Professional Documents
Culture Documents
Naturaleza de la
Decisin
Planificacin
Estratgica de
Negocios
Planificacin de
Ventas y
Operaciones
Programacin y
control maestro
de produccin
Nivel de
agregacin
Ventas totales o
volumen de
produccin
Unidades de
familia de
productos
Participacin de
la alta direccin
Intensivo
Frecuencia
pronstico
Duracin
pronstico
de
Anual o menos
del
Al conciliar los
planes
funcionales
Mensual
o
trimestral
De varios meses
a un ao por
meses
Moderado
Inversin
de
gestin en el
(los) pronstico
(s)
Costo
de
procesamiento y
adquisicin
de
datos
Tcnicas tiles
Muy grande
Productos
terminados
individuales o
componentes
Muy poco
Constantemente
Unos
das
semanas
Muy poco
Alto
Moderado
Mnimo
Juicio de gestin,
modelos
de
crecimiento
econmico,
regresin
Agregacin
previsiones
detalladas,
planes
clientes,
regresin
de
de
Tcnicas
de
proyeccin
(promedios
mviles,
suavizado
exponencial)
Prediccin
produccin
para
programacin
control
maestro
de
Rango de error
Cuando una lnea recta se adapta a travs de puntos de datos y luego se
utiliza para la previsin, los errores pueden provenir de dos fuentes. En
primer lugar, hay los errores habituales similares a la desviacin estndar
de cualquier conjunto de datos. En segundo lugar, hay errores que surgen
porque la lnea es incorrecta. La figura 3.9 muestra este rango de
error. Desarrollamos la estadstica ms adelante en el captulo; Aqu, vamos
a mostrar brevemente por qu la gama se ampla. Primero, visualice que se
dibuja una lnea que tiene algn error tal que se inclina demasiado
abruptamente hacia arriba. Los errores estndar se calculan para esta
lnea. Ahora visualice otra lnea que inclina demasiado abruptamente hacia
abajo. Tambin tiene un error estndar. El rango de error total, para este
anlisis, consiste en errores resultantes de ambas lneas, as como todas las
dems posibles lneas. Hemos incluido esta exposicin para mostrar cmo
el rango de error se ampla a medida que avanzamos en el futuro.
Moving-Average Forecasting
Los pronsticos de media mvil y de suavizado exponencial estn
relacionados con el promedio de la demanda pasada para proyectar una
previsin para la demanda futura. Esto implica que el patrn de demanda
subyacente, al menos durante los prximos das o semanas, es constante
con fluctuaciones aleatorias sobre el promedio. Por lo tanto, el objetivo es
suavizar las fluctuaciones aleatorias al mismo tiempo que son sensibles a
cualquier posible cambio que pueda tener lugar con el promedio
subyacente.
La Figura 3.10 muestra el nmero de casos de un lquido de limpieza
domstico enviado a tiendas minoristas desde un centro de distribucin de
la costa este en cada una de las ltimas nueve semanas. Si hubiera
solicitudes de envos que no pudieran cumplirse, sera deseable obtener esa
informacin para obtener mejores estimaciones de la demanda real. Para
nuestros ejemplos, sin embargo, consideraremos los envos para
representar la demanda. La demanda anterior se representa en la figura
3.11.
Un procedimiento tentador sera simplemente trazar una lnea a travs de
los puntos de datos y usar esa lnea como nuestra estimacin para la
semana 33 y las semanas subsiguientes. Sin embargo, esto requerira una
participacin constante de la direccin en la elaboracin de las
previsiones. En lugar de trazar una lnea a travs de los puntos de la figura
3.11 para encontrar el promedio, podramos simplemente calcular el
promedio aritmtico de las nueve observaciones histricas. Dado que
estamos interesados en el promedio de datos pasados para proyectar en el
futuro, podramos incluso usar un promedio de todos los datos de la
demanda pasada disponibles para propsitos de pronstico. Hay varias
razones, sin embargo, por qu esto no puede ser una forma deseable de
suavizado. En primer lugar, puede haber tantos perodos de datos pasados
que almacenarlos a todos es un problema. En segundo lugar, a menudo la
historia ms reciente es ms relevante para pronosticar la demanda a corto
plazo en un futuro prximo. Los datos recientes pueden revelar las
condiciones actuales mejor que los datos de varios meses o aos. Por estas
razones, el procedimiento de media mvil utiliza slo algunas de las
observaciones de demanda ms recientes.
El modelo de media mvil para suavizar la demanda histrica procede,
como su nombre indica, promediando un nmero seleccionado de perodos
de datos pasados. El promedio se mueve porque un nuevo promedio se
puede calcular cada vez que se determina la demanda de un nuevo
perodo. Siempre que se necesite una prediccin, se utiliza la historia
pasada ms reciente de la demanda para calcular el promedio. La ecuacin
(3.5) muestra el modelo para encontrar la media mvil. La ecuacin
muestra que el pronstico del promedio mvil siempre usa los ltimos n
perodos de informacin histrica disponibles para desarrollar el
pronstico. Observe que el promedio mvil es la previsin de la demanda
para los periodos siguientes y subsiguientes. Esta convencin de la
sincronizacin necesita ser entendida claramente. Estamos al final del
perodo t; Sabemos que la demanda en el perodo t y las previsiones se
hacen para los perodos t + 1, o t + X perodos en el futuro. No se hacen
pronsticos para el perodo t ya que se conoce la demanda de ese
perodo. La figura 3.12 muestra clculos de muestras para el nmero de
casos enviados.
