file_1c3d611a0a_2751_1_pronasticos_de_demanda.pdf

Administración
Administración de
de
Administración
Administración de
de
Producción
Producción
Producción
Producción
Decisiones
Decisiones estratégicas
estratégicas
Decisiones
Decisiones estratégicas
estratégicas
Previsión
Previsión

Contenido
Contenido
Contenido
Contenido
♦Perfil de una compañía de proyección
di l T C ti
mundial: Tupperware Corporation
♦¿Qué es la previsión?
Horizontes temporales de la previsión
♦ Horizontes temporales de la previsión
♦ La influencia del ciclo de vida del producto
♦Tipos de previsiones
♦Tipos de previsiones
♦La importancia estratégica de la previsión
♦ Recursos humanos
♦ Capacidad
♦ Gestión de la cadena de suministros
♦Siete etapas en el sistema de previsión

Contenido
Contenido
Contenido
Contenido
♦Enfoques de la previsión
♦ Visión global de los métodos cualitativos
♦ Visión global de los métodos cuantitativos
♦Previsión de series temporales
♦Previsión de series temporales
♦ Descomposición de una serie temporal
♦ Enfoque simple
M di ó il
♦ Medias móviles
♦ Alisado exponencial
♦ Alisado exponencial con ajuste de tendencia
j
♦ Proyecciones de la tendencia
♦ Variaciones estacionales en los datos
♦ Variaciones cíclicas en los datos
♦ Variaciones cíclicas en los datos

Contenido
Contenido
Contenido
Contenido
♦Métodos de previsión causal: análisis de
ió l ió
regresión y correlación
♦ Utilización del análisis de regresión para realizar
previsiones
previsiones
♦ Error estándar de la estimación
♦ Coeficientes de correlación para las rectas de
p
regresión
♦ Análisis de regresión múltiple
S i i t t l d l i i
♦Seguimiento y control de las previsiones
♦ Alisado adaptable
Previsión enfocada
♦ Previsión enfocada
♦Previsión en el sector servicios

Objetivos de aprendizaje
Cuando haya completado este capítulo, debe ser
capaz de:
♦Identificar o definir:
♦ Previsión
♦ Tipos de previsión
♦ Horizontes temporales
♦ Enfoques de la previsión

Cuando haya completado este capítulo, debe
y p p ,
ser capaz de:
♦Describir o explicar:
♦Describir o explicar:
♦ Medias móviles
♦ Alisado exponencial
p
♦ Proyecciones de tendencia
♦ Análisis de regresión y correlación
g y
♦ Medidas de precisión de la previsión

La previsión de Tupperware
La previsión de Tupperware
p pp
p pp
♦Cada uno de los 50 centros de beneficio en
♦Cada uno de los 50 centros de beneficio en
todo el mundo es responsable del cálculo de
las proyecciones de las ventas con carácter
p y
mensual, trimestral y anual.
♦Estas proyecciones se agrupan por regiones
♦Estas proyecciones se agrupan por regiones
y, globalmente, en la sede central de
Tupperware.
Tupperware.
♦Tupperware utiliza todas las técnicas
tratadas en este capítulo
tratadas en este capítulo.

Tres factores clave para
Tres factores clave para
T pper are
T pper are
Tupperware
Tupperware
♦El número de “consultores” o
♦El número de consultores o
representantes de ventas que están
registrados.
g
♦El porcentaje de estos distribuidores que
está actualmente en “activo” (este número
está actualmente en activo (este número
varía cada semana y mes).
♦Las ventas por distribuidor activo en base
♦Las ventas por distribuidor activo en base
semanal.

Tupperware
Tupperware -
- Previsión por
Previsión por
consenso
consenso
consenso
consenso
♦Los factores de producción provienen de las
ventas, marketing, finanzas y producción,
, g, y p ,
aunque la previsión final es fruto del
consenso de todos los directivos
participantes.
♦El último paso es la versión de Tupperware
p pp
del “jurado de opinión ejecutiva”.

¿Qué es la previsión?
♦ Arte y ciencia de
♦ te y c e c a de
predecir
acontecimientos
¡Venderá 200
millones de
futuros.
♦ Base de todas las
dólares!
decisiones
empresariales:
♦ Producción.
♦ Inventario.
♦ Personal
♦ Personal.
♦ Instalaciones.

Tipos de horizontes temporales
Tipos de horizontes temporales
de la previsión
de la previsión
♦Previsión a corto plazo:
de la previsión
de la previsión
♦ Cobertura de hasta un año, generalmente inferior a los
tres meses.
Programación de trabajos asignación de tareas
♦ Programación de trabajos, asignación de tareas.
♦Previsión a medio plazo:
E t t t ñ
♦ Entre tres meses y tres años.
♦ Planificación de las ventas, de la producción y del
presupuesto.
presupuesto.
♦Previsiones a largo plazo:
♦ Periodos superiores a tres años
♦ Periodos superiores a tres años.
♦ Planificación de nuevos productos, localización de las
instalaciones.

Previsiones a corto plazo frente a
Previsiones a corto plazo frente a
previsiones a largo plazo
♦Las previsiones a medio y largo plazo tratan
de asuntos más extensos, y apoyan las
decisiones de gestión que conciernen a la
planificación y los productos, las plantas y
los procesos.
♦Las previsiones a corto plazo normalmente
emplean metodologías diferentes a las
utilizadas en las previsiones a largo plazo.
♦Las previsiones a corto plazo tienden a ser
p p
más exactas que las realizadas a largo plazo.

La influencia del ciclo de vida del
producto
producto
♦Las etapas de introducción y crecimiento
necesitan previsiones más largas que las de
p g q
madurez y declive.
♦Las previsiones son útiles para proyectar
♦Las previsiones son útiles para proyectar
♦ los diferentes niveles de personal
♦ los diferentes niveles de inventarios
♦ los diferentes niveles de capacidad de producción
mientras el producto pasa de la primera a la
mientras el producto pasa de la primera a la
última etapa.

Estrategia durante el ciclo de vida
Estrategia durante el ciclo de vida
de un producto
de un producto
de un producto
de un producto
Introducción Crecimiento Madurez Declive
Mejor periodo para
aumentar la cuota de
d
Buen momento para
cambiar el precio o la
Mal momento para cambiar la
imagen, el precio o la calidad
Es vital controlar el
coste
s
de
la
compañía
CD-ROM
Fax
Disquetes
de 3 1/2”
mercado
Es vital planear la I + D
p
imagen de calidad
Fortalecer el segmento
de mercado
g , p
Los costes competitivos son
ahora muy importantes
Defender la posición en el
mercado
coste
Restaurantes para
comer en el coche
Estrategias
HDTV
CD-ROM
Impresoras a
color
Furgonetas
Ventas
Internet
de
la
OM
La planificación y desarrollo
del producto son vitales
Cambios frecuentes en
planificación del producto y
proceso
La previsión es muy
importante
Fiabilidad del producto y
proceso
Posibilidades y mejoras del
Estandarización
Cambios de producto menos
rápidos; más cambios
minuciosos
Capacidad óptima
Poca diferenciación del
producto
Minimización de costes
Sobrecapacidad en la
Estrategias
d
proceso
Lotes de producción
pequeños
Altos costes de producción
Número de modelos limitado
At ió l lid d
Posibilidades y mejoras del
producto competitivas
Aumento de la capacidad
Cambio de tendencia para
centrarse en el producto
Atención a la distribución
Capacidad óptima
Estabilidad creciente del
proceso de producción
Grandes lotes de producción
Mejora del producto y
reducción de costes
p
industria
Eliminación de productos
que no proporcionan un
margen aceptable
Reducción de capacidad
Atención a la calidad
reducción de costes p

Tipos de previsiones
♦Previsiónes económicas:
♦Previsiónes económicas:
♦ Dirigidas al ciclo empresarial, por ejemplo, las
tasas de inflación, la masa monetaria, etc.
, ,
♦Previsiónes tecnológicas:
♦ Predicen el progreso tecnológico.
p g g
♦ Predicen el nacimiento de nuevas ventas.
♦Previsiones de demanda:
♦ e s o es de de a da
♦ Predicen las ventas ya existentes.

