ANÁLISIS DEL CASO HARD ROCK
Enviado por Dyana.Ort • 23 de Octubre de 2017 • Informes • 838 Palabras (4 Páginas) • 2.094 Visitas
[pic 1]
PADE INTERNACIONAL EN OPERACIONES Y LOGÍSTICA
ASIGNATURA: Forecasting & Demand planning
PROFESOR: Ing. Aldo de la Cruz González
TRABAJO GRUPAL Hard Rock
El presente trabajo ha sido realizado de acuerdo a los
Reglamentos de ESAN por:
David Alexander Carranza Chang [pic 2]
Heinrich Rubén Granados Babilonia [pic 3]
José Alberto Jara Sánchez[pic 4][pic 5]
Diana Orquidea Ortiz Pascual
Surco, 03 de Agosto de 2017
- ANÁLISIS DEL CASO
- Describa tres aplicaciones diferentes del pronóstico en Hard Rock. Mencione otras áreas en las que considere que Hard Rock podría utilizar modelos de pronóstico
* Hard Rock utiliza los siguientes 3 métodos de pronóstico:
- Promedio móvil ponderado:
Para evaluar a los gerentes y establecer bonos
- Regresión múltiple:
Para la planeación del menú de acuerdo a la variación de los precios de los platos y, también, para la distribución del menú en donde el centro del menú contiene los platos con los precios mayores.
- Series de tiempo
Los gerentes de tienda revisan data histórica de la misma fecha para pronosticar la demanda del día.
Hard Rock Café también podría utilizar encuestas a sus clientes a fin de medir la satisfacción con los productos y nivel de servicio que ofrece. Esto le permitiría pronosticar el comportamiento de los consumidores de acuerdo a su feeling con el café.
- ¿Cuál es el papel del sistema de punto de venta en los pronósticos de Hard Rock?
Los puntos de venta tienen una vital importancia, ya que son la fuente de información primaria para los grandes centros de pronóstico de la Corporación. Una tienda ubicada en Lima y una tienda ubicada en New York envían la misma calidad de información en tiempo real hacia la casa matriz, lo que permite evaluar el comportamiento de los pronósticos.
Sin información estandarizada de cada punto de venta a nivel global, Hard Rock Café no podría pronosticar ni evaluar los efectos de la publicidad o competencia en su negocio. Inclusive, si se llegase a reportar información en distinta forma por cada punto de venta, los modelos probabilísticos globales no funcionarían.
- Justifique el uso del sistema de ponderación usado para evaluar a los gerentes y emitir bonos anuales.
El sistema de ponderación permite darle mayor importancia a los periodos más próximos a la gestión de los gerentes. Así también, permite realizar una evaluación más homogénea y medianoplacista. Es decir, un año extraordinario hace que tengas un bono por el año en transcurso, pero al siguiente probablemente no. Un año pésimo, te deja sin bono, pero al siguiente quizás sí. Con este método de evaluación se sopesan hasta 03 años hacia atrás de gestión, lo que permite distribuir el buen o mal rendimiento en un perdió prolongado de tiempo, haciendo que el esfuerzo por cumplir con las metas sea prolongado y el beneficio o pérdida tenga también mayor relevancia.
- Cite algunas variables que no se hayan mencionado en el caso y que pudieran utilizarse como elementos de predicción de las ventas diarias en cada café.
- Clima/Temperatura:
Si es una temporada de invierno el Café puede tener mayor cantidad de clientes.
- Establecimientos de la Competencia cercanos:
Las operaciones de otros establecimientos cercanos pueden afectar las ventas.
- Tránsito alrededor del local:
Tanto número de personas como número de automóviles o buses.
- En el Restaurante Hard Rock de Moscú, el gerente está tratando de evaluar cómo afecta una nueva campaña de publicidad a las cuentas de los clientes. Usando los datos registrados para los últimos 10 meses (vea la tabla), desarrolle una relación de regresión por mínimos cuadrados y después pronostique la cuenta esperada de los clientes cuando la publicidad es de 65,000 dólares.
Mes | Cuenta de clientes | Publicidad |
1 | 21 | 14 |
2 | 24 | 17 |
3 | 27 | 25 |
4 | 32 | 25 |
5 | 29 | 35 |
6 | 37 | 35 |
7 | 43 | 45 |
8 | 43 | 50 |
9 | 54 | 60 |
10 | 66 | 60 |
Análisis de regresión:
Estadísticas de la regresión | |
Coeficiente de correlación múltiple | 0.9418 |
Coeficiente de determinación R^2 | 0.8869 |
R^2 ajustado | 0.8728 |
Error típico | 5.0618 |
Observaciones | 10.0000 |
Análisis de Varianza: | |||||
Grados de libertad | Suma de cuadrados | Promedio de los cuadrados | F | Valor crítico de F | |
Regresión | 1 | 1,607.4245 | 1,607.4245 | 62.7363 | 0.0000 |
Residuos | 8 | 204.9755 | 25.6219 | ||
Total | 9 | 1,812.4000 |
Coeficientes | Error típico | Estadístico t | Probabilidad | |
Intercepción | 8.3363 | 4.0265 | 2.0704 | 0.0722 |
Publicidad | 0.7996 | 0.1009 | 7.9206 | 0.0000 |
De acuerdo con este análisis el modelo sería:
Número de clientes = 8.3363 + 0.7996x(Publicidad)
- Publicidad = 65,000
Número de clientes = 8.3363 + 0.7996 (65,000)
Número de clientes = 51,979.38
Además, tenemos el siguiente modelo del error:
Mes | Cuenta de clientes | Publicidad | Pronóstico | Error | RSFE | Error Abs | Error Abs Acum | MAD | Señal de Rastreo | Dato puntual |
1 | 21 | 14 | 19.53 | 1.47 | 1.47 | 1.47 | 1.47 | 1.47 | 1.00 | 1.00 |
2 | 24 | 17 | 21.93 | 2.07 | 3.54 | 2.07 | 3.54 | 1.77 | 2.00 | 1.17 |
3 | 27 | 25 | 28.33 | -1.33 | 2.22 | 1.33 | 4.87 | 1.62 | 1.37 | -0.82 |
4 | 32 | 25 | 28.33 | 3.67 | 5.89 | 3.67 | 8.54 | 2.14 | 2.76 | 1.72 |
5 | 29 | 35 | 36.32 | -7.32 | -1.43 | 7.32 | 15.86 | 3.17 | -0.45 | -2.31 |
6 | 37 | 35 | 36.32 | 0.68 | -0.75 | 0.68 | 16.54 | 2.76 | -0.27 | 0.25 |
7 | 43 | 45 | 44.32 | -1.32 | -2.07 | 1.32 | 17.86 | 2.55 | -0.81 | -0.52 |
8 | 43 | 50 | 48.31 | -5.31 | -7.38 | 5.31 | 23.17 | 2.90 | -2.55 | -1.83 |
9 | 54 | 60 | 56.31 | -2.31 | -9.69 | 2.31 | 25.48 | 2.83 | -3.42 | -0.82 |
10 | 66 | 60 | 56.31 | 9.69 | -0.00 | 9.69 | 35.17 | 3.52 | -0.00 | 2.76 |
...