Transcript clase 2 Pronostico de Demanda

AUTOMATIZACION DE LA
MANUFACTURA
Prof. Orlando Durán
Escuela de Ingeniería Mecánica PUCV
[email protected]
www.orlandoduran.cl
Clase 02
INTRODUCIÓN
• La previsión de la demanda es la base para la
planificación estratégica de la Producción, Ventas y
Finanzas de cualquier empresa.
• Permite que los administradores de estos
sistemas antevean el futuro y planeen
adecuadamente sus acciones.
• Las previsiones son usadas por la PCP en de los
momentos distintos:
• para planificar el sistema productivo y
• para planificar el uso de este sistema productivo.
INTRODUCIÓN
 La responsabilidad por la preparación de la previsión de la demanda
normalmente es del sector de Marketing o Ventas.
 Sin embargo, existen de los buenos motivos para que la gente de la PCP
entienda como esta actividad se realiza.
 La previsión de la demanda es la principal información empleada por
la PCP en la elaboración de sus actividades;
 En empresas de pequeño y medio porte, no existe aún una
especialización muy grande de las actividades, así le cabe al personal
de PCP (generalmente el mismo de Ventas) elaborar estas
previsiones.
 Actualmente las empresas están buscando un relacionamiento mas
eficiente dentro de su cadena productiva.
ETAPAS DE UM MODELO DE PREVISIÓN
Objetivo del modelo
Colecta y análisis de los datos
Selección de la técnica de previsão
Obtención de las previsiones
Monitoración del modelo
Etapas de un Modelo de Previsión
OBJETIVO
o
o
Definir la razón por la cuál necesitamos de previsiones.
Que producto (familias de productos) será previsto,
Grado de precisión y detalle de la previsión
Recursos que estarán disponibles para la previsión.
• la sofisticación y el detallamiento del modelo depende de la
importancia relativa del producto, o familia de productos, a ser
previsto y del horizonte al cuál la previsión se destina.
• ítems poco significativos pueden ser previstos con mayor margen de
error, empleándose técnicas simples. Así como se admite un margen
de error mayor para previsiones de largo plazo, empleándose datos
agregados de familias de productos.
Etapas de un Modelo de Previsión
COLECTA Y ANÁLISIS DE LOS DATOS
Objetiva identificar y desarrollar la técnica de previsión que mejor se adapte.
Algunos cuidados básicos:
Cuanto mas datos históricos sean colectados y analizados, mas confiable
la técnica de previsión será;
Los datos deben buscar la caracterización de la demanda por los
productos de la empresa, que no es necesariamente igual la las ventas
pasadas;
Variaciones extraordinarias de la demanda deben ser analizadas y
substituidas por valores medios, compatibles con el comportamiento
normal de la demanda;
El tamaño del período de consolidación de los datos tiene influencia
directa en la elección de la técnica de previsión mas adecuada, así como
en la análisis de las variaciones extraordinarias.
Etapas de un Modelo de Previsión
COLECTA Y ANÁLISIS DE LOS DATOS
90
80
70
60
50
Mensual
Trimestral
40
30
20
10
0
Jan
Mar
May
Jul
Sep
Nov
Etapas de un Modelo de Previsión
SELECCIÓN DE LA TÉCNICA DE PREVISIÓN
Existen técnicas cualitativas y cuantitativas. Cada una teniendo su
campo de acción y su aplicabilidad. Algunos factores merecen destaque
en la elección de la técnica de previsión:
 decidir considerando la curva de trade-off “costo-precisión”;
 la disponibilidad de datos históricos;
 la disponibilidad de recursos computacionales;
 la experiencia pasada con la aplicación de determinada técnica;
 la disponibilidad de tiempo para recolectar, analizar y preparar los
datos y la previsión; y
 el período de planificación para el cuál necesitamos de la previsión.
Etapas de un Modelo de Previsión
SELECCIÓN DE LA TÉCNICA DE PREVISIÓN
Con la definición de la técnica de previsión y la aplicación de los
datos pasados para la obtención de los parámetros necesarios,
podemos obtener las proyecciones futuras de la demanda.
Cuanto mayor sea el horizonte pretendido, menor la
confiabilidad en la demanda prevista.
A medida en que las previsiones estén siendo “alcanzadas” por
la demanda real, se debe monitorear el error entre la demanda
real y la prevista, para verificar se la técnica y los parámetros
empleados aún son válidos. En situaciones normales, un ajuste
en los parámetros del modelo, para que refleje las tendencias
mas recientes, es suficiente.
TÉCNICAS DE PREVISIÓN
Existe una serie de técnicas disponibles, con diferencias substanciales
entre ellas. Sin embargo, cabe describir las características generales que
normalmente están presentes en todas las técnicas de previsión, que son:
Se supone que las causas que influenciaron la la demanda pasada
continuarán la actuar en el futuro;
Las previsiones no son perfectas, pues no somos capaces de prever
todas las variaciones aleatorias que ocurrirán;
La precisión de las previsiones disminuye con el aumento del período
