremo de 1,0; desaparecen todos los valores antiguos, y la previsión es idéntica a la del modelo simple
Cuando asume valores elevados se da mayor ponderación a los valores recientes
Para las aplicaciones empresariales está en elintervalo comprendido entre 0,05 y 0,50.
Cuando asume valores menores se da mayor ponderación a los valores mas antiguos
Ejercicio• En enero, un concesionario de automóviles predijo para febrero
una demanda de 142 Ford Mustang. La demanda real en febrero fue de 153 vehículos. Utilizando una constante de alisado escogida por la dirección de 0,2 se puede predecir la demanda de marzo utilizando el modelo del alisado exponencial. Sustituyendo estos datos en la fórmula, se obtiene:
• Nueva previsión (para la demanda de marzo) = 142 + 0,2(153 - 142)
=142 + 2,2 144,2• Por tanto, la demanda prevista de Ford Mustang para el mes de
marzo es de 144.
Medición del error de previsión
El error de previsión indica como se
comporto el modelo comparando con los
datos pasados
Desviación absoluta media (DAM)
Error cuadrado medio (ECM)
Error porcentual absoluto (EPAM)
Ft= la previsión en el periodo t.
At= la demanda real en el periodo t.
Desviación absoluta media
Este valor se calcula sumando los valores absolutos de los errores
de previsión individualesy dividiendo por el número de
periodos de los datos (n):
Durante los ocho últimos trimestres, en el puerto de Baltimore se han descargado grandes cantidades de grano de los barcos. El director de operaciones portuarias quiere analizar la utilización de la técnica de alisado exponencial para constatar qué tal funciona en la previsión de tonelaje descargado.Para ello, supone que la previsión de grano descargado en el primer trimestre fue de175 toneladas. Dos son los valores de examinados: 0,10 y 0,50.
TrimestreToneladas realmente
descargadas
Previsión redondeada
utilizando (0,1)Desviación
absoluta con (0,1)
Previsión redondeada
utilizando (0,5)
Desviación absoluta con
(0,5)
1 180 175 =(180-175)=5 175 5
2 168 176 8 178 10
3 159 175 16 173 14
4 175 173 2 166 9
5 190 173 17 170 20
6 205 175 30 180 25
7 180 178 2 193 13
8 182 178 4 186 4
9 Suma: 84 Suma=100
DAM 1: 84/8=10,5DAM 2: 100/8=12,5
Por en cuanto, es preferible un constante de aislado de 0,1 porque su DAM es menor.
Error cuadrado medio
Es la media de lasdiferencias al cuadrado
entre los valores previstos y los observados.
Se busca minimizar el error.
En ocasiones este análisis revalida los
resultados de la DAM
Error porcentual absoluto medio
La media de las diferencias, en valor absoluto, entre los valores reales y los previstos, expresada como porcentaje de los valores reales.
Alisado exponencial con ajuste de tendencia
Con el alisado exponencial con ajuste de tendencia, las
estimaciones, tanto para la mediacomo para la tendencia, están alisadas. Este procedimiento requiere dos constantes de
alisado,para la media, y para la
tendencia.
Análisis de Previsión CausalA diferencia de previsiones temporales ; aquí se toma en cuenta otras variables relacionadas con las que se van a predecir.Cuando se identifica las variables relacionadas entre si se utiliza los modelos estadísticos para hacer la previsión de la variable que interesa.
1) Análisis de regresión linealLa variable dependiente que se
quiere prever continuará siendo yˆ. Pero ahora la variable
independiente, x, no tiene por qué seguir siendo el tiempo.
Coeficientes de correlación para las rectas de regresión
Es una medida de la intensidad de la
relación entre dos variables.
Identificadonormalmente como r, el
coeficiente de correlación puede ser cualquier número
entre +1 y-1.
Análisis de regresión múltiple
Permite construir un modelo con varias
variables independientes en lugar de una sola
variable.
Top Related