Siete etapas en el sistema de
Siete etapas en el sistema de
previsión
previsión
♦Determinar la utilización de la previsión.
♦Determinar la utilización de la previsión.
♦Seleccionar los artículos en los que se va a
realizar la previsión
realizar la previsión.
♦Determinar el horizonte temporal de la
previsión
previsión.
♦Seleccionar el(los) modelo(s) de previsión.
R id d d t
♦Recogida de datos.
♦Realizar la previsión.
♦Validar e implementar los resultados.

Demanda de un producto representada
Demanda de un producto representada
en un periodo de 4 años con tendencia
en un periodo de 4 años con tendencia
de crecimiento y estacionalidad
de crecimiento y estacionalidad
Picos estacionales Componente de tendencia
o
Picos estacionales Componente de tendencia
o
servicio
Línea de
demanda
actual
producto
o
actual
Demanda media
en cuatro años
anda
del
p
Primer Segundo Tercer Cuarto
Dema
Variación
aleatoria
Primer
año
Segundo
año
Tercer
año
Cuarto
año

Demanda real frente a los métodos de
Demanda real frente a los métodos de
media móvil y media móvil ponderada
35 Media móvil ponderada
25
30
ventas
Ventas reales
Media móvil ponderada
15
20
anda
de
v
5
10
Dema
Media móvil
0
Ene. Feb. Mar. Abr. May. Jun. Jul. Ago. Sep. Oct. Nov. Dic.
Mes
Mes

Realidades sobre la previsión
♦Raras veces las previsiones son perfectas
♦Raras veces las previsiones son perfectas.
♦La mayoría de las técnicas de previsión
i t i t t bilid d
asumen que existe cierta estabilidad
sostenida al sistema.
♦Tanto las predicciones de familias de
productos como las predicciones en
j á i l
conjunto son más precisas que las
previsiones de productos individuales.

Enfoques de la previsión
Métodos cuantitativos
Métodos cualitativos
♦ Se emplean cuando la
situación es “estable”
i t d t
♦ Se emplean cuando la
situación no es clara y
h d t y existen datos
“históricos”:
♦ Productos existentes
hay pocos datos:
♦ Productos nuevos.
♦ Nueva tecnología. ♦ Productos existentes.
♦ Tecnología actual.
♦ Requieren ténicas
♦ Nueva tecnología.
♦ Requieren intuición y
experiencia: ♦ Requieren ténicas
matemáticas:
♦ Por ejemplo, la previsión
e pe e c a
♦ Por ejemplo, la previsión
de las ventas a través de
Internet de las ventas de
televisiones en color.
Internet.

Visión global de los métodos
cualitativos
cualitativos
cualitativos
cualitativos
♦Jurado de opinión ejecutiva:
S l i i d d t
♦ Se agrupan las opiniones de un grupo de expertos
de alto nivel o de directivos, a menudo en
combinación con modelos estadísiticos.
♦Proposición de personal comercial:
♦ Las estimación de las ventas esperadas por los
d d i i d ll
vendedores se revisan para ver si se pueden llevar
a cabo y luego se obtiene una previsión global.
♦Método Delphi:
♦Método Delphi:
♦ Proceso de grupo que permite a los expertos
realizar las previsiones.
♦Estudio de mercado del consumidor:
♦ Requiere información de los clientes.

Jurado de opinión ejecutiva
R i ñ d di ti
♦ Requiere un pequeño grupo de directivos:
♦ El grupo establece una estimación conjunta de
la demanda
la demanda.
♦ Combina la experiencia directiva con modelos
estadísticos
estadísticos.
♦ Es bastante rápido.
D t j d l
♦ Desventaja del
“pensamiento en
grupo”.
© 1995 Corel Corp.

Proposición de personal
Proposición de personal
comercial
comercial
comercial
comercial
♦ Cada vendedor estima las
ventas que hará.
♦ Se combinan con las
Ventas
Ventas
previsiones a niveles de
distritos y con las
nacionales
nacionales.
♦ El representante de ventas
conoce las necesidades de
conoce las necesidades de
los consumidores.
♦ Tiende a ser bastante © 1995 Corel Corp
♦ Tiende a ser bastante
optimista.
© 1995 Corel Corp.

Método Delphi
Método Delphi
Método Delphi
Método Delphi
♦Proceso de grupo
it ti
iterativo.
♦3 tipos de
Personal de
Personal de
Los que toman
Los que toman
decisiones
decisiones
(¿Ventas?)
participantes:
♦ Los que toman
decisiones
Personal de
Personal de
plantilla
plantilla
(¿ )
(¿Qué ventas
(Habrá 50 ventas)
decisiones.
♦ El personal de plantilla.
♦ Los que responden.
habrá?
cuestionarios)
♦ Los que responden.
♦Reduce el
“pensamiento en
Los que responden
Los que responden
(Habrá 45, 50, 55 ventas)
pensamiento en
grupo”.

Estudio de mercado
Estudio de mercado
Estudio de mercado
Estudio de mercado
♦ Preguntar a los
id ¿Cuántas horas
consumidores
sobre sus futuros
planes de compra
próxima semana?
¿Cuántas horas
utilizará Internet la
próxima semana?
planes de compra.
♦ Lo que dicen los
consumidores y lo
consumidores y lo
que luego hacen
suele diferir.
♦ A veces es difícil
contestar a las © 1995 Corel
Corp
preguntas del
estudio.
Corp.

cuantitativos
cuantitativos
♦Enfoque simple
♦Medias móviles Modelos de
♦Medias móviles
♦Alisado exponencial
♦Proyección de tendencia
series
temporales
♦Proyección de tendencia
Modelos
♦Regresión lineal
Modelos
asociativos

Métodos de previsión cuantitativos
Métodos de previsión cuantitativos
(no simples)
(no simples)
P i ió
Previsión
cuantitativa
Modelos
asociativos
Modelos de series
temporales
Regresión
lineal
Alisado
exponencial
Media
móvil
Proyección
de tendencia

