ADMINISTRACION DE LA DEMANDA

Views:
 
Category: Education
     
 

Presentation Description

Para diseñar y ejecutar un sistema de operación que satisfaga a los clientes, una empresa debe reconocer cuánta demanda tiene que satisfacer, lo cuál lo induce a tres interrogantes importantes: ¿Como saber que producir? ¿Como saber cuanto producir? ¿Como saber cuando producir?

Comments

Presentation Transcript

Slide 1: 

1 Tema Nº 04: Administración de la Demanda Facultad de Química e Ingeniería Química Ing. José Manuel García Pantigozo 2008 - II ADMINISTRACIÓN DE LA PRODUCCION Y CALIDAD UNMSM

OBJETIVO DE APRENDIZAJE : 

OBJETIVO DE APRENDIZAJE Para diseñar y ejecutar un sistema de operación que satisfaga a los clientes, una empresa debe reconocer cuánta demanda tiene que satisfacer, lo cuál lo induce a tres interrogantes importantes: ¿Como saber que producir? ¿Como saber cuanto producir? ¿Como saber cuando producir? La predicción y administración de la demanda ayuda a responder estas preguntas. La administración de la demanda incluye identificar todas las fuentes potenciales de la demanda, así como influir en los niveles y la duración de la demanda. Los intentos de medir la demanda inicial y los efectos de administrarla se denominan predicciones.

OBJETIVO DE APRENDIZAJE : 

3 OBJETIVO DE APRENDIZAJE Cuando el alumno termine este capítulo, podrá: Identificar y/o definir: Pronóstico Tipos de pronóstico Horizontes de tiempo Enfoques de pronóstico Describir o explicar: Promedios móviles Suavizado exponencial Proyección de tendencias Análisis de regresión y correlación Medidas de precisión del pronóstico

ORIENTACION GERENCIAL : 

ORIENTACION GERENCIAL Una organización de respuesta sensible rápida (ORSP) contra sus esfuerzos de planeación estratégica en responder dos preguntas: ¿Cómo satisfacer totalmente a los clientes? ¿Cómo hacerlo mejor que la competencia? Una parte integral de la planeación estratégica de una empresa incluye la identificación y el análisis de las fuentes actuales y potenciales de demanda de sus bienes y servicios. La firma debe determinar cuáles fuentes de demanda cultivar y cómo satisfacer la demanda anticipada.

ORIENTACION GERENCIAL : 

ORIENTACION GERENCIAL DEFINICION: La Administración de la demanda implica reconocer fuentes de demanda para los bienes y servicios de una Empresa, predecir la demanda y determinar la manera cómo la empresa satisfará esa demanda.

¿QUÉ ES PRONOSTICAR? : 

¿QUÉ ES PRONOSTICAR? Es el arte y la ciencia de predecir los eventos futuros . Puede involucrar el manejo de datos históricos para proyectarlos al futuro, mediante algún tipo de modelo matemático. Puede ser una predicción subjetiva o intuitiva. O bien una combinación de ambas,es decir un modelo matemático ajustado por el buen juicio de un administrador de operaciones.

PRONÓSTICOS PARTE INTEGRALDEL PLANEAMIENTO DE NEGOCIOS : 

7 PRONÓSTICOS PARTE INTEGRALDEL PLANEAMIENTO DE NEGOCIOS Métodos de Pronóstico Estimación de la demanda Pronóstico de Ventas Equipo de Administración Ingreso: Mercado, Economía, Otros Estrategia de Negocios Pronóstico de Recursos de Producción

EJEMPLOS DE PRONÓSTICOS DE RECURSOS DE PRODUCCIÓN : 

8 EJEMPLOS DE PRONÓSTICOS DE RECURSOS DE PRODUCCIÓN

INFLUENCIA DEL CICLO DE VIDA SOBRE EL PRODUCTO : 