Observar que el modelo de media mvil suaviza los datos histricos, pero
lo hace con un peso igual en cada pieza de informacin histrica. Podramos
ajustar esto, por supuesto, incorporando pesos diferentes en perodos
pasados. De hecho, el modelo de media mvil ponderada hace exactamente
eso, pero a costa de la complejidad y ms almacenamiento de
datos. Adems, algunos datos no juegan ningn papel en hacer un
pronstico de media mvil. Por ejemplo, la demanda de 900 en la semana
27 no tiene peso en el promedio mvil de tres periodos pronosticados para
el perodo 33. El suavizado exponencial aborda estas dos consideraciones al
hacer pronsticos.
Pronstico de la pirmide
Cuando la base de la previsin global de las ventas y las operaciones de
planificacin es la suma de las previsiones de niveles de productos
producidos por, digamos, de suavizado exponencial, es poco probable que
esta suma se correspondera con las previsiones globales desarrollados por
otras fuentes. Sin embargo, por ejemplo, el conocimiento de los clientes "y
los planes de marketing deben tenerse en cuenta a nivel de artculo
individual. Adems, puede haber restricciones presupuestarias, metas de
ingresos, u otras consideraciones empresa que dan forma a las previsiones
agregadas que deben tenerse en cuenta en el desarrollo de las previsiones
finales a nivel de artculo. Un procedimiento para hacer esto es la prediccin
de la pirmide. Proporciona un medio para coordinar, integrar, y asegurando
la coherencia entre las distintas fuentes de pronsticos y todas las
restricciones de la empresa o metas.
Figura 3.18 proporciona el marco bsico para el pronstico de la pirmide. El
procedimiento utilizado en la aplicacin del enfoque a menudo comienza
con las previsiones del artculo Oferta individuales en el nivel 3, que estn
enrolladas en las previsiones para las lneas de productos que se muestran
como nivel 2. pronsticos entonces agregados para las lneas de producto
en una previsin de negocio total (en dlares) a nivel 1 en la Figura
3.18. Una vez que las previsiones del artculo y la lnea de productos
individuales se han enrollado y considerado en la finalizacin de la previsin
de la alta direccin (plan), el siguiente paso es forzar a la baja (limitar) la
lnea de productos y las previsiones de artculos individuales, por lo que son
compatibles con el plan .
En el ejemplo mostrado en la Figura 3.19, los 11 artculos de productos
individuales se dividen en dos lneas de productos. Dos de estos artculos,
X1 y X2, lnea de productos de forma X (que estudiaremos en detalle),
mientras que el resto de productos, a travs de Z1 Z9, estn incluidos en la
lnea de productos Z. Estas dos lneas de productos, X y Z, representan la
toda la gama de productos de la firma. La figura 3.19 muestra los precios
unitarios y los pronsticos iniciales para cada nivel.
El proceso de puesta en marcha se inicia mediante la suma de las
previsiones de artculos individuales (nivel 3) para proporcionar un total
para cada lnea (nivel 2). Para la lnea X, la previsin enrollable es 13.045
unidades (8.200 + 4.845). La suma de los elementos de lnea individuales Z
da una previsin de 28.050 unidades. Tenga en cuenta que la lnea X
enrollable no se corresponde con la previsin de 15.000 unidades de la
lnea. Si hay desacuerdo sustancial en esta etapa, la reconciliacin podra
producirse un error o podra ser descubierto. Si hay que haber reconciliacin
en este nivel, no tenemos que preparamos pronsticos independientes para
las lneas. Si se requieren previsiones de dlar en el nivel 2, los precios en el
nivel 3 se pueden utilizar para calcular un precio medio.
Para enrollar con las previsiones de dlar de nivel 1, los precios medios en el
nivel de lnea se combinan con las previsiones de enrollado de lnea. El total
de $ 778.460:
= $ 778,460 (13,045 x 16,67) + (28.050 x 20.00)
es inferior a la previsin de negocios independiente de $ 950.000. gestin
con fines ilustrativos, asumiremos que ha evaluado la previsin de negocio y
la previsin enrollable y ha decidido utilizar $ 900.000 como la previsin en
el nivel 1. La siguiente tarea es hacer que las previsiones de lnea y de
elemento individual consistente con esta cantidad. Para lograr la
consistencia, utilizamos el proceso forzado hacia abajo. La relacin entre el
concluyendo Principios
En este captulo, hemos revisado algunas de las tcnicas ms bsicas de
previsin. Tambin hemos cubierto el razonamiento detrs de la agregacin
de las previsiones y se reconcilian previsiones para fines de planificacin.
Los modelos de pronstico no deben ser ms complicado de lo
necesario. Los modelos simples a menudo funcionan mejor que las ms
complicadas.
Los datos de entrada y los pronsticos de produccin deben ser
controlados rutinariamente por la calidad y la pertinencia.
Informacin sobre las fuentes de variacin en las ventas, tales como la
estacionalidad, las tendencias del mercado y polticas de la empresa, debe
ser incorporado en el sistema de previsin.
Las previsiones de diferentes fuentes deben reconciliarse y estar
coherentes con los planes de la compaa y limitaciones.