¿Qué son las series temporales?
♦ Es una secuencia de datos uniformemente
♦ Es una secuencia de datos uniformemente
espaciada:
♦ Se obtiene observando las variables en periodos
p
de tiempo regulares.
♦ Se trata de una previsión basada en los datos
p
pasados:
♦ Supone que los factores que han influido en el
pasado lo sigan haciendo en el futuro.
♦ Ejemplo:
j p
Año: 1993 1994 1995 1996 1997
Ventas: 78,7 63,5 89,7 93,2 92,1

Descomposición de una serie
Descomposición de una serie
temporal
temporal
temporal
temporal
Tendencia
Tendencia Ciclos
Ciclos
Estacionalidad
Estacionalidad Variaciones
Variaciones
Estacionalidad
Estacionalidad
aleatorias
aleatorias

Tendencia
Tendencia
♦Es el movimiento gradual de ascenso o
♦Es el movimiento gradual de ascenso o
descenso de los datos a lo largo del tiempo.
♦Los cambios en la población ingresos etc
♦Los cambios en la población, ingresos, etc.
influyen en la tendencia.
♦Varios años de duración
♦Varios años de duración.
Respuesta
Mes, trimestre, año © 1984-1994 T/Maker Co.

Estacionalidad
Estacionalidad
♦Muestra de datos de ascenso o descenso
♦Muestra de datos de ascenso o descenso
que se repite.
♦Se puede ver afectada por la climatología
♦Se puede ver afectada por la climatología,
las costumbres, etc.
S d d t d i d l
♦Se produce dentro de un periodo anual.
Verano
Respuesta
Verano
© 1984-1994 T/Maker Co.
Mes, trimestre

Ciclos
Ciclos
♦Movimientos de ascenso o descenso que se
repiten.
♦Se pueden ver afectados por interacciones de
p p
factores que influyen en la economía.
♦Suelen durar de 2 a 10 años.
♦Suelen durar de 2 a 10 años.
Respuesta
Respuesta
Ciclo
%
%
Mes, trimestre, año
Mes, trimestre, año

Variaciones aleatorias
Variaciones aleatorias
♦Son “saltos” en los datos causados por el
♦Son saltos en los datos causados por el
azar y situaciones inusuales.
♦Son debidas a variaciones aleatorias o a
♦Son debidas a variaciones aleatorias o a
situaciones imprevistas:
♦ Huelga
© 1984-1994 T/Maker Co.
♦ Huelga.
♦ Tornado.
♦Son de corta duración
♦Son de corta duración
y no se repiten.

Modelos de series temporales
Modelos de series temporales
♦C l i l i
p
p
♦Cualquier valor que aparezca en una serie
temporal es la multiplicación (o suma) de los
componentes de la serie temporal
componentes de la serie temporal.
♦Modelo multiplicativo:
♦Modelo multiplicativo:
♦ Yi = Ti x Si x Ci x Ri (si los datos son mensuales o
trimestrales).
♦Modelo aditivo:
Y T + S + C + R ( i l d t l
♦ Yi = Ti + Si + Ci + Ri (si los datos son mensuales o
trimestrales).

Enfoque simple
Enfoque simple
Enfoque simple
Enfoque simple
♦ Suponer que la demanda en
el próximo periodo será
i l l d d d l
igual a la demanda del
periodo más reciente:
♦ Por ejemplo si en mayo hubo
♦ Por ejemplo, si en mayo hubo
48 ventas, en junio habrá 48
ventas.
♦ Es el modelo con la mejor
relación eficacia-coste y
fi i i
eficiencia. © 1995 Corel Corp.

Medias móviles
Medias móviles
♦ Las medias móviles son una serie de operaciones
aritméticas
aritméticas.
♦ Se utilizan si no hay tendencia o si ésta es
escasa.
♦ Se suelen utilizar para el alisado:
♦ Se suelen utilizar para el alisado:
♦ Proporciona una impresión general de los datos a lo
largo del tiempo.
♦ Ecuación:
MM
MM
n
n
∑
∑ demanda de
demanda de periodos previos
periodos previos
MM
MM
n
n
=
= ∑
∑

Ejemplo de media móvil
Ejemplo de media móvil
Usted es el director de una tienda de un
d é li Q i d i
j p
j p
museo que vende réplicas. Quiere predecir
las ventas (000) del año 1998 mediante una
media móvil de 3 meses
media móvil de 3 meses.
1993 4
1994 6
1994 6
1995 5
1996 3
1996 3
1997 7
© 1995 Corel Corp.

Solución de la media móvil
Año Respuesta Media Media móvil
Yi móvil total
(n=3)
(n=3)
1995 4 ND ND
1996 6 ND ND
1997 5 ND ND
1998 3 4+6+5=15 15/3 = 5
1999 7
1999 7
2000 ND

ponderada
ponderada
ponderada
ponderada
Yi móvil total
(n=3)
(n=3)
1995 4 ND ND
1996 6 ND ND
1997 5 ND ND
1998 3 4+6+5=15 15/3 = 5
1999 7 6 5 3 14 14/3 4 2/3
1999 7 6+5+3=14 14/3=4 2/3
2000 ND

ponderada
ponderada
ponderada
ponderada
Yi móvil total
(n=3)
(n=3)
1995 4 ND ND
1995 4 ND ND
1996 6 ND ND
1997 5 ND ND
1997 5 ND ND
1998 3 4+6+5=15 15/3=5,0
1999 7 6+5+3 14 14/3 4 7
1999 7 6+5+3=14 14/3=4,7
2000 ND 5+3+7=15 15/3=5,0

Gráfico de la media móvil
Gráfico de la media móvil
Ventas
8 Real
4
6
8 Real
Previsión
2
4
95 96 97 98 99 00
Año
Año

Método de la media móvil
Método de la media móvil
ponderada
ponderada
♦Se utiliza cuando se presenta una tendencia:
ponderada
ponderada
p
♦ Los datos anteriores suelen carecer de
importancia.
♦Las ponderaciones se basan en la intuición:
♦ Suelen estar entre 0 y 1, y a la suma de 1,0.
♦Ecuación:
Media móvil
Media móvil Σ
Σ (ponderación para el periodo
(ponderación para el periodo n
n) (demanda en el periodo
) (demanda en el periodo n
n)
)
ponderada =
ponderada = Σ
Σ ponderaciones
ponderaciones

Demanda actual, media móvil y
Demanda actual, media móvil y
media móvil ponderada
35 Media móvil ponderada
25
30
entas
Ventas reales
Media móvil ponderada
15
20
anda
de
ve
5
10
Dema
Media móvil
0
Ene. Feb. Mar. Abr. May. Jun. Jul. Ago. Sep. Oct. Nov. Dic
Mes
Mes

Inconvenientes de los métodos de
Inconvenientes de los métodos de
media móvil
media móvil
media móvil
media móvil
♦Al aumentar n veces, las previsiones
son menos sensibles a los cambios.
♦No es posible predecir bien la
tendencia.
tendencia.
♦Se necesitan muchos datos
históricos
históricos.
© 1984-1994 T/Maker Co.