9 INFLUENCIA DEL CICLO DE VIDA SOBRE EL PRODUCTO Las etapas de introducción y crecimiento requieren previsiones más largas que la madurez y declinación. Los pronósticos usualmente sirven para: Niveles de proveer de personal Niveles de inventario Capacidad de la fábrica Todos estos pasan por las etapas de ciclo de vida. Introdución crecimiento, madurez y declinación

ESTRATEGIAS DURANTE EL CICLO DE VIDA : 

10 ESTRATEGIAS DURANTE EL CICLO DE VIDA

MARKETING : 

Proporciona información relacionada con el mercado y las predicciones de la demanda. Administra la demanda mediante políticas de fijación de precio y promociones p.e. los descuentos de temporada nivelan la demanda por un producto o servicio. MARKETING OPERACIONES Se encarga de asegurar que los bienes y servicios de la Empresa se proporcionen cuando se necesiten.

TIPOS DE PRONOSTICO POR HORIZONTE DE TIEMPO : 

12 Pronóstico a corto plazo t Hasta 3 meses. Asignación de trabajos Pronóstico a mediano plazo Entre 3 meses y 3 años. Planeación de Producción y venta. Pronóstico a largo plazo Mas de 3 años Planeación de un nuevo producto. TIPOS DE PRONOSTICO POR HORIZONTE DE TIEMPO

TIPOS DE PRONÓSTICOS : 

13 TIPOS DE PRONÓSTICOS Económicos Tecnológicos De demanda

Slide 14: 

14 Determine que el empleo del pronostico. Selecciona los artículos para ser pronosticados. Determinan el horizonte de tiempo del pronostico. Selecciona el modelo (s) de pronóstico. Recolectar los datos. Hacer el pronostico. Validar y poner en práctica resultados. SIETE ETAPAS DE LOS PRONOSTICOS

DEMANDA DE PRODUCTO PARA 4 AÑOS CON TENDENCIA Y ESTACIONALIDAD : 

15 DEMANDA DE PRODUCTO PARA 4 AÑOS CON TENDENCIA Y ESTACIONALIDAD Año 1 Año 2 Año 3 Año 4 Picos Estacionales Componente Tendencia Línea de actual demanda Demanda promedio para 4 años Demanda de producto o servicio Variación aleatoria

DEMANDA ACTUAL, PROMEDIO MOVIL, PROMEDIO MOVIL PONDERADO : 

16 DEMANDA ACTUAL, PROMEDIO MOVIL, PROMEDIO MOVIL PONDERADO Ventas actuales Promedio móvil Promedio móvil ponderado

PRONÓSTICO DE LA REALIDAD : 

17 PRONÓSTICO DE LA REALIDAD Los pronósticos son raramente perfectos. La mayoría de métodos de pronóstico por supuesto que hay cierta estabilidad subyacente en el sistema. Los pronósticos tanto de la familia de productos y productos agregados son más exactos que los pronósticos de cada producto.

ENFOQUES DEL PRONOSTICO : 

18 ENFOQUES DEL PRONOSTICO Se utiliza cuando la situación es estable y existen datos históricos. Productos existentes. Tecnología actual. Involucra técnicas matemáticas. Venta de televisores a color. Métodos Cuantitativos Se utiliza cuando la situación es vaga y existen pocos datos: - Nuevos productos. - Nueva tecnología. Involucra a la intuición, la experiencia: - La previsión de ventas en Internet. Métodos Cualitativos

PRONOSTICOS ECONOMICOS : 

PRONOSTICOS ECONOMICOS Sirven para pronosticar lo que serán las condiciones generales de los negocios dentro de algunos meses o años. Lo hacen los gobiernos, los bancos y los servicios de predicción econométrica.

PRONOSTICOS TECNOLOGICOS : 

PRONOSTICOS TECNOLOGICOS Pronostican la probabilidad y el significado de posibles desarrollos futuros.Indican la dirección de los cambios tecnológicos y la tasa de cambios esperada.