de tiempo utilizado;
La previsión para grupos de productos es más precisa que para los
productos individualmente, pues dentro de un grupo los errores
individuales de previsión se anulan o compensan.
TÉCNICAS DE PREVISIÓN
Las técnicas de previsión pueden ser subdivididas en dos grandes grupos:
Las técnicas cualitativas que, privilegian principalmente datos subjetivos,
los cuales son difíciles de representar numéricamente. Están basadas en la
opinión y en el juicio de personas claves, especialistas en los productos o
en los mercados donde actúan estos productos;
Las técnicas cuantitativas que, envuelven el análisis numérico de los datos
pasados, obviando las opiniones personales. Se emplean modelos
matemáticos para proyectar la demanda futura. Pueden ser subdivididas
en dos grandes grupos: las técnicas basadas en series temporales, y las
técnicas basadas en correlaciones.
PREVISIONES BASADAS EN SERIES TEMPORALES
Parten del principio de que la demanda futura
será una proyección de los valores pasados, no
sufriendo influencia de otras variables.
Es el método más simple y usual de previsión, y cuando bien
elaborado presenta buenos resultados.
Para montar el modelo de previsión, es necesario plotar los
datos pasados y identificar los factores que están por tras de
las características de la curva obtenida.
Una curva temporal de previsión puede contener tendencia,
estacionalidad, variaciones irregulares y variaciones aleatorias.
PREVISIONES BASADAS EN SERIES TEMPORALES
Tendencia
Ciclos/Estacionalidad
60
50
Demanda
40
30
20
Variacion irregular
Variacion Aleatoria
10
0
Jan.
Feb.
Mar.
Abr.
May.
Jun.
Jul.
Ago.
Sep.
Oct.
Nov.
Dic.
PREVISIONES BASADAS EN SERIES TEMPORALES
TENDENCIA: consiste en un movimiento gradual, de largo
plazo, direccionando de los datos (+o -).
ESTACIONALIDAD: Se refiere la variaciones cíclicas de corto
plazo, relacionadas al factor tempo.
VARIACIONES IRREGULARES: Son alteraciones en la demanda
pasada resultantes de factores excepcionales, que no pueden
ser previstos. Estos datos deben ser retirados de la serie
histórica y substituidos por la media.
VARIACIONES ALEATORIAS: Ninguna de las anteriores. Deben
ser tratadas por la media.
Previsiones Basadas en Series Temporales
Técnica para la Previsión de la Media
Los datos históricos, normalmente, contienen
componentes aleatorios. Estas variaciones son de
difícil determinación y su remoción completa no es
viable.
Así se incorporan estas variaciones en el modelo,
utilizando técnicas basadas en la media.
Las técnicas de previsión de la media buscan
privilegiar los datos mas recientes de la serie
histórica, que normalmente representan mejor la
situación actual.
Previsiones Basadas en Series Temporales
Técnica para la Previsión de la Media: MEDIA MÓVIL
La media móvil usa datos de un número predeterminado de períodos,
normalmente los mas recientes, para generar su previsión. A cada nuevo
período de previsión, se substituye el dado mÁs antiguo por el mas reciente.
n
D
Mmn 
Mmn = Média móvil de n períodos;
Di = Demanda en el período i;
n = Número de períodos;
i = índice del período (i = 1,2,3,...)
i 1
n
i
Previsiones Basadas en Series Temporales
Técnica para la Previsión de la Media: MEDIA MÓVIL
Período Enero
Demanda 60
Mm3 
Feb Marzo Abril Mayo Junio
50
45
50
45 70
50  45  70
 55,00
3
Mm5 
Mm3 
45  70  60
 58,33
3
50  45  50  45  70
 52,00
5
Previsiones Basadas en Series Temporales
Técnica para la Previsión de la Media: MÉDIA EXPONENCIAL MÓVIL
El peso de cada observación decrece en el tiempo en progresión
geométrica, y de forma exponencial.
 Cada nueva previsión es obtenida con base en la previsión anterior,
sumado el error cometido en la previsión anterior, corregido por un
coeficiente de ponderación
M t = M t-1 +  (D t-1 - M t-1)
donde:
M t = Previsión del período t
M t-1 = Previsión del período t - 1
 = coeficiente de ponderación
D t-1 = Demanda del período t - 1
error
Previsiones Basadas en Series Temporales
Técnica para la Previsión de la Media: MÉDIA EXPONENCIAL MÓVIL
Período
1
2
3
4
5
6
7
8
9
10
11
Demanda
90
95
98
90
92
95
90
100
92
95
 = 0,10
Previsión
90,00
90,50
91,25
91,12
91,20
91,58
91,42
92,27
92,25
92,52
Error
5,00
7,50
-1,25
0,88
3,80
-1,58
8,58
-0,27
2,75
 = 0,50
Previsión
90,00
92,50
95,25
92,62
92,31
93,65
91,82
95,91
93,95
94,47
Error
5,00
5,50
-5,25
-0,62
2,69
-3,65
8,18
-3,91
1,05
Previsiones Basadas en Series Temporales
Técnica para la Previsión de la Tendencia
La tendencia se refiere al movimiento gradual de largo plazo.
El cálculo de la estimativa de la tendencia es realizado por la
identificación de una ecuación que describe este movimiento.
Esta ecuación puede ser lineal o no (exponencial, parabólica,
logarítmica y otras).
Previsiones Basadas en Series Temporales
Técnica para la Previsión de la Tendencia: ECUACIÓN LINEAL
Una ecuación lineal posee el siguiente formato:
Y  a  bX
b