Alisado exponencial
Alisado exponencial
E té i d i ió d di ó il
p
p
♦Es una técnica de previsión de media móvil
ponderada:
♦ Las ponderaciones disminuyen exponencialmente.
♦ Se ponderan más los datos más recientes.
♦Se necesita una constante de alisado (α):
♦ Toma valores entre 0 y 1.
♦ Se escoge de forma subjetiva.
♦Necesita una cantidad reducida de datos
históricos.

Ecuaciones del alisado
Ecuaciones del alisado
exponencial
exponencial
F A (1 )A (1 )2 A
exponencial
exponencial
♦ Ft = αAt - 1 + α(1-α)At - 2 + α(1- α)2·At - 3
+ α(1- α)3At - 4 + ... + α(1- α)t-1·A0
♦ Ft = Valor de la previsión
♦ At = Valor real
t
♦ α = Constante de alisado
♦ F = F + α(A F )
♦ Ft = Ft-1 + α(At-1 - Ft-1)
♦ Se utiliza para calcular la previsión.

Ejemplo de alisado exponencial
Ejemplo de alisado exponencial
Usted está organizando una reunión Kwanza.
D d i l ú d
j p p
j p p
Desea predecir el número de personas que
asistirán en el año 2000 mediante el alisado
exponencial (α = 0 10) La previsión para
exponencial (α = 0,10). La previsión para
1995 fue de 175.
1995 180
1995 180
1996 168
1997 159
1997 159
1996 175
1999 190
1999 190
© 1995 Corel Corp.

Solución del alisado exponencial
Ft = Ft-1 + ·(At-1 - Ft-1)
p
p
Año
Año Real
Previsión, Ft
(α
α =
= 0,10
0,10)
)
1995
1995 180 175,00 (Dado)
1996
1996 168
168 175,00 +
175,00 +
1997
1997 159
159
1998
1998 175
175
1999
1999 190
190
2000
2000 ND
ND

Ft = Ft-1 + ·(At-1 - Ft-1)
p
p
Año
Año Real
Previsión, Ft
(α
α =
= 0,10
0,10)
)
1995
1995 180
180 175 00 (D d )
175 00 (D d )
1995
1995 180
180 175,00 (Dado)
175,00 (Dado)
1996
1996 168
168 175,00 +
175,00 + 0,10
0,10(
(
1997
1997 159
159
1998
1998 175
175
1999
1999 190
190
2000
2000 ND
ND

Ft = Ft-1 + ·(At-1 - Ft-1)
Previsión
Previsión F
F
p
p
Año
Año Real
Real
Previsión,
Previsión, F
F
t
t
(
(α
α =
= 0,10
0,10)
)
1995
1995 180
180 175 00 (Dado)
175 00 (Dado)
1995
1995 180
180 175,00 (Dado)
175,00 (Dado)
1996
1996 168
168 175,00 +
175,00 + 0,10
0,10(180
(180 -
-
1997
1997 159
159
1997
1997 159
159
1998
1998 175
175
1999
1999 190
190
1999
1999 190
190
2000
2000 ND
ND

Ft = Ft-1 + ·(At-1 - Ft-1)
Previsión F
p
p
Año Real
Previsión,Ft
(α
α =
= 0,10
0,10)
)
1995
1995 180
180 175 00 (Dado)
175 00 (Dado)
1995
1995 180
180 175,00 (Dado)
175,00 (Dado)
1996
1996 168
168 175,00 +
175,00 + 0,10
0,10(180
(180 -
- 175,00
175,00)
)
1997
1997 159
159
1997
1997 159
159
1998
1998 175
175
1999
1999 190
190
1999
1999 190
190
2000
2000 ND
ND

Ft = Ft-1 + ·(At-1 - Ft-1)
p
p
Año
Año Real
Real
Previsión,
Previsión,F
Ft
t
(
(α
α =
= 0,10
0,10)
)
1995
1995 180
180 175 00 (D d )
175 00 (D d )
1995
1995 180
180 175,00 (Dado)
175,00 (Dado)
1996
1996 168
168 175,00 +
175,00 + 0,10
0,10(180
(180 -
- 175,00
175,00)
) = 175,50
= 175,50
1997
1997 159
159
1998
1998 175
175
1999
1999 190
190
2000
2000 ND
ND

Ft = Ft-1 + ·(At-1 - Ft-1)
p
p
Año Real
Previsión, Ft
(α
α =
= 0,10
0,10)
)
1995 180 175 00 (D d )
1995 180 175,00 (Dado)
1994
1994 168
168 175,00 + 0,10(180
175,00 + 0,10(180 -
- 175,00) = 175,50
175,00) = 175,50
1995
1995 159
159 175,50
175,50 +
+ 0,10
0,10(168
(168 -
- 175,50
175,50)
) = 174,75
= 174,75
1996
1996 175
175
1997
1997 190
190
1998
1998 ND
ND

Ft = Ft-1 + ·(At-1 - Ft-1)
P i ió F
p
p
Año Real
Previsión, Ft
(α = 0,10)
1995
1995 180
180 175 00 (D d )
175 00 (D d )
1995
1995 180
180 175,00 (Dado)
175,00 (Dado)
1996 168 175,00 + 0,10(180 - 175,00) = 175,50
1997
1997 159
159 175 50 0 10(168
175 50 0 10(168 175 50) 174 75
175 50) 174 75
1997
1997 159
159 175,50 + 0,10(168
175,50 + 0,10(168 -
- 175,50) = 174,75
175,50) = 174,75
1998
1998 175
175 174,75
174,75 +
+ 0,10
0,10(159
(159 -
- 174,75
174,75)
)= 173,18
= 173,18
1999
1999 190
190
2000
2000 ND
ND

Ft = Ft-1 + ·(At-1 - Ft-1)
p
p
Año Real
Previsión, Ft
(α = 0,10)
1995 180 175 00 (D d )
1995 180 175,00 (Dado)
1996
1996 168
168 175,00 + 0,10(180
175,00 + 0,10(180 -
- 175,00) = 175,50
175,00) = 175,50
1997
1997 159
159 175,50 + 0,10(168
175,50 + 0,10(168 -
- 175,50) = 174,75
175,50) = 174,75
1998
1998 175
175 174,75 + 0,10(159
174,75 + 0,10(159 -
- 174,75) = 173,18
174,75) = 173,18
1999
1999 190
190 173,18 +
173,18 + 0,10
0,10(175
(175 -
- 173,18
173,18)
) = 173,36
= 173,36
2000
2000 ND
ND

Ft = Ft-1 + ·(At-1 - Ft-1)
p
p
Año Real
Previsión, Ft
(α = 0,10)
1995
1995 180
180 175,00 (Dado)
175,00 (Dado)
1996
1996 168
168 175,00 + 0,10(180
175,00 + 0,10(180 -
- 175,00) = 175,50
175,00) = 175,50
1997
1997 159
159 175,50 + 0,10(168
175,50 + 0,10(168 -
- 175,50) = 174,75
175,50) = 174,75
1998
1998 175
175 174,75 + 0,10(159
174,75 + 0,10(159 -
- 174,75) = 173,18
174,75) = 173,18
1999
1999 190
190 173,18 + 0,10(175
173,18 + 0,10(175 -
- 173,18) = 173,36
173,18) = 173,36
2000
2000 ND
ND 173,36
173,36 +
+ 0,10
0,10(190
(190 -
- 173,36
173,36) = 175,02
) = 175,02