PRONOSTICOS DE LA DEMANDA : 

PRONOSTICOS DE LA DEMANDA Las predicciones de demanda pronostican la cantidad y la duración de la demanda de los bienes y servicios de una empresa.

Slide 22: 

22 ENFOQUES PARA PRONOSTICAR Pronósticos Cualitativos Pronósticos Cuantitativos

ENFOQUES CUALITATIVOS PARA PRONOSTICAR LA DEMANDA : 

ENFOQUES CUALITATIVOS PARA PRONOSTICAR LA DEMANDA Las técnicas cualitativas de predicción dependen de conjetura adquiridas con base en la institución las técnicas cualitativas mas comunes son: Jurado de opinión ejecutiva Método Delphi. Fuerza de ventas Encuestas a los clientes.

JURADO DE OPINIÓN EJECUTIVA : 

24 JURADO DE OPINIÓN EJECUTIVA Permite la fusión de las opiniones de una sección de expertos interfuncionales. Involucra pequeño grupo de alto nivel los administradores. Grupo estimaciones de la demanda de trabajo conjunto. Combina la experiencia de gestión con modelos estadísticos. Esta técnica es relativamente económica y mas utilizada a mediano y largo plazo. Relativamente rápida La desventaja es que se crea “el grupo que piensa”.

Slide 25: 

METODO DELPHI Este método involucra a un grupo de expertos que comparten información y eventualmente llegan a un consenso en una predicción a largo plazo con respecto a las tecnología del futuro o a las ventas futuras de un nuevo producto. Esta conformado por tres tipos de personas: Los decisores (Decision Makers). Facilitadores (Staff). Los encuestados (Respondents). Respondents Staff Decision Makers (Sales?) (What will sales be? survey) (Sales will be 45, 50, 55) (Sales will be 50!)

FUERZA DE VENTAS : 

26 FUERZA DE VENTAS En muchas compañías la fuerza de ventas entra en contacto directo con los clientes lo cual constituye una buena fuente de información que considera las intenciones de los clientes a corto y a mediano plazos: Cada vendedor proyecta sus ventas. Se combina niveles distritales y nacionales. La fuerza de ventas conoce a los clientes. Tienden a ser demasiado optimistas

Slide 27: 

ENCUESTA A LOS CLIENTES Una empresa también puede basar sus predicciones en los planes establecidos de compras futuras de sus clientes actuales y potenciales mediante una encuesta a sus clientes. Esta información puede obtenerse directamente por medio de encuestas personales, por teléfono, correo o fax. Se pregunta a los clientes sobre planes de adquisiciones. ¿Qué dicen los consumidores, y lo que realmente hacen a menudo es diferente? A veces difícil de responder ¿Cuantas horas usará Ud. Internet la próxima semana? © 1995 Corel Corp.

ENFOQUES CUANTITATIVOS PARA PRONOSTICAR LA DEMANDA : 

Estos métodos cuantitativos emplean los modelos matemáticos y los datos históricos para pronosticar la demanda. Así, el pasado se utiliza para predecir el futuro. Hay dos tipos generales de métodos cuantitativos: - Modelos de Series de tiempo - Modelos Causales ENFOQUES CUANTITATIVOS PARA PRONOSTICAR LA DEMANDA

MODELOS DE SERIES DE TIEMPO : 

MODELOS DE SERIES DE TIEMPO Incluye elaborar gráficas de los datos de demanda sobre una escala de tiempo y estudiar las gráficas para descubrir los modelos y las figuras o los patrones consistentes. Luego, estos patrones se proyectan hacia el futuro. DEFINICION: Una serie de tiempo es una secuencia de observaciones cronológicamente clasificadas que se toman a intervalos regulares para una variable en particular.

