ISSN 0717-9103

ANLISIS DE SERIES TEMPORALES TIME SERIES ANALYSIS

Guillermo A. Corres\ Alejandra Esteban^ Juan Carlos Garca^ Claudia Zarate^ 'Departamento de Administracin. Facuitad de Ciencias Econmicas. Universidad Nacionai dei Centro. Provincia de Buenos Aires. Tandii. Argentina 'Departamento de ingeniera industrial. Facuitad de ingenieria. Universidad Nacional de Mar Del Plata. Mar dei Piata. Provincia de Buenos Aires. Argentina

RESUMEN
En este trabajo se anaza el error que se comete cuando se pronostican ias actividades operativas en una empresa conservera de la zona, utilizando mtodos de proyeccin histrica cuantitativos: deterministicos (suavizado exponencial y variantes), estocsticos (Box -Jenkins) y de proyeccin enfocada. Estos mtodos se emplearon para anaiizar ias ventas ocurridas en 5 aos. Utilizando como criterio de seleccin el mtodo de menor RMSE se determin cul era el mejor modelo para los distintos productos. No se pudo obtener un tjnico mtodo de pronstico. Tambin se reaiiz un aniisis acerca de los distintos softv^^ares -Crystai Bail y SPSS- que se utilizaron en ia obtencin de ios mismos. Posteriormente se mejoraron ias proyecciones obtenidas a travs de ia aiternativa de combinacin lineal de los distintos pronsticos y la alternativa de suavizado exponencial de los datos iniciaies. Palabras clave: Pronsticos, SPSS, Crystai Bali, industria conservera

ABSTRACT
In this work it was analyzed tiie error tiiat is produced when the operations activities are forecasted in a fish conserved industry of this region. It was appiied severai quantitative methods like exponentiai smoothing and its different versions, Box Jenkins and the forecasting method that it is used in the industry analyzed. The saies in a five years were anaiyzed . Using as criterion to select the method, the minor error (RMSE) it was determined the best method for every product, its not found a common method for aii products. Moreover, it was analyzed the softv^/are used to obtain the forecasting -Crystal Ball and SPSS. Better resuits were found when the results were combined trough of lineal combination and a previous treatment of dates (exponential smoothing) was performed. Keywords: Prognosis, SPSS, Crystai Baii, Conning industry.

Autor para correspondencia: corres@econ.unicen,edu.ar Recibido: 03.03,2009 Aceptado: 04,05. 2009

21

Revista Ingeniera Industrial - ^flo a I - Primer Smese 2009

INTRODUCCIN
Pronosticar consiste en a estimacin y el anlisis de la demanda futura para un producto en particular, un componente o un servicio, a travs de diferentes tcnicas de previsin. El pronstico de a demanda futura es central en cualquier actividad de planificacin y de operaciones, en particular en actividades relacionadas a la logstica y a la cadena de suministro. A nivel organizacional. el pronstico de las ventas es un insumo esencial para cualquier decisin en las distintas reas funcionales: ventas, produccin, compras, finanzas y contabilidad. Los pronsticos tambin son necesarios en ios panes de distribucin y aprovisionamientos. La importancia de un pronstico de ventas con escaso margen de error es fundamenta para la eficiencia en e manejo de los inventarios. Esto ha sido en gran parte reconocido por diversos autores (Chu & Zhang, 2003). El pronstico es una herramienta bsica en la toma de decisiones de la administracin y, en particuar, es un componente esencia para que cualquier sistema de inventarios tenga xito, (Hillier&Lieberman 1997), En la actualidad, la disposicin de pronsticos constituye una parte fundamental de la logstica, por as impicaciones que una variacin en sta supone en los principales procesos de la cadena de suministro (gestin de stocks, aprovisionamientos, transporte, fabricacin, nivel de servicio, etc.), y por los beneficios que proporciona su correcta estimacin y control. Considerando a a administracin de a cadena de suministro, la incertidumbre puede ser definida como eventos impredecibes que afectan a un comportamiento previsto de a cadena de suministro. Bayraktar et ai. (2008) analiza ei efecto Forrester o de amplificacin de a demanda a lo largo de toda a cadena de suministro, y analiza sus causas, entre las que el pronstico de la demanda tiene un ugar preferencial. El pronstico, en logstica, abarca la prediccin de la demanda con el objetivo de mejorar el flujo de informacin de la cadena de suministro de las empresas y, por tanto, preparar a la organizacin en el sentido de medios tcnicos, humanos y financieros para soportar operaciones futuras de a empresa: estimacin de compras, produccin, necesidades de almacenajes, transportes, etc. El objetivo de este trabajo es hallar un buen mtodo de pronstico para las ventas y para la programacin de inventarios y produccin de una empresa de conservas de la zona, que mejore el proceso que actualmente utilizan, y colaborar en una mejor programacin de las operaciones desarrolladas en la misma.

