Prediccin

En este captulo, tratamos principalmente de preparar la informacin de

pronstico para los vnculos MPC dentro del front-end MPC (por ejemplo,
entre SOP y MPS y gestin de la demanda). La informacin de pronstico
puede provenir de una variedad de fuentes, tener diferentes niveles de
agregacin, incorporar diferentes suposiciones sobre el mercado, y
manifestar otras diferencias que necesitan reconciliacin antes de que
pueda usarse para la planificacin y el control. Aqu examinamos algunas de
las bases sobre las que se determinan los mtodos de prediccin, algunos
de los razonamientos detrs de la agregacin de las previsiones, y algunos
de los medios por los cuales las previsiones se reconcilian con fines de
planificacin.
Este captulo est organizado en torno a los siguientes temas:
Proporcionar informacin de pronstico apropiada: Cules son las
necesidades de informacin de pronstico dentro de la empresa?
Tcnicas de anlisis de regresin y de descomposicin cclica: Cules son
las tcnicas ms utilizadas para los pronsticos intermedios? Cmo se
considera la estacionalidad en el modelo de prediccin?
Tcnicas de pronstico a corto plazo: Qu tcnicas son tiles para los
pronsticos individuales a corto plazo y cules son las mtricas de la calidad
pronosticada?
Utilizar las previsiones: Qu tcnicas son tiles para mantener
sincronizadas las previsiones detalladas y los planes de gestin agregados?

Cmo proporcionar informacin de pronstico apropiada

Los gerentes necesitan pronsticos para una variedad de decisiones. Entre
stas se encuentran decisiones estratgicas que incluyen la construccin de
una nueva planta, el desarrollo de la capacidad de los proveedores, la
expansin internacional y otras consideraciones a largo plazo de la
empresa. Las previsiones para este tipo de decisiones son estimaciones
sumamente agregadas de las tendencias generales del negocio a largo
plazo. Estos pronsticos basados en trminos generales son demasiado
generales para la planificacin de ventas y operaciones, a pesar de que es
necesaria alguna agregacin para el SOP. Las necesidades de previsin para
ambas aplicaciones (consideraciones estratgicas y planificacin de ventas
y operaciones) son diferentes, tambin, de las previsiones que se necesitan
para la planificacin a corto plazo y la toma de decisiones de ejecucin en la
programacin de produccin maestra. No slo la base del pronstico es
diferente para cada una de estas aplicaciones, sino tambin la inversin en
pronsticos, la naturaleza de las tcnicas utilizadas y la frecuencia. Un
marco para algunas de las diferencias se proporciona en la Figura 3.1.

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

Aos por aos o

trimestres

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)

El principio general aqu indicado es que la naturaleza de la previsin debe

coincidir con la naturaleza de la decisin. El nivel de agregacin, el monto
de la revisin de la administracin, el costo y el perodo de tiempo del
pronstico necesario depende realmente de la naturaleza de la decisin que
se tome. Adems, la fuente de la prediccin tambin puede variar segn la
necesidad, como se indica en la lnea de tcnicas tiles de la figura 3.1. La
frecuencia y el nmero de pronsticos necesarios para la mayora de las
decisiones de operacin a corto plazo no justifican una participacin
extensiva de la administracin, por lo que se utilizan pronsticos generados
por computadora. Las decisiones estratgicas, por otro lado, son menos
frecuentes y con mayor riesgo, lo que justifica el uso de procedimientos ms
caros y la participacin de la administracin.

Planificacin estratgica de negocios

Entre las decisiones que requieren pronsticos a largo plazo, ampliamente
basadas son aquellas que implican proyectos de expansin de capital,
propuestas para desarrollar una nueva lnea de productos y oportunidades
de fusin o adquisicin. Los pronsticos se suelen expresar en trminos
muy generales, como el total de dlares de ventas o alguna medida de
produccin, como toneladas totales, pies de tabla o horas de
ingeniera. Este nivel de agregacin puede estar relacionado con indicadores