  X  Y
n X    X 
n  XY 
2
2
Y  b X 

a
n
Y = Previsión de la demanda para el período X;
a = Ordenada en el origen, la intercepción con el eje de los Y;
b = Coeficiente angular;
X = Período (partiendo de X=0) para previsión;
n = número de períodos observados.
Previsiones Basadas en Series Temporales
Técnica para la Previsión de la Tendencia: ECUACIÓN LINEAL
Semana(X)
Demanda(Y)
1
2
3
4
5
6
7
8
450
430
470
480
450
500
520
530
3830

X
1
3
6
10
15
21
28
36
8  17770  36  3830 4280
b

 12,73
8  204  36  36
336
3830  12,73  36
a
 421,46
8
X
2
1
5
14
30
55
91
140
204
XY
450
860
1410
1920
2250
3000
3640
4240
17770
Y = 421,46 + 12,73 X
Y9 = 421,46 + 12,73 (9) = 536,03
Y10 = 421,46 + 12,73 (10) = 548,76
Previsiones Basadas en Series Temporales
Técnica para la Previsión de la Tendencia: SUAVIZADO
Pt 1  M t  Tt
EXPONENCIAL
M t  Pt   1  Dt  Pt 
Tt  Tt 1   2   Pt  Pt 1   Tt 1 
Pt+1 = Previsión de la demanda para el período t+1;
Pt = Previsión de la demanda para el período t;
Pt-1 = Previsión de la demanda para el período t-1;
Mt = Previsión media exponencial móvil de la demanda para t;
Tt = Previsión de la tendencia para el período t;
Tt-1 = Previsión de la tendencia para el período t-1;
α1 = coeficiente de ponderación de la media;
α2 = coeficiente de ponderación de la tendencia;
Dt = Demanda do período t;
Previsiones Basadas en Series Temporales
Técnica para la Previsión de la Tendencia:
Período
t
Demanda
D
1
2
3
4
5
6
7
8
200
250
240
300
340
390
350
400
M t  Pt   1  Dt  Pt 
SUAVIZADO EXPONENCIAL
Tt  Tt  1   2   Pt  Pt  1   Tt  1 
Estimativa inicial de la tendência = (240-200)/2 = 20
Estimativa inicial de la demanda = 240 + 20 = 260
Pt 1  M t  Tt
240
260=240+20
268=260+0,2(300-260)
20=20+0,3((260-240)-20)
288=268+20
298,4=288+0,2(340-288)
22,4=20+0,3((288-260)-20)
320,8=298,4+22,4
334,6=320,8+0,2(390-320,8) 25,5=22,4+0,3((320,8-288)-22,4) 360,1=334,6+25,5
358,0=360,1+0,2(350-360,1) 29,6=25,5+0,3((360,1-320,8)-25,5) 387,6=358,0+29,6
390,1=387,6+0,2(400-387,2) 29,0=29,6+0,3((387,6-360,1)-29,6) 419,1=390,1+29,0
Previsiones Basadas en Series Temporales
TÉCNICAS PARA PREVISIÓN CON ESTACIONALIDAD
• La estacionalidad está expresada en términos de una cantidad,
o de un porcentaje, de la demanda que se desvía de los
valores medios de la serie. Si existe tendencia, ella debe ser
considerada.
• El valor aplicado sobre la media, o la tendencia, es conocido
como índice de estacionalidad.
• La forma mas simple de considerar la estacionalidad en las
previsiones de demanda, consiste en emplear el último dato
de la demanda, en el período estacional en cuestión, y
asumirlo como previsión.
Previsiones Basadas en Series Temporales
TÉCNICAS PARA PREVISIÓN CON ESTACIONALIDAD
La forma mas usual de inclusión de la estacionalidad en las