Marco Terico Con^iponentes de la demanda La demanda puede dividirse en 6 componentes: demanda promedio para el periodo, tendencia, componente estacional, componente ciclico, variacin aleatoria y autocorrelacin. En la figura 1 se ilustra una curva de demanda y se indican estos componentes.

22

Niimero de unidades demandadas

Ao Figura 1: Componentes de la demanda

Tipos de pronsticos
Existen cuatro tipos bsicos de proyeccin; cuaiitativa, anlisis de series de tiempo, de relaciones causales y de simulacin. Las tcnicas cualitativas son subjetivas. En el caso de las tcnicas cuatativas, un pronstico es el resuitado de juicios u opiniones de uno o ms expertos. Se utiiizan cuando no existen o no son suficientes los datos histricos o cuando ios mismos no son confiabies para predecir situaciones futuras. Dentro de este grupo est el mtodo Delphi, encuestas de mercado, analoga de tos cicios de vida, etc. En gnerai, estos mtodos son ms adecuados para el pronstico de mediano y largo piazo. Los mtodos cuantitativos definen explicitamente cmo se obtiene ei pronstico. Existen dos categoras bsicas de eiios: ios modeios causales y los modelos de series de tiempo. Un modelo de pronstico causai utiiiza una ms variables independientes para pronosticar el valor de una variabie dependiente o de respuesta. A partir de informacin acerca de dichas variabies se puede conducir un aniisis del modelo que se propone. Los modelos causales pueden ser de naturaleza estadstica como es el caso de los modelos de regresin y economtrlcos o descriptivos como el caso de ios modelos de entrada-salida, ciclo de vida y simuiacin por computadora. Una de las principales dificuitades de estos modeios es que resuita difcii encontrar verdaderas variabies causales. Los mtodos de proyeccin histrica o de series de tiempo utilizan un aniisis detaliado de ios patrones de ia demanda anterior en el transcurso dei tiempo y proyectan (extrapolar) tales patrones hacia el futuro. Existen diversos modeios que se aplican en el aniisis de series de tiempo que van desde muy simpies a muy compiejos. La eieccin de un mtodo para pronosticar depender en principio de: ei horizonte de tiempo durante ei que se quiere pronosticar corto, mediano o iargo piazo; la cantidad de datos histricos que se dispongan;

23

Rewsia Ingeniera Mustnal - Ao B^fi-

Pnmer Semestre 2009

la exactitud requerida; los recursos disponibles; la disponibilidad y capacitacin del personal responsable.