Slide 30: 

30 COMPONENTES DE LAS SERIES DE TIEMPO

METODOS CUANTITATIVOS : 

31 Método Cuantitativo Regresión Lineal Modelos Causales Promedio Móvil Modelos Serie de Tiempos Proyección Tendencia METODOS CUANTITATIVOS

DESCOMPOSICION DE UNA SERIE DE TIEMPOS : 

32 DESCOMPOSICION DE UNA SERIE DE TIEMPOS Tendencia (T) es el movimiento gradual, ascendente o descendente, de los datos a traves del tiempo. Estacionalidad (S) es el patron de datos que se repite a si mismo despues de un periodo de dias, semanas, meses, trimestres, estaciones, etc. pero dentrol año.. Ciclos (C) son patrones que ocurren enlos datos cada varios años. Variación al azar (R) son variaciones aleatorias que no obedecen a ningun comportamiento.

TENDENCIAS : 

TENDENCIAS Las tendencias reflejan los cambios en la tecnología, los estándares de vida, los índices de población ,etc.. DEFINICION: Una tendencia es el movimiento gradual hacia arriba o hacia debajo de los datos en el tiempo. Las tendencias son monótonas, pero no siempre lineales; pueden ser logarítmica o exponenciales.

ESTACIONALIDAD : 

ESTACIONALIDAD Las variaciones de temporada pueden corresponder a las estaciones del año, a los días festivos o a diferentes momentos del día o la semana. DEFINICION: La temporada es la variación que se repite a intervalos fijos. Pueden durar un año o solo unas pocas horas. Mo., Qtr. Response Summer

ESTACIONALIDAD : 

35 ESTACIONALIDAD Periódo de tiempo Número de del Patrón donde Longitud de la Estaciones en es repetido Estación el Patrón Año Trimestre 4 Año Mes 12 Año Semana 52 Mes Semana 4 Mes Dia 28-31 Semana Dia 7

VARIACIONES CICLICAS : 

VARIACIONES CICLICAS Las alzas y las bajas de la economía o de una industria especificas se representan en variaciones cíclicas . El ciclo de negocios que se repite de cinco a diez años es un ejemplo. DEFINICION: La variación cíclica tiene una duración de por lo menos un año; la variación varia de un ciclo a otro.

VARIACIONES ALEATORIAS : 

VARIACIONES ALEATORIAS Las variaciones aleatorias son variaciones en la demanda que no pueden explicarse mediante tendencias , variaciones de temporada o variaciones cíclicas. Un suceso impredecible, como una guerra, una huelga, un terremoto o partes de legislación, puede causar grandes variaciones aleatorias. A diferencia de las otras tendencias , la variación aleatoria siempre esta presente.

Slide 38: 

38 MODELOS DE SERIE DE TIEMPOS

MODELOS DE SERIE DE TIEMPO : 

MODELOS DE SERIE DE TIEMPO Modelo Multiplicativo de una serie de tiempo: At = Tt * St * Ct * Et Modelo Aditivo de una serie de tiempo: At = Tt + St + C + Et Donde : At=Demanda real en el período t Tt= Componente de tendencia para el período t. St= Componente de temporada para el período t. Ct= Componente de ciclo para el período t. Et= Componente aleatoria o error para el período t.

PROMEDIO MOVIL SIMPLE : 

PROMEDIO MOVIL SIMPLE Se utiliza para calcular la demanda promedio de los últimos n períodos y como predicción para el siguiente período. Promedio móvil simple: Ft= (At + A t-1 + A t-2 +....+A t-n +1 ) n Donde : Ft = predicción para el período t+1 At = demanda real para el período n = número de períodos por promediar

Slide 41: 

41 Usted es gerente de una tienda de museo histórico que vende réplicas. ¿Quieres previsión de ventas (000) para el año 2008 utilizando un período de 3 de media móvil. 2003 4 2004 6 2005 5 2006 3 2007 7 EJEMPLO DE PROMEDIO MOVIL SIMPLE