Gráfico del alisado exponencial
Gráfico del alisado exponencial
V t
p
p
Ventas
180
190 Real
160
170
180
Previsión
140
150
160
Añ
140
93 94 95 96 97 98
Año

Efectos de la previsión de la
constante de alisado
constante de alisado α
α
2
α
Ft = α At - 1 + α(1- α)At - 2 + α(1- α)2At - 3 + ...
Ponderaciones
Periodo anterior Hace 2 periodos Hace 3 periodos
α=
α
p
α(1 - α)
p
α(1 - α)2
= 0 10 10%
α= 0,10
α= 0,90
10%

α
2
α
Ft = α At - 1 + α(1- α) At - 2 + α(1- α)2At - 3 + ...
α=
Ponderaciones
α
p
α(1 - α)
p
α(1 - α)2
= 0 10 10% 9%
α= 0,10
α= 0,90
10% 9%

α
2
α
Ft = α At - 1 + α(1- α)At - 2 + α(1- α)2At - 3 + ...
Ponderaciones
α=
α
p
α(1 - α)
p
α(1 - α)2
= 0 10 10% 9% 8 1%
α= 0,10
α= 0,90
10% 9% 8,1%

α
2
α
Ft = α At - 1 + α(1- α)At - 2 + α(1- α)2At - 3 + ...
Ponderaciones
α=
α
p
α(1 - α)
p
α(1 - α)2
= 0 10 10% 9% 8 1%
α= 0,10
α= 0,90
10% 9% 8,1%
90%

α
2
α
Ft = α At - 1 + α(1- α) At - 2 + α(1- α)2At - 3 + ...
Ponderaciones
α=
α
p
α(1 - α)
p
α(1 - α)2
= 0 10 10% 9% 8 1%
α= 0,10
α= 0,90
10% 9% 8,1%
90% 9%

α
2
α
Ft = α At - 1 + α(1- α) At - 2 + α(1- α)2At - 3 + ...
Ponderaciones
α=
α
p
α(1 - α)
p
α(1 - α)2
= 0 10 10% 9% 8 1%
α= 0,10
α= 0,90
10% 9% 8,1%
90% 9% 0,9%

Si se selecciona
Si se selecciona α
α
Trate de minimizar la desviación absoluta media (DAM)
Trate de minimizar la desviación absoluta media (DAM)
Si: Error de previsión = demanda - previsión
∑
Entonces:
n
errores de previsión
∑
=
DAM

Alisado exponencial con ajuste de
tendencia
tendencia
tendencia
tendencia
Previsión incluyendo la tendencia (PITt)
= previsión alisada exponencialmente (Ft)
+ tendencia alisada exponencialmente (Tt)

tendencia
tendencia
Ft = α (demanda real de este periodo)
tendencia
tendencia
t ( p )
+ (1- α)(previsión del último periodo + tendencia estimada del
último periodo)
o
o
Ft = α(At) + (1- α)Ft-1 + Tt-1
( ó ó ú )
Tt = β(previsión de este periodo - previsión del último periodo)
+ (1- β)(tendencia estimada del último periodo)
o
Tt = β(Ft - Ft-1) + (1- β)Tt-1

tendencia
tendencia
tendencia
tendencia
♦Ft = previsión alisada exponencialmente de
la serie de datos en el periodo t.
p
♦Tt = tendencia alisada exponencialmente en
el periodo t.
el periodo t.
♦At = demanda real en el periodo t.
♦α = constante de alisado para la media
♦α = constante de alisado para la media.
♦β = constante de alisado para la tendencia.

Comparación de previsiones
Comparación de previsiones
p p
p p
Alisado exponencial +
30
35
40
ducto
Demanda real
Alisado exponencial +
Tendencia
15
20
25
30
a
del
prod
5
10
15
Demanda
Alisado exponencial
0
Ene. Feb. Mar. Abr. May. Jun. Jul. Ago. Sep.
Mes
Mes

Método de mínimos cuadrados
Método de mínimos cuadrados
Desviación
endiente
Observación
real
Desviación
Desviación
Desviación
iable
depe
Punto en la
Desviación
Desviación
Desviación
de
la
vari
Punto en la
línea de
tendencia
Desviación
Valores
bx
a
Y +
=
ˆ
Periodo de tiempo

Demanda real y línea de tendencia
Demanda real y línea de tendencia
y
y
180
120
140
160
Y = 56,70+ 10,54X
60
80
100
120
Demanda
20
40
60
D
Demanda real
0
0 2 4 6 8 10
Periodo de tiempo
Periodo de tiempo

Análisis de regresión lineal
Análisis de regresión lineal
♦ Se usa para prever la línea de tendencia
lineal
g
g
lineal.
♦ Supone una relación entre la variable de
t Y l i d d ti X
respuesta, Y, y el periodo de tiempo, X, que
es una función lineal:
$
Y bX
♦ Se calcula mediante el método de los
i
Y a bXi
= +
♦ Se calcula mediante el método de los
mínimos cuadrados:
♦ Minimiza la suma de errores cuadrados.
♦ Minimiza la suma de errores cuadrados.

Modelo del análisis de regresión
Modelo del análisis de regresión
lineal
lineal
$
lineal
lineal
$
Y a bX
i i
= +
b > 0
Y
a
b < 0
a
Tiempo, X

Diagrama de dispersión
Diagrama de dispersión
V t
V t
g p
g p
Ventas
Ventas
3
3
4
4
Ventas frente a tiempo
1
1
2
2
3
3
0
0
1
1
92 93 94 95 96
P i d d i
92 93 94 95 96
Periodo de tiempo

Ecuaciones de mínimos
Ecuaciones de mínimos
c adrados
c adrados
cuadrados
cuadrados
Ecuación: i
i bx
a
Ŷ +
= i
i bx
a
Y +
=
Pendiente:
2
2
1
=
∑
−
∑
=
y
x
n
y
x
b n
i
i
n
i
2
2
1
=
−
∑ x
n
xi
i
Corte con el eje Y: x
b
y
a −
=

Tabla de cálculo
Tabla de cálculo
Xi Yi Xi
2
Yi
2
XiYi
X1 Y1 X1
2
Y1
2
X1Y1
X1 Y1 X1 Y1 X1Y1
X2 Y2 X2
2
Y2
2
X2Y2
: : : : :
X Y X
2
Y
2
X Y
Xn Yn Xn Yn XnYn
ΣXi ΣYi ΣXi
2
ΣYi
2
ΣXiYi

Ejemplo de análisis de regresión
Ejemplo de análisis de regresión
lineal
lineal
Usted es el analista de marketing de Hasbro
lineal
lineal
g
Toys. Recoge los siguientes datos:
Año Ventas (unidades)
( )
1995 1
1996 1
1997 2
1997 2
1998 2
1999 4
1999 4
¿Cuál es la ecuación de la tendencia?