Tcnicas de anlisis de series de tiempo

Son numerosas las tcnicas desarrolladas utilizando los datos histricos. Dentro de stas, tal vez la tcnica ms til para el pronstico a corto plazo sea el ajuste exponencial (Ballou, 2004). En esta tcnica el pronstico de demanda para el siguiente perodo estar dado por: Pronstico nuevo= a * (demanda real) + (1-a) (pronstico anterior) (Ec.1) Siendo (j+i) = Pronstico para el periodo "i+1" ^ = factor de ponderacin o constante de ajuste exponencial H F, = Las ventas reales en periodo "i" = el pronstico realizado para el periodo "i" f

Derivado de este mtodo, se hallan los modelos de ajuste exponencial corregido por tendencia (Hot), por tendencia y estacionalidad (Holt - Winters). Otro mtodo que suele utilizarse por su facilidad de comprensin y aplicacin es promedio mvil simple y ponderado. La descomposicin clsica de las series de tiempo consiste en descomponer la serie histrica en los distintos componentes de demanda, y a partir de stos realizar la proyeccin. Modelo Box Jenkins: es un mtodo muy complejo de autocorrelacin, que permite un anlisis del modelo propuesto, ms preciso que lo que es posible con otros mtodos. La proyeccin enfocada: Son reglas sencillas y de sentido comn que se integran y luego se prueban para ver si deben conservarse, por ejemplo: La demanda de los prximos 3 meses ser igual (o superior) a la de los ltimos 3 meses Lo que se vender en el prximo bimestre es igual a lo que vendi en el mismo bimestre del ao anterior; Probablemente la venta del prximo trimestre sea 10% superior a la venta en el mismo trimestre del ao anterior Etc. En la prctica, los valores de las proyecciones pueden obtenerse en forma relativamente accesible, utilizando desde una simple planilla Excel hasta diversos softwares diseados a tal fin como pueden ser SPSS, Crystal Bal!, etc. Las diferencias entre estos soportes radica bsicamente en los mtodos que utilizan para obtener el pronstico, sus costos y la dificultad en su aplicacin. Algunos mtodos sencillos como el suavizado exponencial se suelen aplicar utilizando cualquiera de las herramientas mencionadas anteriormente. En el caso de querer aplicar la metodologa ARIMA o Box Jenkins, es necesario recurrir a sistemas ms sofisticados como el SPSS, dados la magnitud y diversidad de los clculos necesarios para su obtencin.

24

/SSN07T7-8I03

Error en el pronstico
Se define error como la diferencia entre el valor del pronstico y lo que realmente ocurri en dicho periodo. A partir del concepto que la demanda tiene un componente aleatorio, todos los pronsticos contienen con certeza algn error. Denominamos e, al error del pronstico que se define como:

e,=A,-F,
A= La demanda real en el perodo "i" F= Pronstico realizado para el periodo "i"

(Ec.2)

Existen varias formas de medir el error acumulativo del pronstico a largo plazo, durante varios periodos: La desviacin media absoluta MAD es una forma sencilla y til de medir el error. Es el promedio de todos los errores de la proyeccin, independientemente de que los errores sean positivos o negativos. Se calcula como:
"n 4

"

(Ec.3)

Siendo "n" la cantidad de periodos considerados. La Raiz Cuadrada de la Media del Error Cuadrtico Medio RMSE es otra forma de medir el error en e! pronstico y se obtiene de promediar los residuos al cuadrado.

"

(Ec.4)

En la prctica, la MAD se ha utilizado ampliamente en el trabajo de pronstico, porque es fcil de comprender y de utilizar. No obstante, el RMSE puede ser un mejor indicador que la MAD. Chan e al. (1999), asi como otros autores utilizan este criterio para seleccionar el mejor pronstico. A partir de suponer que los errores muy grandes en el pronstico tienen un impacto ms negativo que el efecto positivo generado por un error pequeo y considerando que por el clculo que se realiza, el RMSE asigna ms ponderacin a los errores grandes, es que se lo considera mejor criterio al momento de seleccionar el mtodo ms adecuado de pronstico. (Berenson e al. 2001; Fogartyea/. 1999)

