Caso de estudio Merriwell Bag Company

Universidad Autónoma de Nuevo León

Facultad de ingeniería Mecánica y Eléctrica

Posgrado: Maestría en Administración de Organizaciones Producción y Calidad

Administración de Operaciones

Merriwell Bag Company

Docente: Dr. Ramón Cantú Cuéllar

Alumno: Ing. Ayrton Luis Sierra Márquez

Correo: ayrton.sierram@uanl.edu.mx 

Periodo:

Mayo - Agosto, 2021

Caso de estudio Merriwell Bag Company

La familia Merriwell necesita un método de pronóstico que tome en consideración tal factor estacional. Además, quiere un método que muestre estabilidad porque su mercado es relativamente estable con un alto número de clientes repetitivos. Finalmente, desea un método de pronóstico que anticipe los patrones de crecimiento de sus clientes respectivos. Un método de pronóstico con estas especificaciones mejoraría mucho la capacidad de la organización para su rentabilidad de mercado. Se considera que si tal sistema pudiera aplicarse a una demanda de pronóstico, el mismo método podría emplearse

para obtener una exactitud adicional pronosticando la demanda de sus clientes más grandes. Al tener un pronóstico exacto de la demanda agregada y de la demanda de los clientes más grandes, las necesidades de los más pequeños podrían procesarse dentro del almacén actual y con flexibilidad en los embarques. Para desarrollar ese método, la familia Merriwell compiló los datos de la demanda agregada que se muestran en el cuadro 1. Estos datos exponen las ventas mensuales de bolsas durante los últimos cinco años.

[pic 1]

Preguntas de análisis

1. Desarrolle y justifique un método de pronóstico que cumpla con las especificaciones de la compañía.

Por método de Winter (M,A,N) mediante RStudio:

>Demanda.data<-scan()

#serie de datos

>Demanda<-ts(Demanda.data, frequency = 12, start = 2003)

>plot(Demanda)

>lines(Demanda.tslmTF$fitted, col = 'red')

>Demanda.hwm<-ets(Demanda,model="MAN" , restrict = FALSE)

>Demanda.hwmF <-forecast(Demanda.hwm, h=12)

>Demanda.hwm

>plot(Demanda.hwmF)

[pic 2]

TS(M,A,N)

Call:

 ets(y = Demanda, model = "MAN", restrict = FALSE)

  Smoothing parameters:

    alpha = 0.8835

    beta  = 1e-04

  Initial states:

    l = 103.691

    b = 1017.6301

  sigma:  0.4272

     AIC     AICc      BIC

1224.281 1225.393 1234.753

[pic 3]

Por suavizado Exponencial

[pic 4]

ETS(M,A,M)

Call:

 ets(y = Demanda)

  Smoothing parameters:

    alpha = 0.0039

    beta  = 0.0039

    gamma = 1e-04

  Initial states:

    l = 6331.6726

    b = 72.9664

    s = 1.0867 2.1564 1.7532 1.6968 1.1569 0.8771

           0.8195 0.6126 0.4434 0.4634 0.4909 0.443

  sigma:  0.2643

...