Modelo de previsión del análisis
Modelo de previsión del análisis
de regresión lineal
U d á li d l áli i d k i d
Usted está realizando el análisis de marketing de
Hasbro Toys. Al utilizar años codificados, halla que Yi
^
= -0,1 + 0,7Xi.
Año Ventas (Unidades)
( )
1995 1
1996 1
1997 2
1998 2
1999 4
1999 4
La previsión es de 2000 ventas.

Modelo estacional multiplicativo
Modelo estacional multiplicativo
p
p
♦ Encontrar la demanda histórica media para cada “estación”
sumando la demanda de esa estación cada año y dividiéndola
y
entre el número de años de datos disponibles.
♦ Calcular la demanda media a lo largo de todas las estaciones
dividiendo la demanda media total anual entre el número de
dividiendo la demanda media total anual entre el número de
estaciones.
♦ Calcular un índice estacional dividiendo la demanda histórica
♦ Calcular un índice estacional dividiendo la demanda histórica
real de esa estación (calculado en la etapa 1) entre la
demanda media a lo largo de todas las estaciones.
E ti l d d l d t d l ñ ó i
♦ Estimar la demanda anual de todo el año próximo.
♦ Dividir esta estimación de la demanda anual total entre el
número de estaciones y entonces multiplicarla por el índice
número de estaciones y entonces multiplicarla por el índice
estacional de esa estación. Esto proporciona la previsión
estacional .

Modelo de regresión lineal
♦Muestra la relación lineal entre las variables
g
g
♦Muestra la relación lineal entre las variables
dependientes e independientes.
♦ Ejemplo: ventas y publicidad (sin tiempo)
♦ Ejemplo: ventas y publicidad (sin tiempo)
Pendiente
Corte con el eje Y
Y X
i i
= 
a b
j
^
Variable dependiente Variable independiente

Y Y a b X
= Error
g
g
Y a i
 b X
i =  Error
Error
Línea de tendencia
^
i i
Y a b X
= 
X
Valor observado

Ecuaciones de regresión lineal
Ecuaciones de regresión lineal
g
g
Ecuación: i
i bx
a
Ŷ +
= i
i bx
a
Y +
=
Pendiente:
2
2
1
=
∑
−
∑
=
y
x
n
y
x
b n
i
i
n
i
2
2
1
=
−
∑ x
n
xi
i
Corte con el eje Y: x
b
y
a −
=

Tabla de cálculo
Tabla de cálculo
Xi Yi Xi
2
Yi
2
XiYi
X Y X
2
Y
2
X Y
X1 Y1 X1 Y1 X1Y1
X2 Y2 X2
2
Y2
2
X2Y2
: : : : :
X Y X
2
Y
2
X Y
Xn Yn Xn Yn XnYn
ΣXi ΣYi ΣXi
2
ΣYi
2
ΣXiYi

Interpretación de los coeficientes
Interpretación de los coeficientes
♦Pendiente (b):
p
p
♦Pendiente (b):
♦ El cálculo de Y varía en b cada unidad extra en X.
♦ Si b = 2 entonces las ventas (Y) aumentarán en 2 por cada
♦ Si b = 2, entonces las ventas (Y) aumentarán en 2 por cada
unidad extra en publicidad (X).
♦Corte con el eje Y (a):
j ( )
♦ Valor medio de Y cuando X = 0.
♦ Si a = 4, entonces las ventas medias (Y) serán de 4 cuando
la publicidad (X) sea 0.

Variación de los errores
Variación de los errores
aleatorios
aleatorios
♦V i ió d l Y l ti d l Y d id
aleatorios
aleatorios
♦Variación del Y real a partir del Y predecido.
♦Se mide mediante el error estándar de la
ó
estimación:
♦ Muestra los errores de la desviación estándar.
♦ SY,X
♦Afecta a varios factores:
♦ Significado del parámetro.
♦ Precisión de la predicción.

Suposiciones de los mínimos
Suposiciones de los mínimos
c adrados
c adrados
cuadrados
cuadrados
♦Se supone que la relación es lineal. Primero
♦Se supone que la relación es lineal. Primero
trace los datos, si existe la curva, utilice el
análisis curvilineal.
♦Se supone que la relación sólo se sustenta
dentro o justo fuera del campo de datos. No
dentro o justo fuera del campo de datos. No
trate de predecir periodos de tiempo lejanos
al campo de la base de datos.
al campo de la base de datos.
♦Se supone que las desviaciones que rodean
a la línea de los mínimos cuadrados son
a la línea de los mínimos cuadrados son
aleatorias.

Error estándar de la desviación
Error estándar de la desviación
El libro utiliza el
( )
−
∑
1
=
2
ŷ
y
S
n
i
i
i
símbolo Yc
2
−
= 1
n
S i
x
,
y
−
−
=
∑ ∑
∑
1
= 1
=
1
=
2
y
x
b
y
a
y
n
i
n
i
i
i
i
n
i
i
2
−
n

Correlación
Correlación
♦R t ‘ é i t id d ti l l ió
♦Respuestas: ‘¿qué intensidad tiene la relación
lineal entre las variables?’
f ó f
♦El coeficiente de correlación se identifica
normalmente como r .
♦ Los valores varían entre -1 y +1 .
♦ Mide el grado de asociación.
♦Se usa principalmente para comprender.

Fómula del coeficiente de
Fómula del coeficiente de
correlación
correlación
correlación
correlación
−
∑ ∑ ∑
n n n
i
i
i
i y
x
y
x
n
⎥
⎤
⎢
⎡
⎠
⎞
⎜
⎝
⎛
−
⎥
⎤
⎢
⎡
⎠
⎞
⎜
⎝
⎛
−
=
∑ ∑
∑ ∑
∑ ∑ ∑
2
2
2
2
1
= 1
= 1
=
n n
i
i
n n
i
i
i i i
i
i
i
i
y
y
n
x
x
n
y
x
y
x
n
r
⎥
⎦
⎢
⎣ ⎠
⎜
⎝
⎥
⎦
⎢
⎣ ⎠
⎜
⎝
∑ ∑
∑ ∑
1
= 1
=
1
= 1
= i i
i
i
i i
i
i y
y

Valores del coeficiente de
Valores del coeficiente de
correlación
correlación
Correlación
positiva
Correlación
negativa Si l ió
correlación
correlación
positiva
perfecta
negativa
perfecta
Sin correlación
-1,0 +1,0
0
-0,5 +0,5
Aumento de la correlación
negativa
Aumento de la
correlación positiva

Coeficiente de correlación y
Coeficiente de correlación y
modelo de regresión
r = 1 r = -1
Y Y
r = 1 r = -1
Y
Y + b X
^
Y
Yi = a + b Xi
^
X
Yi = a + b Xi
X
r = 0,89 r = 0
Y
Y
X
X
Yi = a + b Xi
^ Yi = a + b Xi
^
X
X

Guía para elegir el modelo de
Guía para elegir el modelo de
previsión
previsión
U t d i i
previsión
previsión
♦Usted quiere conseguir:
♦ Ninguna conducta o dirección del error de previsión.
E (Y Y ) (R l P i ió )
^
♦ Error = (Yi - Yi) = (Real - Previsión).
♦ Se observa en las representaciones de los errores a lo largo
del tiempo.
♦ Un error de previsión más pequeño:
♦ Error cuadrado medio (ECM).
D i ió b l t di (DAM)
♦ Desviación absoluta media (DAM).