econmicos y empresariales como el producto nacional bruto, el ingreso

disponible neto o la cuota de mercado de una industria en particular. A su
vez, se relaciona con medidas de capacidad que pueden ser necesarias para
satisfacer las demandas futuras. Para preparar y revisar estos pronsticos
se requiere un criterio sustancial de gestin, ya que el riesgo de hacer (o no
hacer) una inversin puede ser muy grande.
Los modelos causales y las herramientas estadsticas de anlisis de
correlacin y regresin pueden usarse para aumentar la visin y el juicio
administrativo necesarios para realizar estas previsiones. Dichos modelos
relacionan los negocios de la empresa con indicadores que se pronostican
con mayor facilidad o que estn disponibles como informacin general. Por
ejemplo, los aparatos domsticos y las ventas de muebles estn
estrechamente relacionados con las viviendas. Las viviendas iniciadas y los
permisos de construccin en un rea suelen ser informacin pblica,
fcilmente accesible a la empresa. La relacin entre el inicio de viviendas y
las ventas de muebles puede ser estadsticamente modelado para
proporcionar otra previsin de la demanda. Adems, hay medidas de
exactitud disponibles con las tcnicas estadsticas para ayudar a determinar
la utilidad de la previsin. Adems, el uso de estos modelos puede conducir
a mejores resultados de pronstico y puede ayudar a neutralizar cualquier
emocin involucrada en la decisin.

Planificacin de Ventas y Planificacin de Operaciones

Los pronsticos necesarios para las ventas y la planificacin de las
operaciones, en ltima instancia, proporcionan la base para los planes que
normalmente se expresan en trminos de ventas planificadas y producto de
las familias de productos en dlares o alguna otra medida agregada. Los
planes se extienden por algunos meses hasta un ao en el futuro para cada
una de las lneas de productos que cubren. Por lo tanto, los pronsticos
tambin deben agregarse al nivel de la familia de productos y cubrir el
mismo (o mayor) nmero de perodos.
Un aporte importante a las previsiones para SOP es la informacin sobre los
planes de los clientes y la informacin de la demanda actual. Los
conocimientos sobre los planes futuros del cliente se obtienen a travs de
discusiones con el marketing y la comunicacin con los clientes a travs de
la gestin de la demanda. Esta informacin se puede aumentar con los
datos actuales sobre saldos de inventario, niveles de demanda y
preferencias de mezcla de productos a travs de programas como CRM e
inventario gestionado por el proveedor (VMI). Estas son fuentes importantes
de informacin para el desarrollo de los planes de ventas y operaciones.
Un medio comn para producir una previsin agregada para SOP es sumar
las previsiones para los productos individuales en cada lnea de
productos. Estos totales pueden ajustarse incorporando el conocimiento de
los planes de los clientes, las tendencias actuales y cualquier plan de
mercadeo que influya en la demanda. Sin embargo, las previsiones se
desarrollan, la visin de la gestin y el juicio son importantes en el uso de
ellos para desarrollar los planes. Desarrollar el pronstico no es lo mismo
que desarrollar el plan.

Prediccin
produccin

para

programacin

control

maestro

de

La gestin de la demanda soporta las decisiones tomadas en el mdulo de

programacin de la produccin maestra al proporcionar previsiones
detalladas de manera casi continua. El resultado de las decisiones de MPS
es una declaracin de cuntos de un producto terminado o componente a
hacer y cundo hacerlo. Estas decisiones se producen constantemente a
medida que cambian las condiciones en el mercado y en la fabricacin. En
consecuencia, el flujo de informacin de previsin a la MPS es
frecuente y detallado.
Adems, ocurren constantemente decisiones de control que cambian las
prioridades de produccin, asignacin de inventario y destinos de envos. A
medida que los productos pasan de la compra de materia prima a la
distribucin de productos terminados, se producen cambios que requieren
ajustes en todas las reas del proceso. Para compensar estos cambios, las
decisiones de control deben hacerse rpida y eficientemente para mantener
el producto en movimiento hacia el cliente. Si la demanda del producto
es dependiente, entonces el tiempo y las cantidades se pueden
calcular a partir de los planes para sus padres (los productos que
se utilizan en); Si la demanda es independiente, entonces debe ser
pronosticada. Las previsiones para apoyar estas decisiones diarias de
control deben ser frecuentes, detalladas y oportunas.
Para producir estos pronsticos detallados, es ms comn el uso de
procedimientos mecnicos, procedimientos que se pueden incorporar en el
software de gestin de demanda. La mayora de las veces, estos son
modelos para "lanzar hacia adelante" la informacin histrica para hacer el
"pronstico". Implcito en este proceso est la creencia de que las
condiciones pasadas que produjeron la demanda histrica no
cambiarn. Sin embargo, no debemos extraer de esto la impresin de que
los gerentes siempre pueden confiar en la informacin del pasado para
estimar la actividad futura. En primer lugar, en ciertos casos, simplemente
no tenemos datos pasados. Esto ocurre, por ejemplo, cuando se introduce
un nuevo producto, se planea una futura promocin de ventas, aparece un
nuevo competidor, o una nueva legislacin afecta a nuestro negocio. Todas
estas circunstancias ilustran la necesidad de una revisin de la gestin y la
modificacin del pronstico donde se debe tener en cuenta el conocimiento
especial.
Estos diferentes enfoques simplemente subrayan la variedad de fuentes, la
agregacin y los propsitos de los pronsticos. En las dos secciones
siguientes, ilustramos las tcnicas que son apropiadas para dos propsitos
de pronstico diferentes. En el primero, abordamos la cuestin de la
previsin de la demanda para los prximos 6 a 18 meses en el
futuro. Esto sera apropiado para hacer planes relacionados con equipos de
ventas de personal, planificacin de la capacidad de produccin, estimacin
de los niveles de inventario agregados y anlisis de flujo de efectivo. Aqu,
introducimos el anlisis de regresin lineal y mostramos cmo aumenta el
enfoque con los ajustes de la estacionalidad y otros factores
cclicos. Despus de esto, discutiremos tcnicas apropiadas para pronsticos
que se extienden por 2 a 8 semanas en el futuro . Estas tcnicas de
pronstico a corto plazo se usan comnmente en sistemas de control de

