Pronosticos de la demanda

Introducción

Un pronóstico es una predicción de eventos futuros que se utiliza con propósitos de planificación.

Un aspecto importante al administrar una organización, consiste en planear el futuro. De hecho el éxito a largo plazo de una organización, está relacionado con la capacidad del administrador para prever el futuro y para desarrollar estrategias apropiadas. El buen juicio, la intuición y un conocimiento del estado de la economía, pueden proporcionar a los administradores una idea general o sentido de lo que es probable que suceda en el futuro.

Las técnicas de pronósticos disminuyen la incertidumbre sobre el futuro, permitiendo estructurar planes y acciones congruentes con los objetivos de la organización y permiten también tomar acciones correctivas apropiadas y a tiempo cuando ocurren situaciones fuera de lo pronosticado.

Pronósticos de la demanda

“Pronosticar es el arte y ciencia de predecir acontecimientos futuros”.

Las decisiones empresariales siempre se toman con información insuficiente y con un margen de incertidumbre mayor o menor, dependiendo del tiempo y los recursos que se destinan a la búsqueda y el análisis de la información. Debemos entonces establecer algunas suposiciones y actuar.

Sabemos que nunca ocurrirá exactamente lo pronosticado; entonces, ¿para qué pronosticar?

Porque necesitamos una cierta base -aunque sea mínima-, un criterio, una justificación para el curso de acción que decidimos tomar. Porque a partir del pronóstico que generemos, estaremos decidiendo dónde alocar nuestros recursos financieros, tecnológicos y humanos.

Importancia estratégica del pronóstico

El pronóstico es la base de la planeación corporativa a largo plazo. En las áreas funcionales de finanzas y contabilidad, los pronósticos proporcionan el fundamento para la planeación de presupuestos y control de costos.

El marketing depende del pronóstico de ventas para planear productos nuevos; el personal de producción y operaciones utiliza los pronósticos para tomar decisiones periódicas que comprenden la selección de procesos, la planeación de las capacidades y la distribución de las instalaciones, así como para tomar decisiones continuas cerca de la planeación de la producción, la programación y el inventario.

El pronóstico de la demanda consiste en estimar las ventas de un producto durante un determinado periodo futuro.

Métodos cualitativos para los pronósticos.

Produce datos descriptivos de las propias palabras de las personas y la conducta observada.

Tipos de métodos:

Consulta de fuerza de ventas

Es un sistema de información que se usa marketing y administración que automatizan algunas funciones de ventas. Estimación de las áreas de ventas como un todo. Costo de bajo a medio. Pronósticos de ventas, administración de órdenes y conocimiento del producto. (Lleva un historial el cual es muy importante).

Opinión ejecutiva.

Los expertos de alto nivel se agrupan con modelos estadísticos. Costo de bajo a medio. Las posiciones esconden intereses personales, o no se mencionan por contrariar a la mayoría. Gerentes de mercadotecnia, finanzas y producción preparan pronósticos a corto y mediano plazo.

Método Delphi.

Su objetivo es la adquisición de un consenso basado en la discusión entre expertos. Es un proceso repetitivo. Consta de estos pasos:

Elaboración de cuestionario.

Revisar información.

Realizar otro cuestionario.

Conclusiones a partir de la explotación estadística de los datos obtenidos.

Es a largo plazo.

Su costo va de medio a alto.

Investigación del mercado:

Proceso de recopilación, procesamiento y análisis de información.

Plan estratégico, preparar el lanzamiento del producto o soportar el desarrollo de los productos lanzados.

Averiguar en el consumidor;

Hábitos.

Necesidades.

Motivaciones.

Gustos.

Deseos.

Analogía Histórica:

Utiliza un ciclo de vida de un producto utilizado para lanzamientos de productos nuevos. Información basada en productos similares.

Métodos cuantitativos para los pronósticos.

Los métodos cuantitativos o también llamados causales, se emplean cuando se dispone de datos históricos y la relación entre el factor que se intenta pronosticar y otros factores externos o internos puede identificarse. Las relaciones de ese tipo se expresan en términos matemáticos y suelen ser muy complejas.

Modelos de series de tiempo.

Técnica de pronóstico que emplea una serie de datos puntuales históricos para obtener el pronóstico.

Modelos asociativos: los modelos causales como la regresión lineal, incorporan las variables o factores que pueden influir en la cantidad por pronosticar.