Conducta del error de previsión
Conducta del error de previsión
p
p
Conducta deseada
Tendencia no totalmente
justificada
Error
Error
Conducta deseada
Error
justificada
0
0 0
Tiempo (años) Tiempo (años)

Ecuaciones del error de previsión
♦Error cuadrado medio (ECM):
♦Error cuadrado medio (ECM):
n
2
i
i 2
)
y
(y
∑ − ˆ
1
i
i
i
n
n
)
y
(y
ECM
∑
=
∑
= =
♦Desviación absoluta media (DAM):
|
ˆ
|
n
∑
n
|
|
n
|
ŷ
y
|
DAM i
i
i ∑
∑
=
−
= 1
=

Ejemplo de selección del modelo
Ejemplo de selección del modelo
de previsión
de previsión
Usted es el analista de marketing de Hasbro Toys Ha previsto las
de previsión
de previsión
Usted es el analista de marketing de Hasbro Toys. Ha previsto las
ventas con un modelo lineal y alisado exponencial. ¿Qué modelo
usará?
Ventas Previsión del Previsión del
alisado
Año reales modelo lineal exponencial (0,9)
1995 1 0,6 1,0
1996 1 1 3 1 0
1996 1 1,3 1,0
1997 2 2,0 1,9
1998 2 2,7 2,0
1999 4 3 4 3 8
1999 4 3,4 3,8

Evaluación del modelo lineal
Evaluación del modelo lineal
Año
^
Yi Yi
^
Error Error2 |Error|
Año Yi Yi
1992 1 0,6 0,4 0,16 0,4
1993 1 1 3 -0 3 0 09 0 3
Error Error |Error|
1993 1 1,3 -0,3 0,09 0,3
1994 2 2,0 0,0 0,00 0,0
1995 2 2,7 -0,7 0,49 0,7
1995 2 2,7 0,7 0,49 0,7
1996 4 3,4 0,6 0,36 0,6
Total 0,0 1,10 2,0
Total 0,0 1,10 2,0
ECM = Σ Error2 / n = 1,10 / 5 = 0,220
DAM = Σ |Error| / n = 2,0 / 5 = 0,400

Evaluación del modelo de alisado
exponencial
exponencial
Year Yi Yi
^
Error Error2 |Error|
exponencial
exponencial
Year Yi Yi
1995 1 1,0 0,0 0,00 0,0
1996 1 1 0 0 0 0 00 0 0
Error Error |Error|
1996 1 1,0 0,0 0,00 0,0
1997 2 1,9 0,1 0,01 0,1
1998 2 2,0 0,0 0,00 0,0
1998 2 2,0 0,0 0,00 0,0
1999 4 3,8 0,2 0,04 0,2
Total 0,3 0,05 0,3
Total 0,3 0,05 0,3
ECM = Σ Error2 / n = 0,05 / 5 = 0,01
DAM = Σ |Error| / n = 0,3 / 5 = 0,06

exponencial
exponencial
exponencial
exponencial
Modelo de alisado exponencial:
Modelo de alisado exponencial:
ECM = Σ Error2 / n = 0,05 / 5 = 0,01
DAM = Σ |Error| / n = 0,3 / 5 = 0,06
Modelo lineal:
ECM = Σ Error2 / n = 1,10 / 5 = 0,220
DAM = Σ |Error| / n = 2,0 / 5 = 0,400

Señal de rastreo
Señal de rastreo
♦Mide el grado de precisión de la previsión
para predecir valores reales.
p p
♦Suma actual de los errores de previsión
(SAEP) dividida entre la desviación absoluta
(SAEP) dividida entre la desviación absoluta
media (DAM):
♦ Una buena señal de rastreo tiene valores bajos.
j
♦Debe estar dentro de los límites de control
superiores e inferiores.
superiores e inferiores.

Ecuación de la señal de rastreo
Ecuación de la señal de rastreo
DAM
SAEP
Señal de rastreo =
( )
ŷ
y
n
i
i
i
∑ −
1
=
DAM
i
= 1
=
DAM
∑
=

Cálculo de la señal de rastreo
Demanda
Demanda Error
Error SAEP
SAEP Error
Error DAM
DAM SR
SR
Demanda
Demanda |Error|
|Error|
Trim.
Trim.
1
1 100
100 90
90
prevista
prevista real
real absoluto
absoluto acumulado
acumulado
2
2 100
100 95
95
3
3 100
100 115
115
3
3 100
100 115
115
4
4 100
100 100
100
5
5 100
100 125
125
5
5 100
100 125
125
6
6 100
100 140
140

Demanda
Demanda Error
Error SAEP
SAEP Error
Error DAM
DAM SR
SR
prevista
prevista
Demanda
Demanda
real
real absoluto
absoluto acumulado
acumulado
Trim.
Trim. |Error|
|Error|
1
1 100
100 90
90
2
2 100
100 95
95
-
-10
10
p
p real
real absoluto
absoluto acumulado
acumulado
2
2 100
100 95
95
3
3 100
100 115
115 Error = Real - Previsión
4
4 100
100 100
100
5
5 100
100 125
125
= 90 - 100 = -10
5
5 100
100 125
125
6
6 100
100 140
140

Trim.
Trim. Demanda
Demanda
Error
Error SAEP
SAEP Error
Error DAM
DAM SR
SR
prevista
prevista
Demanda
Demanda
real
real absoluto
absoluto
|Error|
|Error|
acumulado
acumulado
1
1 100
100 90
90
2
2 100
100 95
95
-
-10
10 -
-10
10
p
p real
real absoluto
absoluto acumulado
acumulado
2
2 100
100 95
95
3
3 100
100 115
115 SAEP = Σ Errores
4
4 100
100 100
100
5
5 100
100 125
125
= ND + (-10) = -10
5
5 100
100 125
125
6 100 140

Trim.
Trim. Demanda
Demanda Error
Error SAEP
SAEP Error
Error DAM
DAM SR
SR
prevista
prevista
Demanda
Demanda
real
real absoluto
absoluto
|Error|
|Error|
acumulado
acumulado
1
1 100
100 90
90
2
2 100
100 95
95
-
-10
10 -
-10
10 10
10
p
p real
real absoluto
absoluto acumulado
acumulado
2
2 100
100 95
95
3
3 100
100 115
115 Error absoluto = |Error|
4
4 100
100 100
100
5
5 100
100 125
125
= |-10| = 10
5
5 100
100 125
125
6
6 100
100 140
140

Trim
Trim Demanda
Demanda
E
E SAEP
SAEP E
E DAM
DAM SR
SR
|Error|
|Error|
1
1 100
100 90
90 -
-10
10 -
-10
10 10
10 10
10 10 0
10 0
Trim.
Trim. Demanda
Demanda
Error
Error SAEP
SAEP Error
Error DAM
DAM SR
SR
prevista
prevista
Demanda
Demanda
real
real absoluto
absoluto
|Error|
|Error|
acumulado
acumulado
1
1 100
100 90
90
2
2 100
100 95
95
-
-10
10 -
-10
10 10
10 10
10 10,0
10,0
3
3 100
100 115
115
4
4 100
100 100
100
DAM = Σ |Errores|/n
= 10/1 = 10
5
5 100
100 125
125
6
6 100
100 140
140
6
6 100
100 140
140