inventario para activar rdenes de reposicin de artculos que estn siendo

controlados activamente (discutimos estos tipos de sistemas en el Captulo
11).

Anlisis de regresin y tcnicas de descomposicin

cclica
La regresin puede definirse como una relacin funcional entre dos o ms
variables correlacionadas. Se utiliza para predecir una variable dada la
otra. La relacin suele desarrollarse a partir de los datos observados. Los
datos deben trazarse primero para ver si aparecen lineales o si al menos
partes de los datos son lineales. La regresin lineal se refiere a la clase
especial de regresin donde la relacin entre las variables forma una lnea
recta.
La lnea de regresin lineal es de la forma Y = a + bX, donde Y es el valor
de la variable dependiente para la que estamos resolviendo, a es la
interseccin en Y, b es la pendiente y X es la variable independiente. (En el
anlisis de series de tiempo, X es unidades de tiempo.)
La regresin lineal es til para el pronstico a largo plazo de las
ocurrencias mayores y la planificacin agregada. Por ejemplo, la
regresin lineal sera muy til para pronosticar las demandas de
familias de productos. A pesar de que la demanda de productos
individuales dentro de una familia puede variar ampliamente durante un
perodo de tiempo, la demanda de la familia total de productos es
sorprendentemente suave.
La principal restriccin en el uso de la previsin de regresin lineal es, como
su nombre indica, que los datos pasados y las proyecciones futuras se
supone que caen alrededor de una lnea recta. Aunque esto limita su
aplicacin, a veces, si usamos un perodo ms corto de tiempo, el anlisis
de regresin lineal todava se puede usar. Por ejemplo, pueden existir
segmentos cortos del periodo ms largo que sean aproximadamente
lineales.
La regresin lineal se utiliza tanto para la prediccin de series temporales
como para la prediccin de las relaciones causales. Cuando la variable
dependiente (normalmente el eje vertical en un grfico) cambia como
resultado del tiempo (trazado como el eje horizontal), es el anlisis de
series temporales. Si una variable cambia debido al cambio en otra variable,
se trata de una relacin causal (como el nmero de muertes por cncer de
pulmn que aumenta con el nmero de personas que fuman). Utilizamos el
siguiente ejemplo para demostrar el anlisis de regresin lineal por mnimos
cuadrados.
Ejemplo
El mtodo de mnimos cuadrados intenta ajustar la lnea a los datos que
minimiza la suma de los cuadrados de la distancia vertical entre cada punto
de datos y su punto correspondiente en la lnea. Si se dibuja una lnea recta
a travs del rea general de los puntos, la diferencia entre el punto y la
lnea es y-Y. La Figura 3.2 muestra estas diferencias.

Descomposicin de una serie de tiempo

Una
serie
temporal
puede
definirse
como
datos
ordenados
cronolgicamente que pueden contener uno o ms componentes de la
demanda: tendencia, estacional, cclica, autocorrelacin y aleatoria. La
descomposicin de una serie cronolgica implica identificar y separar los
datos de la serie temporal en estos componentes. En la prctica, es
relativamente fcil identificar la tendencia (incluso sin anlisis matemtico,
generalmente es fcil trazar y ver la direccin del movimiento) y el
componente estacional (comparando el mismo perodo de un ao a otro). Es
considerablemente ms difcil identificar los ciclos (estos pueden ser
muchos meses o aos), autocorrelacin y componentes aleatorios. (Por lo
general, el pronosticador llama al azar todo lo que queda que no pueda ser
identificado como otro componente.)
Cuando la demanda contiene efectos estacionales y de tendencia al mismo
tiempo, la cuestin es cmo se relacionan entre s. En esta descripcin,
examinamos dos tipos de variacin estacional: aditivo y multiplicativo.