Pronósticos de series de tiempo: se basa en una secuencia de datos puntuales separados a intervalos iguales.

Descomposición de una serie de tiempo: una serie de tiempo tiene 4 componentes;

Las tendencias.

La estacionalidad.

Los ciclos.

Las variaciones aleatorias.

Enfoque simple.

Supone que la demanda en el próximo periodo será igual a la demanda del periodo más reciente. Es la mejor predicción para los precios de insumos, acciones, etc. que cotizan. Porque si el mercado realmente creyera que en un tiempo valdrá más, compraría tanto hoy que haría llevar el precio a ese valor esperado. Por ejemplo, si hoy la acción de Microsoft cotiza a U$S 20, ¿cuánto predice que va a valer mañana?: U$S 20. Y si en realidad mañana vale U$S 25, ¿Cuánto diría que vale pasado mañana? : U$S 25.

Promedios móviles.

Los promedios móviles son muy útiles. Los promedios móviles indican el promedio del precio en un punto determinado de tiempo sobre un período de tiempo definido. Se llaman móviles ya que reflejan el último promedio, mientras que se adhieren a la misma medida de tiempo.

Los promedios móviles simples, es un método que se utiliza para estimar el promedio de una serie de tiempo de demanda y, por lo tanto, para suprimir los efectos de las fluctuaciones al azar. Este método resulta más útil cuando la demanda no tiene tendencias pronunciadas ni influencias estacionales. La aplicación de un modelo de promedio móvil implica simplemente calcular la demanda promedio para la “n” periodos más recientes, con el fin de usarla como pronóstico para el siguiente periodo.

Promedio móvil ponderado:

En el método de promedio móvil simple, todas las demandas tienen la misma ponderación en el promedio, es decir, 1/n. En el método de promedio móvil ponderado, cada una de las demandas históricas que intervienen en el promedio puede tener su propia ponderación.

Ejemplo; en un modelo con promedio móvil ponderado de tres periodos, al periodo más reciente se le puede asignar una ponderación de 0.50, al segundo se le asigna una ponderación de 0.30, y al tercero una de .20. El promedio se obtiene multiplicando la ponderación de cada periodo por el valor correspondiente a dicho periodo y finalmente los productos:

Suavización exponencial.

El método de suavización exponencial es un método de promedio móvil ponderado muy refinado que permite calcular el promedio de una serie de tiempo, asignando a las demandas recientes mayor ponderación que a las demandas anteriores. Es el método de pronóstico formal que se usa más a menudo, por su simplicidad y por la reducida cantidad de datos que requiere. Este método solo requiere 3 tipos de datos: el pronóstico del último periodo, la demanda de ese periodo y un parámetro suavizador, alfa

α, cuyo valor fluctúa entre 0 y 1.0.

La siguiente es una ecuación equivalente:

Ft+1=Ft+ α (Dt – Ft)

Esta forma de la ecuación muestra que el pronóstico para el periodo siguiente es igual al pronóstico del periodo actual más una proporción del error del pronóstico correspondiente al mismo periodo actual.

“La suavización exponencial tiene las ventajas de ser sencilla y requerir un mínimo de datos. Su utilización es económica y, por lo tanto, muy atractiva para las empresas que realizan miles de pronósticos para cada periodo de tiempo”.

Tendencia Lineal.

Consiste en conocer si los valores absolutos o relativos de un concepto han crecido o disminuido en el tiempo, partiendo de un periodo considerado base. Puede referirse a cifras históricas o la determinación de cifras estimadas para el futuro.

Relaciones causales.

Regresión simple.

En el Modelo de Regresión es muy importante identificar cuál es la variable dependiente y cuál es la variable independiente.

En el Modelo de Regresión Simple se establece que Y es una función de sólo una variable independiente, razón por la cual se le denomina también Regresión Divariada porque sólo hay dos variables, una dependiente y otra independiente y se representa así:

Y=f(X) "Y está regresando por X"

Análisis estadístico:

Regresión lineal simple.

En el estudio de la relación funcional entre dos variables poblacionales, una variable X, llamada independiente, explicativa o de predicción y una variable Y, llamada dependiente o variable respuesta, presenta la siguiente notación:

Y=a+bX+e.

Dónde:

“a”: Es el valor de la ordenada donde la línea de regresión se intercepta con el eje Y.

“b”: Es el coeficiente de regresión poblacional (pendiente de la línea recta).

“e”: Es el error.

Suposiciones de la regresión lineal.