Trim.
Trim. Demanda
Demanda
Error
Error SAEP
SAEP Error
Error DAM
DAM SR
SR
prevista
prevista
Demanda
Demanda
real
real absoluto
absoluto
|Error|
|Error|
acumulado
acumulado
1
1 100
100 90
90 -
-10
10 -
-10
10 10
10 10
10 10,0
10,0 -
-1
1
prevista
prevista real
real absoluto
absoluto acumulado
acumulado
2
2 100
100 95
95
3
3 100
100 115
115 SR = SAEP/DAM
4
4 100
100 100
100
5
5 100
100 125
125
S S /
= -10/10 = -1
5
5 100
100 125
125
6
6 100
100 140
140

Demanda
Demanda Error
Error SAEP
SAEP Error
Error DAM
DAM SR
SR
prevista
prevista
Demanda
Demanda
real
real absoluto
absoluto acumulado
acumulado
|Error|
|Error|
Trim.
Trim.
1
1 100
100 90
90 -
-10
10 -
-10
10 10
10 10
10 10,0
10,0 -
-1
1
prevista
prevista real
real absoluto
absoluto acumulado
acumulado
2
2 100
100 95
95
3
3 100
100 115
115
-
-5
5
4
4 100
100 100
100
5
5 100
100 125
125
Error = Real - Previsión
= 95 - 100 = -5
5
5 100
100 125
125
6
6 100
100 140
140

Demanda
Demanda
Error
Error SAEP
SAEP Error
Error DAM
DAM SR
SR
prevista
prevista
Demanda
Demanda
real
real absoluto
absoluto acumulado
acumulado
|Error|
|Error|
Trim.
Trim.
1
1 100
100 90
90 -
-10
10 -
-10
10 10
10 10
10 10,0
10,0 -
-1
1
prevista
prevista real
real absoluto
absoluto acumulado
acumulado
2
2 100
100 95
95
3
3 100
100 115
115
-
-5
5 -
-15
15
4
4 100
100 100
100
5
5 100
100 125
125
SAEP = Σ Errores
= (-10) + (-5) = -15
5
5 100
100 125
125
6
6 100
100 140
140
( ) ( )

Demanda
Demanda Error
Error SAEP
SAEP Error
Error DAM
DAM SR
SR
prevista
prevista
Demanda
Demanda
real
real absoluto
absoluto acumulado
acumulado
Trim.
Trim. |Error|
|Error|
1
1 100
100 90
90
2
2 100
100 9
9
-
-10
10 -
-10
10 10
10 10
10 10,0
10,0 -
-1
1
1
1
p
p
2
2 100
100 95
95
3
3 100
100 115
115
-
-5
5 -
-15
15 5
5
4
4 100
100 100
100
5
5 100
100 125
125
Error absoluto = |Error|
= |-5| = 5
5
5 100
100 125
125
6
6 100
100 140
140

Demanda
Demanda Error
Error SAEP
SAEP Error
Error DAM
DAM SR
SR
prevista
prevista
Demanda
Demanda
real
real absoluto
absoluto acumulado
acumulado
|Error|
|Error|
Trim.
Trim.
1
1 100
100 90
90 -
-10
10 -
-10
10 10
10 10
10 10,0
10,0 -
-1
1
prevista
prevista real
real absoluto
absoluto acumulado
acumulado
2
2 100
100 95
95
3
3 100
100 115
115
-
-5
5 -
-15
15 5
5 15
15
4
4 100
100 100
100
5
5 100
100 125
125
Error acumulado = Σ |Errores|
= 10 + 5 = 15
5
5 100
100 125
125
6
6 100
100 140
140

Demanda
Demanda Error
Error SAEP
SAEP Error
Error DAM
DAM SR
SR
prevista
prevista
Demanda
Demanda
real
real absoluto
absoluto acumulado
acumulado
Trim.
Trim. |Error|
|Error|
1
1 100
100 90
90 -
-10
10 -
-10
10 10
10 10
10 10,0
10,0 -
-1
1
prevista
prevista real
real absoluto
absoluto acumulado
acumulado
2
2 100
100 95
95
3
3 100
100 115
115
-
-5
5 -
-15
15 5
5 15
15 7,5
7,5
4
4 100
100 100
100
5
5 100
100 125
125
DAM = Σ |Errores|/n
= 15/2 = 7,5
5
5 100
100 125
125
6
6 100
100 140
140
,

Demanda
Demanda Error
Error SAEP
SAEP Error
Error DAM
DAM SR
SR
prevista
prevista
Demanda
Demanda
real
real absoluto
absoluto acumulado
acumulado
|Error|
|Error|
Trim.
Trim.
1
1 100
100 90
90 -
-10
10 -
-10
10 10
10 10
10 10,0
10,0 -
-1
1
prevista
prevista real
real absoluto
absoluto acumulado
acumulado
2
2 100
100 95
95
3
3 100
100 115
115
-
-5
5 -
-15
15 5
5 15
15 7,5
7,5 -
-2
2
4
4 100
100 100
100
5
5 100
100 125
125
SR = SAEP/DAM
= -15/7,5 = -2
5
5 100
100 125
125
6
6 100
100 140
140
,

Representación de una señal de
Representación de una señal de
rastreo
rastreo
rastreo
rastreo
Señal que supera el límite
Límite de control superior
Señal que supera el límite
Señal de rastreo
+
Intervalo aceptable
+
0
Límite de control inferior
-
Tiempo

Señales de rastreo
Señales de rastreo
160 3
100
120
140
da
real
1
2
rastreo
Previsión
40
60
80
Demand
2
-1
0
Señal
de
r
Señal de rastreo
Demanda real
0
20
0 1 2 3 4 5 6 7
-3
-2
Tiempo

Previsión en el sector servicios
Previsión en el sector servicios
♦Presenta algunos retos poco comunes:
♦ Especial necesidad de datos a corto plazo.
p p
♦ Las necesidades varían mucho en función de la
industria y del producto.
♦ Vacaciones y calendario.
♦ Eventos poco comunes.

Previsión de ventas por hora en
Previsión de ventas por hora en
n resta rante de comida rápida
n resta rante de comida rápida
un restaurante de comida rápida
un restaurante de comida rápida
20
15
20
10
5
0
+11-12 +1-2 +3-4 +5-6 +7-8 +9-10
11-12 12-1 1-2 2-3 3-4 4-5 5-6 6-7 7-8 8-9 9-10 10-11

file_1c3d611a0a_2751_1_pronasticos_de_demanda.pdf

Recomendados

Recomendados

Más contenido relacionado

Similar a file_1c3d611a0a_2751_1_pronasticos_de_demanda.pdf

Similar a file_1c3d611a0a_2751_1_pronasticos_de_demanda.pdf (20)

Último

Último (20)

file_1c3d611a0a_2751_1_pronasticos_de_demanda.pdf