previsiones de la demanda, consiste en obtener el índice de
estacionalidad para los diversos períodos, empleándose la media
móvil centrada, y aplicarlos sobre el valor medio (o tendencia)
previsto para el período en cuestión.
El índice de estacionalidad es obtenido dividiendo el valor de
la demanda en el período por la media móvil centrada en este
período. El período que se usa para el cálculo de la media
móvil es igual al ciclo de estacionalidad.
Cuando se disponen de datos suficientes, se calculan varios
índices para cada período y se calcula un promedio entre
ellos.
Previsiones Basadas en Series Temporales
TÉCNICAS PARA PREVISIÓN CON ESTACIONALIDAD
Dia
Segunda
Terça
Quarta
Quinta
Sexta
Sábado
Domingo
Segunda
Terça
Quarta
Quinta
Sexta
Sábado
Domingo
Segunda
Terça
Quarta
Quinta
Sexta
Sábado
Domingo
Segunda
Terça
Quarta
Demanda
50
55
52
56
65
80
85
55
50
58
50
70
75
80
52
50
54
60
65
85
90
50
53
55
Média Móvel Centrada
Índice
443/7=63,28
448/7=64
443/7=63,28
449/7=64,14
443/7=63,28
448/7=64
443/7=63,28
438/7=62,57
435/7=62,14
435/7=62,14
431/7=61,57
441/7=63
436/7=62,28
446/7=63,71
456/7=65,14
454/7=64,85
457/7=65,28
458/7=65,42
56/63,28=0,88
65/64=1,01
80/63,28=1,26
85/64,14=1,32
55/63,28=0,86
50/64=0,78
58/63,28=0,91
50/62,57=0,79
70/62,14=1,12
75/62,14=1,20
80/61,57=1,29
52/63=0,82
50/62,28=0,80
54/63,71=0,84
60/65,14=0,92
65/64,85=1,00
85/65,28=1,30
90/65,42=1,37
Isegunda = 0,84
Iterça = 0,79
Iquarta = 0,87
Iquinta = 0,86
Isexta = 1,04
Isábado = 1,25
Idomingo = 1,32
Previsiones Basadas en Series Temporales
TÉCNICAS PARA PREVISIÓN CON ESTACIONALIDAD
En caso de la demanda presente estacionalidad y tendencia, existe
necesidad de incorporar las características al modelo de previsión.
Para hacer esto, se debe emplear los siguiente pasos:
 retirar la componente de estacionalidad de la serie de datos
históricos, dividiéndolos por los correspondientes índices de
estacionalidad;
 con estos datos, se desarrolla una ecuación que represente la
componente de la tendencia;
 con la ecuación de la tendencia se hace la previsión de la
demanda y se multiplicar por el índice de estacionalidad.
PREVISIONES BASADAS EN CORRELACIONES
Buscan preveer la demanda de determinado producto a partir
de la previsión de otra variable que esté relacionada con el
producto.
El objetivo de la regresión lineal simple consiste en encontrar
una ecuación linear de previsión, del tipo:
Y = a + bX (donde Y es la variable dependiente a ser prevista
y X la variable independiente de la previsión),
de forma que la suma de los cuadrados de los errores de
previsión () sea la mínima posible.
Este método también es conocido como “regresión de los
mínimos cuadrados”.
PREVISIONESES BASADAS EN
CORRELACIONES
b