Combinacin de pronsticos
La combinacin de los pronsticos es un concepto que en el ao 1969 fue enunciado por Bates y Granger (citado por Chan e a/, 1999). Ellos demostraron que si se realizaba una combinacin lineal de dos pronsticos, el resultado era un mejor pronstico, es decir, un pronstico con menor error. El concepto es que descartar la informacin arrojada por un mtodo de pronstico que no es bueno, a lo mejor se est descartando informacin valiosa. Posteriormente, numerosos autores tales como Newbold y Granger, (citado por Chan e al. 1999) demostraron que la combinacin emprica de los pronsticos mejoraba ia salida del mejor mtodo individua!. La combinacin de pronstico ha encontrado muchas aplicaciones

25

Revista ngenBrts Indutrial -AnoBffi

- Primer Soimstn KX

en ei campo de la meteorologa, economa, seguros y pronsticos de ventas. Los mtodos que se combinan pueden ser Box Jenkins, Holt Winter y Regresin, entre otros. Siguiendo el desarrollo de Newbold and Granger, estos proponen una combinacin lineal tal que:

=l

Donde F, es el pronstico para los distintos mtodos /, para el tiempo / y /( es el peso para los distintos mtodos de pronstico; OS k.^t y se elige en funcin de los errores individuales de cada pronstico. No obstante, an no hay una forma definitiva o generalmente aceptada para combinar los pronsticos. No necesariamente una forma ms sofisticada de combinarlos produce mejores resultados que un promedio simple de los mismos (Chan et al. 1999).

Alisamjento de la serie por suavizado exponencial

Es una metodologa que se propone en diversas fuentes que realizan anlisis estadstico de los datos (Berenson e al. 2001, entre otros). La suavizacin exponencia,I adems de ser un mtodo utilizado para realizar pronsticos tal como se indic anteriormente, sirve para alisar o emparejar la serie de tiempos, proporcionando una serie sin irregularidades y fluctuaciones , a fin de obtener la lnea de suavizado como seal clara , libre de variaciones estacionales y ptima para la prediccin.

METODOLOGA
Para el desarrollo de este trabajo se utilizaron los datos reales de ventas trimestrales de 5 aos (2002-2007) de una empresa conservera de la ciudad. La empresa actualmente fabrica y comercializa alrededor de 30 productos distintos de conserva de pescado. Para el anlisis, inicialmente se consider conveniente realizar una ordenacin de dichos productos de acuerdo con un criterio significativo. En consecuencia, se realiz un anlisis ABC que organiza los productos en orden creciente segn su valor unitario y volumen de ventas. Posteriormente, sobre dichos productos se aplicaron algunas de las tcnicas de pronstico desarrolladas anteriormente: Promedio Mvil, simple y doble; Suavizado exponencial, simple y doble Suavizado exponencial corregido por estacionalidad, multiplicativo y aditivo Holt - Winters, multiplicativo y aditivo - Box Jenkins (ARIVIA) Proyeccin enfocada Respecto del mtodo de proyeccin enfocada, fue analizado dado que es el mtodo que regularmente se utiliza en la programacin de la produccin de la fbrica de anlisis. El modelo de ARIMA se aplic utilizando el software SPSS; para la obtencin de los pronsticos aplicando la proyeccin enfocada, se confeccion una planilla Excel: finalmente para la aplicacin del resto de los mtodos se utiliz el software Crystal Ball A partir de los distintos pronsticos obtenidos se seleccionaron los mismos a travs de! mtodo que arroj menor RMSE para cada uno de los productos.

26

SSN07'I7-9fO3

Posteriormente se realiz un anlisis de los resultados, y se intentaron mejorar dichos pronsticos mediante: 1. Una combinacin de las distintas tcnicas utiizadas. 2. Suavizado previo sobre los datos originales y aplicacin de algn mtodo de pronstico sobre los mismos.