SOLUCION DEL PROMEDIO MOVIL SIMPLE : 

42 2003 4 2004 6 2005 5 2006 3 2007 7 2008 NA SOLUCION DEL PROMEDIO MOVIL SIMPLE

Slide 43: 

43 2003 4 NA NA 2004 6 NA NA 2005 5 NA NA 2006 3 4 + 6 + 5 = 15 15/3 = 5.0 2007 7 2008 NA SOLUCION DEL PROMEDIO MOVIL SIMPLE

Slide 44: 

44 2003 4 NA NA 2004 6 NA NA 2005 5 NA NA 2006 3 4 + 6 + 5 = 15 15/3 = 5.0 2007 7 6 + 5 + 3 = 14 14/3 = 4.7 2008 NA 15/3 = 5.0 SOLUCION DEL PROMEDIO MOVIL SIMPLE

Slide 45: 

45 Año Ventas 0 2 4 6 8 03 04 05 06 07 08 Actual GRAFICO DEL PROMEDIO MOVIL SIMPLE

PROMEDIO MOVIL PONDERADO : 

PROMEDIO MOVIL PONDERADO Se utiliza cuando existe una tendencia o patrón, los pesos pueden ser utilizados para poner mayor enfásis en datos recientes. Promedio de móvil ponderado: Ft= (Peso para el periodo n)(Demanda periodo n) Σ pesos Donde : Ft = predicción para el período n n = número de períodos por promediar

DEMANDA ACTUAL, PROMEDIO MOVIL, PROMEDIO MOVIL PONDERADO : 

47 DEMANDA ACTUAL, PROMEDIO MOVIL, PROMEDIO MOVIL PONDERADO Ventas actuales Promedio móvil Promedio móvil ponderado

Slide 48: 

48 Al incrementar n pronósticos, hace a este sensitivo a los cambios. No pronostica tendencias. Requiere muchos datos históricos DESVENTAJAS DEL PROMEDIO MOVIL

Slide 49: 

49 MODELOS DE SUAVIZADO EXPONENCIAL

MODELOS DE SUAVIZADO : 

MODELOS DE SUAVIZADO Los modelos de suavización, como el promedio de desplazamiento simple y la suavización exponencial, pueden proporcionar predicciones razonables a corto plazo con rapidez y a bajo costo. Suavización exponencial: Ft= Ft-1 + α(A t-1 - F t - 1) Donde : F t = predicción para el período t F t - 1 = predicción para el período t - 1 At –1 = Demanda real para el período t - 1 α = constante de suavización (0<= 1<=1)

Slide 51: 

51 Se esta organizando una reunión en Kwanza. Se espera pronosticar la atención del año 2008 usando el suavizado exponencial. ( = .10). En 2003 el pronóstico fué 175. 2003 180 2004 168 2005 159 2006 175 2007 190 EJEMPLO DE SUAVIZADO EXPONENCIAL

Slide 52: 

52 Ft = Ft-1 + a· (At-1 - Ft-1) Año Actual Pronóstico F t ( a = .10) 2003 180 175.00 (Base) 2004 168 2005 159 2006 175 2007 190 2008 NA EJEMPLO DE SUAVIZADO EXPONENCIAL

Slide 53: 

53 Ft = Ft-1 + a· (At-1 - Ft-1) Año Actual F t ( a = .10) 2003 180 2004 168 175.00 + .10( 2005 159 2006 175 2007 190 2008 NA EJEMPLO DE SUAVIZADO EXPONENCIAL Pronóstico 175.00 (Base)

Slide 54: 

54 Ft = Ft-1 + a· (At-1 - Ft-1) Año Actual F t ( a = .10) 2003 180 2004 168 175.00 + .10(180 - 2005 159 2006 175 2007 190 2008 NA EJEMPLO DE SUAVIZADO EXPONENCIAL Pronóstico 175.00 (Base)

Slide 55: 