  X  Y
n X    X 
n  XY 
2
2
Y  b X 

a
n
Y
Y = a + bX

2

 0
X
Previsiones Basadas en Correlaciones
EJEMPLO
Una cadena de fastfood verificó que las ventas mensuales de porciones en
sus casas están relacionadas al número de alumnos matriculados en escuelas
situadas en un radio de 2 kilómetros en torno de la casa. La empresa
pretende instalar una nueva casa en una región donde el número de alumnos
es de 13.750. ¿Cuál es la previsión de la demanda para esta nueva casa?
XY    X  Y  13  5224,86  143,10  450,71


 2,99
b
=
13  1663,37  143,10
n X    X 
 Y  b X  = 450,71  2,99  143,10  1,757
a
n
2
n
2
2
13
Y  1,757  2,99  13,75  42,869 o sea 42869 porciones
MANTENCIÓN y MONITORIZACIÓN DEL MODELO
 Una vez decidida la técnica de previsión e implantado el modelo, existe la
necesidad de acompañar el desempeño de las previsiones y confirmar su
validez en función de la dinámica actual de los datos.
 Esta monitorización es realizada a través del cálculo y acompañamiento
del error de la previsión, que es la diferencia que ocurre entre el valor real
de la demanda y el valor previsto por el modelo para un dado período.
 La mantención y monitorización de un modelo de previsión confiable
busca:
 verificar la precisión de los valores previstos;
 identificar, aislar y corregir variaciones anormales;
 permitir la elección de técnicas, o parámetros, mas eficientes.
MANTENCIÓN y MONITORIZACIÓN DEL MODELO
Una forma de verificar el desempeño del modelo consiste en
comprobar el comportamiento del error acumulado que debe
tender a cero, pues se espera que el modelo de previsión genere,
al azar, valores arriba y abajo de los reales, debiendo así anularse.
El error acumulado debe ser comparado con un múltiplo del
desvío medio absoluto, conocido como MAD (Mean Absolute
Deviation).
En general, se compara el valor del error acumulado con el
valor de 4 MAD. Cuando pasar de este valor, el problema debe
ser identificado y el modelo debe ser revisado.
MANTENCIÓN y MONITORIZACIÓN DEL
MODELO
 = 0,10
Período
1
2
3
4
5
6
7
8
9
10
Datual
90
95
98
90
92
95
90
100
92
95
Dprevista
90,00
90,50
91,25
91,12
91,20
91,58
91,42
92,27
92,25
 Erro 
Erro
5,00
7,50
-1,25
0,88
3,80
-1,58
8,58
-0,27
2,75
25,41
MAD = 31,61/9 = 3,51
 = 0,50
Dprevista
90,00
92,50
95,25
92,62
92,31
93,65
91,82
95,91
93,95
 Erro 
Erro
5,00
5,50
-5,25
-0,62
2,69
-3,65
8,18
-3,91
1,05
8,99
MAD = 35,85/9 = 3,98
 Para  = 0,10, tenemos que: 4  3,51  14,04  25,41 ;
 Para  = 0,50, tenemos que: 4  3,98  15,92  8,99 .
MANTENCIÓN y MONITORIZACIÓN DEL MODELO
FACTORES MÁS COMUNES QUE PUEDEN AFECTAR EL DESEMPEÑO DE UN
MODELO DE PREVISIÓN:
 La técnica de previsión puede estar siendo usada incorrectamente, o




siendo mal interpretada;
La técnica de previsión perdió la validad debido al cambio en una
variable importante, o debido al aparecimiento de una nueva
variable;
Variaciones irregulares en la demanda pueden haber ocurrido en
función de huelgas, formación de inventarios temporales, catástrofes
naturales y otras.
Acciones estratégicas de la competencia, afectando la demanda;
Variaciones aleatorias inherentes la los datos de la demanda.