RESULTADOS Y DISCUSIN Anlisis ABC

En el anexo I se presenta la lista de los distintos productos fabricados y comercializados por la empresa, y en la figura 2 se han graficado los resultados del anlisis ABC realizado sobre los mismos.

Anlisis ABC

F. Acum

11

13

15

17

19

21

23

25

27

n* de producto

Figura 2: Anlisis ABC de los productos que fabrica y comercializa la empresa anaizada. El resultado obtenido hace recomendable trabajar sobre los 5 productos que figuran en la Tabla 1: Tabla 1: Productos case "A"

PRODUCTO ATN ENACEITE ATN AL NATURAL CABALLA EN ACEITE X 330 GS CABALLA AL NATURAL X 330 GS SARDINAS EN ACEITE

ABREVIATURA AA AN CA CN SA

27

Revis Irtgenlerle Irttustrial - Ao 6 W 1 - Primer Samestre 2009

Clculo de pronsticos
Se calcularon los pronsticos segn los mtodos mencionados. Cabe destacar que: 1. El software Crystal Baii realiza los pronsticos por ios mtodos mencionados y selecciona el mejor mtodo segn el menor RMSE. La Tabla 3 es ia sada tpica de este software. Tabla 3: Salida de Crystall Ball para pronstico de Atn en aceite Method Double Moving Average Hoit-Winters' Additive Seasonal Multiplicative Holt-Winters' Multiplicative Seasonal Additive Single Moving Average Singie Exponential Smoothing Double Exponential Smoothing RMSE 339,24 352 354.4 354,53 355.33 369,63 483,66 609,99 MAD 228,12 295.04 269,89 250,89 284,26 272,68 372,49 445,03 MAPE 39,17% 60,43% 47.76% 43,53% 57.55% 65,46% 88.58% 91.00%

Best: 2nd: 3rd: 4th: 5th: 6th: 7th: 8th:

2. Para ei clculo de ia proyeccin enfocada se utilizaron ios vaiores de ventas dei mismo trimestre correspondiente al ao anterior y se proyect fabricar vender un 10% ms, es decir:

3. Los modelos ARIMA se expresan en funcin de (p,d,q) regular y (P, D, Q)^ estacional. Estos parmetros fueron obtenidos analizando ia serie a travs de sus correiogramas (grficas de autocorrelacin). y corroborados por un test de significacin de t de Student. En la Tabla 4, se indican los pronsticos para cada uno de los productos ei RMSE y MAD como resultados de apiicar ios distintos mtodos. Tabla N" 4: Pronsticos para cada uno de ios productos RMSE y MAD por los distintos mtodos.
Atn al natural Promedia mvil doble ARIMA(1,1,0)(0,1,1)4 Proyeccin enfocada Caballa en aceite Suavizado exponencial corregido por eslactonalidad, multiplicativo ARIMA(0,1,0)(1,1,0)4 Proyeccin enfocada Caballa al natural Holt Winters Multiplicativo ARIMA(0,1,0)(1.1,0)4 Proyeccin enfocada Sardina en aceite Holt Winters Multiplicativo ARIMA(1,2,0)(1.1,0)4 Proyeccin enfocada RMSE 299,76 667,69 545,15 RMSE 953.75 2319.77 1861,92 RMSE 596,88 24212,93 1051,29 RMSE 792,68 1804,53 1263,94 MAD 196,46 348 394,82 MAD 812.65 1536,04 1490,8 MAD 463,67 7531,21 821,44 MAD 624,05 1206,11 1077,47

28

En la figura 3 y a titulo de ejemplo se grafican las ventas reales y el pronstico obtenido con el mtodo de promedio mvil doble, el mejor mtodo para este producto.