55 Ft = Ft-1 + a· (At-1 - Ft-1) Año Actual F t ( a = .10) 2003 180 2004 168 175.00 + .10(180 - 175.00) 2005 159 2006 175 2007 190 2008 NA EJEMPLO DE SUAVIZADO EXPONENCIAL Pronóstico 175.00 (Base)

Slide 56: 

56 Ft = Ft-1 + a· (At-1 - Ft-1) Año Actual F t (  = .10) 2003 180 2004 168 175.00 + .10(180 - 175.00) = 175.50 2005 159 2006 175 2007 190 2008 NA EJEMPLO DE SUAVIZADO EXPONENCIAL Pronóstico 175.00 (Base)

Slide 57: 

57 Ft = Ft-1 + a· (At-1 - Ft-1) Año Actual F t ( a = .10) 2003 180 2004 168 175.00 + .10(180 - 175.00) = 175.50 2005 159 175.50 + .10(168 - 175.50) = 174.75 2006 175 2007 190 2008 NA EJEMPLO DE SUAVIZADO EXPONENCIAL Pronóstico 175.00 (Base)

Slide 58: 

58 Ft = Ft-1 + a· (At-1 - Ft-1) Año Actual F t ( a = .10) 2003 180 2004 168 175.00 + .10(180 - 175.00) = 175.50 2005 159 175.50 + .10(168 - 175.50) = 174.75 2006 175 2007 190 2008 NA 174.75 + .10(159 - 174.75) = 173.18 EJEMPLO DE SUAVIZADO EXPONENCIAL Pronóstico 175.00 (Base)

Slide 59: 

59 Ft = Ft-1 + a· (At-1 - Ft-1) Año Actual F t ( a = .10) 2003 180 2004 168 175.00 + .10(180 - 175.00) = 175.50 2005 159 175.50 + .10(168 - 175.50) = 174.75 2006 175 174.75 + .10(159 - 174.75) = 173.18 2007 190 173.18 + .10(175 - 173.18) = 173.36 2008 NA EJEMPLO DE SUAVIZADO EXPONENCIAL Pronóstico 175.00 (Base)

Slide 60: 

60 Ft = Ft-1 + a· (At-1 - Ft-1) Año Actual F t ( a = .10) 2003 180 2004 168 175.00 + .10(180 - 175.00) = 175.50 2005 159 175.50 + .10(168 - 175.50) = 174.75 2006 175 174.75 + .10(159 - 174.75) = 173.18 2007 190 173.18 + .10(175 - 173.18) = 173.36 2008 NA 173.36 + .10(190 - 173.36) = 175.02 EJEMPLO DE SUAVIZADO EXPONENCIAL Pronóstico 175.00 (Base)

Slide 61: 

61 Año Ventas 140 150 160 170 180 190 03 04 05 06 07 08 Actual Pronóstico GRAFICO DE SUAVIZADO EXPONENCIAL

EFECTO EN EL PRONOSTICO DE LA COSNTANTE DE SUAVIZADO  : 

62 Ft =  At - 1 + (1- )At - 2 + (1- )2At - 3 + ... EFECTO EN EL PRONOSTICO DE LA COSNTANTE DE SUAVIZADO  10%

EFECTO EN EL PRONOSTICO DE LA CONSTANTE DE SUAVIZADO  : 

63 Ft =  At - 1 + (1- ) At - 2 + (1- )2At - 3 + ... 10% 9% EFECTO EN EL PRONOSTICO DE LA CONSTANTE DE SUAVIZADO 

EFECTO EN EL PRONOSTICO DE LA CONSTANTE DE SUAVIZADO  : 

64 Ft =  At - 1 + (1- )At - 2 + (1- )2At - 3 + ... 10% 9% 8.1% EFECTO EN EL PRONOSTICO DE LA CONSTANTE DE SUAVIZADO 

EFECTO EN EL PRONOSTICO DE LA CONSTANTE DE SUAVIZADO  : 