Los valores de la variable independiente X son fijos, medidos sin error.

La variable Y es aleatoria para cada valor de X, existe una distribución normal de valores de Y (subpoblaciones Y).

Las variancias de las subpoblaciones Y son todas iguales. Todas las medias de las subpoblaciones de Y están sobre la recta. Los valores de Y están normalmente distribuidos y son estadísticamente independientes.

Estimación de la ecuación de regresión muestral.

Consiste en determinar los valores de "a" y "b " a partir de la muestra, es decir, encontrar los valores de a y b con los datos observados de la muestra. El método de estimación es el de Mínimos Cuadrados, mediante el cual se obtiene:

Luego, la ecuación de regresión muestral estimada es:

Que se interpreta como:

“a” es el estimador de a es el valor estimado de la variable Y cuando la variable X = 0. “b” es el estimador de “b”, es el coeficiente de regresión.

Está expresado en las mismas unidades de Y por cada unidad de X. Indica el número de unidades en que varía Y cuando se produce un cambio, en una unidad, en X (pendiente de la recta de regresión).

Un valor negativo de b sería interpretado como la magnitud del decremento en Y por cada unidad de aumento en X.

Regresión múltiple.

Este tipo se presenta cuando dos o más variables independientes influyen sobre una variable dependiente.

Ejemplo:

Y = f(x, w, z).

Utilizamos regresión múltiple cuando estudiamos la posible relación entre varias variables independientes y otra variable dependiente.

Al aplicar el análisis de regresión múltiple lo más frecuente es que tanto la variable dependiente como las independientes sean variables continuas medidas en escala de intervalo o razón. No obstante, caben otras posibilidades:

También podremos aplicar este análisis cuando relacionemos una variable depen¬diente continua con un conjunto de variables categóricas;

o bien, también aplicaremos el análisis de regresión lineal múltiple en el caso de que relacionemos una variable dependiente nomi¬nal con un conjunto de variables continuas.

La anotación matemática del modelo o ecuación de regre¬sión lineal múltiple es la que sigue:

Y = a + b

1x1 + b2x2 +... + bnxn + e

Ó

Presente = a + b

1pasado + b2futuro + e

En donde:

Y es la variable a predecir;

a, b

1x1, b2x2... bnxn, son parámetros desconocidos a estimar;

Y “e” es el error que cometemos en la predicción de los pará- metros.

Aplicaciones de la regresión múltiple.

Es cierto que la regresión múltiple se utiliza para la predicción de respuestas a partir de variables explicativas. Pero no es ésta realmente la aplicación que se le suele dar en investigación.

Los usos que con mayor frecuencia encontraremos en las publicaciones son los siguientes:

Identificación de variables explicativa: Nos ayuda a crear un modelo donde se seleccionen las variables que pueden influir en la respuesta, descartando aquellas que no aporten información.

Detección de interacciones entre variables independientes que afectan a la variable respuesta.

Identificación de variables confurosas: Es un problema difícil el de su detección, pero de interés en investigación no experimental, ya que el investigador frecuentemente no tiene control sobre las variables independientes.

Pronostico de sector servicio:

El sector servicios o sector terciario es el sector económico que engloba las actividades relacionadas con los servicios materiales no productores de bienes. Empezó a principios del siglo XIV. No compran bienes materiales de forma directa, sino servicios que se ofrecen para satisfacer las necesidades de la población.

Incluye subsectores como:

 Comercio

 Transportes

 Comunicaciones

 Finanzas

 Turismo

 Hostelería

 Ocio

 Cultura

 Espectáculos

 La administración pública

 Servicios públicos

 Los presta el Estado o la iniciativa privada (sanidad, educación, atención a la dependencia), etc.

Dirige, organiza y facilita la actividad productiva de los otros sectores (sector primario y sector secundario). Aunque se lo considera un sector de la producción, propiamente su papel principal se encuentra en los dos pasos siguientes de la actividad económica: la distribución y el consumo.

El predominio del sector terciario frente a los otros dos en las economías más desarrolladas permite hablar del proceso de tercerización. El Nobel de economía, Paul Krugman argumenta que la menor productividad del sector servicios y la dificultad para mejorar su productividad es el principal factor del estacamiento de los niveles de vida en muchos países.

Los pronósticos en el sector servicios presentan desafíos inusuales. Una técnica importante en el sector comercial es el seguimiento de la demanda manteniendo registros adecuado de corto plano.