Atn en Aceite
1400 1200 1000 0 800 -

- p r o n s t i c o

|600 ^400 200 01 2 3 4 5 6 7 8 9 10 1 1 12 13 14 15 16 17

trimestre
Figura 3: Ventas reales y pronstico para AA. Mtodo de pronstico: Promedio mvil doble Como puede observarse, no se encontr un nico mtodo que sea el mejor para todos los productos, aunque si se puede observar que, para 3 de los 5 productos analizados, los mejores mtodos son aquellos que consideran a la estacionalidad dentro del modelo. En un trabajo previo, (Corres e a/. 2007) realizado sobre productos con caracteristicas similares (conservas de pescado de empresas de la zona) se encontraron resultados similares, y tambin se observ la caracterstica del componente estacional dentro de los mejores modelos. Esto se observa tambin en la figura 3. Respecto de los resultados obtenidos con la metodologa ARIMA, considerando todos los factores que se analizan, y como se ha mencionado, es el mtodo ms complejo y ms preciso; se esperaba que se obtuvieran, a partir de su aplicacin, los mejores pronsticos. No obstante, no arroj los resultados esperados. Esto puede deberse, otra vez, al fuerte componente estacional de los datos histricos. De acuerdo a Hanke & Wichern, (2006) la estacionalidad provoca que el modelo observe una cantidad de datos sensiblemente menor que los datos originales. Es decir, si tenemos, como en nuestro caso, 24 datos con estacionalidad 4, el modelo slo ve 6 datos. En consecuencia, y de acuerdo a las hiptesis de aplicacin del modelo Arima, se requiere de una cantidad relativamente grande de datos para que l mismo arroje pronsticos precisos. Otros autores (Povinelli, 1999) ya han encontrado tambin resultados similares, mencionando que esta forma de modelar las series no ajusta bien bajo condiciones de no estacionariedad, y ste es el caso de las series analizadas, si bien la no estacionariedad es salvada con las diferenciaciones y transformaciones. El pronstico enfocado es importante analizarlo, dado que es la metodologa que la empresa utiliza para programar sus actividades en el mediano y corto plazo. Considerando estos resultados, se puede concluir que dicho proceso puede mejorarse a partir de la utilizacin de

Rvista IngmMa Industrial Ano 8 ff 1- Primer Semestre 2009

diversos mtodos de pronstico. Los valores presentados en las tablas 4 revelan la disminucin del RSME, utilizando Crystall Bali en un porcentaje que va desde un 34 % (AA) hasta un 49%(CA), Es importante destacar, adems, que seleccionar un mtodo de pronstico para una determinada actividad no slo implica elegir el modelo de menor RMSE sino que adems hay que considerar otros factores {Schroeder, 2005) entre ellos la complejidad del sistema y la capacitacin necesaria del usuario, el tiempo y recursos disponibles para recopilar la informacin y preparar el pronstico, el costo del sistema computarizado; etc. En consecuencia, los resultados hallados indican que si se compara el software Crystal Ball respecto del SPSS, adems de haber obtenido modelos con menor RSME - para esta empresa analizada en particular- el primero present importantes ventajas, taies como: - su facilidad de manejo - rapidez en procesamiento de los datos - accesibilidad en la interpretacin de los resultados - su relativo bajo costo.