65 Ft =  At - 1 + (1- )At - 2 + (1- )2At - 3 + ... 10% 9% 8.1% 90% EFECTO EN EL PRONOSTICO DE LA CONSTANTE DE SUAVIZADO 

EFECTO EN EL PRONOSTICO DE LA CONSTANTE DE SUAVIZADO  : 

66 Ft =  At - 1 + (1- ) At - 2 + (1- )2At - 3 + ... 10% 9% 8.1% 90% 9% EFECTO EN EL PRONOSTICO DE LA CONSTANTE DE SUAVIZADO 

EFECTO EN EL PRONOSTICO DE LA CONSTANTE DE SUAVIZADO  : 

67 Ft =  At - 1 + (1- ) At - 2 + (1- )2At - 3 + ... 10% 9% 8.1% 90% 9% 0.9% EFECTO EN EL PRONOSTICO DE LA CONSTANTE DE SUAVIZADO 

IMPACTO DE  : 

68 IMPACTO DE 

Slide 69: 

69 MEDIDAS DE ERROR

SUMA DEL ERROR DEL PRONOSTICO ACUMULADO (CFE) : 

70 SUMA DEL ERROR DEL PRONOSTICO ACUMULADO (CFE) Los grandes errores positivos se compensan con los grandes errores negativos en la CFE de una medición. Sin embargo el CFE resulta útil para evaluar el sesgo de un pronóstico. Por ejemplo, si un pronóstico resulta mas bajo que la demanda real, el valor del CFE sera cada vez más grande.

ERROR MEDIO (ME) : 

71 ERROR MEDIO (ME) Muestra la dirección del error. No penaliza los errores extremos. Cancela los errores extremos. En unidades originales. n Demanda pronosticada) - (Demanda actual = ME n 1 = i å

DESVIACIÓN MEDIA ABSOLUTA (MAD) : 

72 Muestra la magnitud del error global. No penaliza los errores extremos. No anula los errores. No da idea de la dirección del error. En unidades originales. DESVIACIÓN MEDIA ABSOLUTA (MAD)

DESVIACIÓN MEDIA ABSOLUTA (MAD) : 

73 DESVIACIÓN MEDIA ABSOLUTA (MAD) n Suma de Desviación absoluta para n periodos = MAD n Demanda pronosticada - Demanda actual = MAD n 1 = i å

ERROR MEDIO CUADRADO (MSE) : 

74 ERROR MEDIO CUADRADO (MSE) Penaliza los errores extremos. Los errores no se compensan entre sí. No está en unidades originales. No muestra la dirección de error.

DESVIACION ESTANDAR (SD O RMSE) : 

75 DESVIACION ESTANDAR (SD O RMSE) Penaliza los errores extremos. Los errores no se compensan entre sí. No está en unidades originales. No muestra la dirección de error. n Demanda pronosticada) - (Demanda actual = RMSE n 1 = i å 2

PORCENTAJE DE ERROR MEDIO ABSOLUTO (MAPE) : 

76 PORCENTAJE DE ERROR MEDIO ABSOLUTO (MAPE) Toma porcentaje de las ventas reales. No penaliza las desviaciones extremas. No anula la compensación de errores. Asume más ventas, puede absorber más error en las unidades. No muestra la dirección de error. n n = MAPE 1 = i å

SUAVIZADO EXPONENCIAL CON TENDENCIA : 

SUAVIZADO EXPONENCIAL CON TENDENCIA La suavización exponencial simple falla al responder a las tendencias. Para suavizar nuestras correcciones por tendencias se calcula un promedio de suavización exponencial simple como el anterior, y se ajusta para retrasos positivos y negativos. La ecuación de la tendencia emplea una constante de suavización Beta, de la misma manera que el modelo simple utiliza Alfa.