Las empresas de servicio público a menudo se consideran parte del sector terciario cuando proporcionan servicios a las personas, si bien cuando se crea la infraestructura de la empresa de servicio público a menudo se considera parte del sector secundario, aunque el mismo negocio puede estar implicado en ambos aspectos de la operación. Las economías tienden a seguir una progresión de desarrollo que las lleve de una gran confianza en la agricultura hacia el desarrollo de la industria (p.ej. automóviles, textil, construcción naval, acero, minería) y finalmente hacia una estructura basada en el servicio. Mientras que la primera economía para seguir esta trayectoria en el mundo moderno fue la del Reino Unido, la velocidad en la cual otras economías han hecho más adelante la transición basada en los servicios, a veces llamados postindustriales, se ha acelerado sobre ésta.

Por ejemplo, una peluquería para hombres espera picos en el flujo de trabajo los viernes y sábados. Sin duda. La mayor porte de las peluquerías cierran domingo y lunes y muchas requieren personal de apoyo viernes y sábado. Por su parte, un restaurante en el centro de la ciudad quizá necesite dar seguimiento a convenciones y días festivos, para que sus pronósticos a corlo plazo resulten efectivos.

Pronósticos para una empresa en creación

Los pronósticos son importantes puesto que gracias a ellos es posible determinar las ventas o líneas de ventas de un producto nuevo y actual. Hoy en día los pronósticos benefician a las empresas ya que son muy buenos. Cabe mencionar algunos métodos subjetivos de pronósticos para una organización en creación.

Pronósticos con computadora

En muchas aplicaciones de los pronósticos a corto plazo, las computadoras son indispensables. Con frecuencia, las empresas tienen que preparar pronósticos para cientos o incluso miles de productos o servicios en forma reiterada. Por ejemplo, una amplia red de instalaciones de servicio médico necesita calcular pronósticos de la demanda de cada uno de sus servicios en cada departamento. Esta operación implica grandes volúmenes de datos que deben ser manipulados con frecuencia. Los analistas tienen que examinar las series de tiempo que corresponden a cada producto o servicio a fin de elaborar un pronóstico.

Existen muchos paquetes de software para pronóstico que pueden usarse en computadoras de cualquier tamaño y ofrecen una amplia variedad de capacidades de pronóstico y de formatos para mostrar los resultados. La tarea más laboriosa en el desarrollo de un buen modelo consiste en “ajustarlo” a los datos. Para esta operación es necesario determinar los valores de ciertos parámetros del modelo, a fin de que los pronósticos tengan la mayor precisión posible. Los paquetes de software proporcionan diversos grados de ayuda a este respecto. Las tres categorías de paquetes de software que resultan apropiadas para esto son:

Sistemas manuales, en los cuales el usuario selecciona la técnica de pronóstico y especifica los parámetros necesarios para un determinado modelo de pronóstico;

Sistemas semiautomáticos, en los cuales el usuario especifica la técnica de pronóstico, pero el software determina los parámetros para el modelo, de modo que puedan obtenerse los pronósticos más precisos;

Sistemas automáticos, en los cuales el software examina los datos y sugiere no sólo la técnica apropiada, sino también los mejores parámetros para el modelo.

Conclusión

La finalidad de todo el proceso mediante el cual utilizamos los pronósticos es predecir el desarrollo futuro (de un sistema, de sus entornos etc.) para ayudar a la toma de decisiones (de planificación) sobre medidas de apoyo, contramedidas u otras acciones que influyan, en mayor o menor grado, sobre la tendencia del objeto planificado. Un mal pronóstico puede resultar en malas decisiones sobre el inventario y la mano de obra, faltantes de partes, servicio al cliente inadecuado, y muchas quejas de los clientes. Buenos sistemas de pronóstico y planeación de la demanda resultan en un alta utilización de la capacidad Inventarios y costos reducidos desempeño más eficiente de los procesos, mayor flexibilidad, mejor servicio al cliente y mayores márgenes de ganancia.

Referencias:

ADMINISTRACIÓN DE OPERACIONES producción y cadena de suministros, duodécima edición, Richar B. Chase, F. Robert Jacobs, Nicholas J. Aquino.

ADMINISTRACIÓN (una perspectiva global), Heinz Weikrich.

ADMINISTRACIÓN DE LA PRODUCCIÓN Y OPERACIONES una ventaja competitiva primera edición, Chase, Jacob, Aquilino.

...