Mejora de los resultados encontrados

Si bien se cumplieron los objetivos planteados, y en la misma direccin, se mejoraron los pronsticos considerando distintas alternativas: 1. Combinacin de pronsticos: Una forma de combinar en forma sencilla los distintos pronsticos es presentada por Ballou 2004, quien sostiene que es posible ponderar los resultados de acuerdo con el error histrico promedio que produjeron (RSME). De esta forma, ningn resultado del modelo ser eliminado, no existiendo dependencia en el resultado del modelo que pareci mejor en forma histrica. Los resultados de esta ponderacin se indican en la Tabla 5 Tabla N*" 5: Resultados de ponderacin para los productos RMSE y MAD de acuerdo al mtodo.
Atn en aceite Promedio mvil doble ARIMA{1,1.0)(0,1,0)4 Proyeccin enfocada Total Atn al natural Promedio mvil doble ARIMA{1.1,0)(0,1,1)4 Proyeccin enfocada Total Caballa en aceite Suavizado exponencial cofregido por estacionalidad. multiplicativo ARIMA(0,1,0)(1.1.0)4 Proyeccin enfocada Total Caballa al natural Holt Winters Muttiplicalivo ARIMA(0,1,0)(1,1,0)4 Proyeccin enfocada Total Sardina en aceite Molt Winters Multiplicativo ARIMA(1,2,O)(1,1,0)4 Proysccin enfocada Total RMSE 339.24 577,75 516.01 1433 RMSE 299,76 667,69 545,15 1512.6 RMSE 953,75 2319,77 1861,92 5135.44 RMSE 596,88 24212,93 1051,29 25861,1 RMSE 792,68 1804,53 1263,94 3861.15 Ponderacin 0,45 0.26 0,29 1 Ponderacin 0,5 0.22 0,28 1 Ponderacin 0.52 0.21 0,.27 1 Ponderacin 0,63 0.01 0,36 1 Ponderacin 0,48 0,21 0,30 1

30

ISSN 0717-9103

Finalmente, y como resultado de combinar los pronsticos con los pesos calculados en la Tabla 5, se obtiene el RMSE del pronstico combinado para los 5 productos que se indica en Tabla 6. En la ltima columna de esta tabla se indica el porcentaje de disminucin del indicador, respecto al valor obtenido con el clculo inicial (Tabla 4). Tabla 6: RMSE para los 5 productos. Mtodo combinado de pronsticos

Producto AA AN CA CN SA

RSME 291,84 253,72 926,61 544.09 743.94

A%

14 15 3 9 6

A% es la disminucin de RSME respecto del RMSE del mejor pronstico obtenido Estos resultados indican que a travs del promedio ponderado es posible disminuir el error en el pronstico (9.4% en promedio), 2. Suavizado de las series reales. Se realiz un suavizado exponencial sobre las distintas series de ventas reales teniendo en cuenta el mismo perodo. Se descompuso la serie mensual inicial y se agruparon los datos de igual mes, se realiz el alisamiento por mes, se utiliz el a que arroj el menor error para cada perodo; posteriormente se rearm la serie alisada y se agruparon los datos por trimestre. Finalmente se calcularon los pronsticos sobre la serie obtenida. Los resultados hallados se transcriben en Tabla 7 y, al igual que en Tabla 6, la diferencia (disminucin) respecto al valor de RMSE obtenido con el clculo inicial del pronstico.

Tabla 7: RMSE para los 5 productos. Aplicacin de mtodos de pronsticos sobre serie suavizada (Crystal Ball)

Producto AA AN CA CN SA

Mtodo Promedio Mvil Doble Holt-Winters Multiplicativo Holt-Winters Multiplicativo Holt-Winters Multiplicativo SE Corregido por Estacionalidad, Multiplicativo

RSME 295,95 144,52 381,7 292,52 742,33

A%

13 52 60 51 6

Mediante este procedimiento se logr disminuir sensiblemente el error cometido (36.4% en promedio). Cabe destacar que dicho suavizado exponencial por trimestre se realiz utilizando el software Crystal Ball.

CONCLUSIONES
El anlisis ABC permiti identificar 5 productos como tipo A que la empresa debe considerar a la hora de realizar sus principales planificaciones relacionadas con los costos y la produccin;