PROYECCIONES DE TENDENCIA : 

Las tendencias pueden ser o no lineales.Sin embargo, las tendencias lineales son imparciales y la mayoría de las personas encuentra fácil trabajar con ellas. Linea de tendencia lineal: Ft = a+bt b = (Σxy-nxy) a = y - bx (Σx2 – nx2) Donde: t = número de períodos siguientes al período base. Ft = demanda estimada para el período t a = demanda para el periodo base. b = pendiente de la línea de tendencia. PROYECCIONES DE TENDENCIA

PROYECCIONES DE TEMPORADA : 

PROYECCIONES DE TEMPORADA Las proyecciones de temporada se dan para un período dado: IBM al igual que muchas empresas, experimenta la demanda de temporada, como puede observarse en el ejemplo 6 de la pagina 61. Pronóstico=Indice Estacional *Pronostico de la tendencia Estacional

MODELO CAUSAL : 

MODELO CAUSAL A diferencia de los modelos de serie, los modelos causales identifican y miden directamente los efectos de las fuerzas especificas que influyen en la demanda. Por tanto, son mas apropiados para predecir y evaluar los efectos de las decisiones que toma la empresa (p.e. cambios en la publicidad o en los precios ) que las técnicas de series de tiempos. Dentro de los modelos causales tenemos a la regresión lineal.

Slide 81: 

81 MODELOS DE SERIE DE REGRESION LINEAL

ANALISIS DE REGRESION LINEAL : 

82 ANALISIS DE REGRESION LINEAL La relación entre una variable independiente, X, y una variable dependiente, Y. Asumido para ser lineal (una línea recta) Ecuación: Y = a + bX Y = variable dependiente X = variable independente a = intercepta al eje y b = pendiente de la regresión

ANALISIS DE REGRESION LINEAL : 

83 b > 0 b < 0 a a Y Time, X ANALISIS DE REGRESION LINEAL

Slide 84: 

84 Tiempo Ventas 0 1 2 3 4 92 93 94 95 96 Ventas Vs Tiempo GRAFICO DE REGRESION LINEAL

ANALISIS DE REGRESION LINEAL : 

85 Constante: ANALISIS DE REGRESION LINEAL

Slide 86: 

86 X i Y i X i 2 Y i 2 X i Y i X 1 Y 1 X 1 2 Y 1 2 X 1 Y 1 X 2 Y 2 X 2 2 Y 2 2 X 2 Y 2 : : : : : X n Y n X n 2 Y n 2 X n Y n  X i  Y i  X i 2  Y i 2  X i Y i TABLA DE REGRESION LINEAL

EJEMPLO DE REGRESION LINEAL : 

87 Ud. Tiene que hacer un análisis de mercado para producir y vender un osito de la cadena Hasbro Toys. Ud. Tirene los siguientes datos: Años Ventas (Miles de Unidades) 1992 1 1993 1 1994 2 1995 2 1996 4 ¿Cuál es la tendencia de la ecuación? EJEMPLO DE REGRESION LINEAL

EJEMPLO DE REGRESION LINEAL : 

88 Al hacer los calculos tenemos que es Yi = -.1 + .7Xi. Año Ventas (Miles de Unidades) 1992 1 1993 1 1994 2 1995 2 1996 4 Pronostico de Ventas en 1997 EJEMPLO DE REGRESION LINEAL

DESVIACIÓN MEDIA ABSOLUTA (MAD) : 

89 DESVIACIÓN MEDIA ABSOLUTA (MAD) n Suma de Desviación absoluta para n periodos = MAD n Demanda pronosticada - Demanda actual = MAD n 1 = i å

ERROR ESTANDAR ESTIMADO (MSE) : 

90 ERROR ESTANDAR ESTIMADO (MSE) Syx = = Σ(y -yc)2 n - 2 Donde: y = el valor de y para cada punto de dato. yc = el valor calculado para la variable dependiente a partir de la ecuación de regresión. n = el número de puntos de datos