31

ReWsto Ingeniera Industrial -AoBN1- Primer Semestre 2009

No se encontr un nico mtodo que sea e mejor para todos ios productos, aunque s se puede observar que, para el 60% de ios productos analizados, los mejores mtodos son aquellos que consideran a la estacionalidad dentro del modeo. La metodoogia ARIMA result ser bastante compleja respecto de las otras analizadas, y sus resultados no fueron los esperados debido al fuerte componente estacional que tienen los datos reaes, asi como tambin su falta de estacionariedad Considerando que el mtodo de proyeccin enfocada, definido como la expresin (5) es el mtodo de pronstico que utiiza a empresa, se concluye que utilizando mtodos de pronstico slo un poco ms complejos es posibe a reduccin de RSME en porcentajes que van desde un 34 % (AA) hasta un 49%{CA) Los resultados hallados indican que si se compara el software Crysta Bail respecto del SPSS, adems de haber obtenido mtodos con menor RSVIE - para esta empresa analizada en particuar- el primero present importantes ventajas respecto a la facilidad de manejo y de interpretacin de ios resultados, asi como tambin de sus costos asociados; La combinacin lineal de los resultados de los distintos mtodos de pronstico, considerando la ponderacin de los errores correspondientes a cada uno de ellos result en una forma muy simple de mejorar los pronsticos, reduciendo la mejor RSME en alrededor del 10% De a misma forma, el suavizado exponencial de los datos ogr disminuir en promedio un 36.4% el RMSE, siendo su obtencin tan sencila como en el modelo de promedios ponderados.

REFERENCIAS
Ballou, R. (2004). Logistica de los negocios y la cadena de sumnistros: un tema vital. En Logstica. Administracin de ia Cadena de Suministro.. Cap. 1. 5", ed. Editorial Prentice Hall, pp 32 Bayraktar, E., Lenny K, S.C, Gunasekaran, A., Sari, K., Tatoglu, E. (2008). The role of forecasting on bulwhip effect for E-SCM application, internationai Journai of Production Economics, 113, 193-204 Berenson, M., Levine, D., Krehbiel.T. (2001). Anlisis de Series de Tiempo. En Estad i stica para ia administracin. Cap. 11. 2^ ed.. Editorial Prentice Ha. pp 66 Chan, C.K., Kingsman, B.G., Wong, H. (1999). The value of combinig forecast in inventory management - a case study in banking. European Journai of Operational Research,^^7, 199210. Chu, CH.& Zhang, G. (2003). Acomparativestudy of inear and nonlinear modeis for aggregate retail sales forecasting, intemationai Journal of Production Economics, 86. 217-231 Corres, G., Esteban, A., Garca, J., Zarate, C. (2007). Anlisis de stocs de seguridad en un ambiente de fabricacin para inventario, 1 Congreso de Ingenieria Industrial COINI 2007, UNLAM. Argentina. Fogarty, D., Blackstone, J., Hoffmann, T. (1999). Pronsticos. En Administracin de la produccin e inventarios". Cap. 3. 2^. ed. Editorial CECSA. pp 43 Hanke, J. & Wichern, D. (2006). La metodologa Box Jenkins ARIMA. En Pronsticos en los negocios. Cap. 9 8 ed. Editorial Prentice Hall, pp 88

ISSN 0717-9103

Hillier, F. & Lieberman, G. (1997). Pronsticos. En Introduccin a la Investigacin de Operaciones. Cap.18. 6 ed, Editoriai Me Graw Hiii. Pov'me\\\,R.{^999).Timesseriesdataminig:ldentifyingtempo^alspattemsfo^characterization and prediction of time series events. Tesis de doctorado en Fosofia, Marquette Univesity, Milwaukee, Wisconsin. USA Schroeder, R. G. (2005). Administracin de Operaciones. 2^ed, Me Graw Hill Ediciones. Mjico.

Copyright of Revista Ingeniera Industrial is the property of Departamento de Ingenieria Industrial, Universidad del Bio-Bio and its content may not be copied or emailed to multiple sites or posted to a listserv without the copyright holder's express written permission. However, users may print, download, or email articles for individual use.

Copyright of Revista Ingeniera Industrial is the property of Departamento de Ingenieria Industrial, Universidad del Bio-Bio and its content may not be copied or emailed to multiple sites or posted to a listserv without the copyright holder's express written permission. However, users may print, download, or email articles for individual use.