Variacin estacional aditiva

La variacin estacional aditiva supone simplemente que la cantidad
estacional es una constante, no importa cul sea la tendencia o la cantidad
promedio.
Pronstico incluyendo tendencia y estacional = Tendencia + Estacional
La Figura 3.5A muestra un ejemplo de tendencia creciente con cantidades
estacionales constantes.

Variacin Estacional Multiplicativa

En la variacin estacional multiplicativa, la tendencia se multiplica por los
factores estacionales.
Pronstico incluyendo tendencia y estacional = Tendencia X Factor
estacional
La Figura 3.5B muestra que la variacin estacional aumenta a medida que la
tendencia aumenta debido a que su tamao depende de la tendencia.
La
variacin
estacional
multiplicativa
es
la
experiencia
habitual. Esencialmente, esto dice que cuanto mayor es la cantidad bsica
proyectada, mayor es la variacin alrededor de esto que podemos esperar.

Factor estacional (o ndice)

Un factor estacional es la cantidad de correccin necesaria en una serie de

tiempo para ajustar la temporada del ao.
Por lo general asociamos estacionalidad con un perodo del ao
caracterizado por alguna actividad particular. Utilizamos la palabra cclico
para indicar periodos recurrentes de actividad repetitiva que no sean
anuales.
Los siguientes ejemplos muestran cmo se determinan los ndices
estacionales y se utilizan para pronosticar (1) un clculo simple basado en
datos estacionales pasados y (2) la tendencia y el ndice estacional de una
lnea de regresin ajustada a mano. Seguimos esto con un procedimiento
ms formal para la descomposicin de datos y pronsticos usando la
regresin de mnimos cuadrados.
Ejemplo
El factor estacional puede actualizarse peridicamente a medida que se
disponga de nuevos datos. El siguiente ejemplo muestra el factor estacional
y la variacin estacional multiplicativa.

Descomposicin mediante la regresin de mnimos cuadrados

La descomposicin de una serie de tiempo significa encontrar los
componentes bsicos de la serie de tendencia, estacional y cclica. Los
ndices se calculan para las estaciones y los ciclos. El procedimiento de
pronstico invierte entonces el proceso proyectando la tendencia y
ajustndola por los ndices estacionales y cclicos, que se determinaron en el
proceso de descomposicin. Ms formalmente, el proceso es
1. Descomponer la serie temporal en sus componentes.
a. Busque el componente estacional.
b. Deseasonalize la demanda.
c. Buscar componente de tendencia.
2. Predecir los valores futuros de cada componente.
a. Componente de la tendencia del proyecto en el futuro.
b. Multiplicar el componente de tendencia por componente estacional.
Tenga en cuenta que el componente aleatorio no est incluido en esta
lista. Eliminamos implcitamente el componente aleatorio de la serie de
tiempo cuando medimos como en el paso 1. Es intil intentar una
proyeccin del componente aleatorio en el paso 2 a menos que tengamos
informacin acerca de algn evento inusual, como un conflicto laboral
importante, que podra afectar adversamente la demanda del producto (y
esto no sera realmente al azar).

La figura 3.7 muestra la descomposicin de una serie de tiempo utilizando

regresin por mnimos cuadrados y los mismos datos bsicos que usamos
en nuestros ejemplos anteriores. Cada punto de datos corresponde a un
trimestre nico trimestral del perodo de tres aos (12 trimestres). Nuestro
objetivo es prever la demanda para los cuatro trimestres del cuarto ao.
Paso 1. Determine el factor estacional (o ndice).
Paso 2. Desestacionalizar los datos originales.
Para eliminar el efecto estacional sobre los datos, dividimos los datos
originales por el factor estacional.
Paso 3. Desarrolle una lnea de regresin de mnimos cuadrados para los
datos desestacionalizados.
El propsito aqu es desarrollar una ecuacin para la lnea de tendencia Y,
que luego modificamos con el factor estacional
Paso 4. Proyectar la lnea de regresin a travs del perodo que se va a
pronosticar.
Paso 5. Crear el pronstico final ajustando la lnea de regresin por el factor
estacional.

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.

Tcnicas de pronstico a corto plazo

En esta seccin, introduciremos dos tcnicas de prediccin a corto plazo
muy comunes: medias mviles y suavizado exponencial. Elegimos estos
procedimientos ya que estn comnmente disponibles en software
comercial y cumplen con los criterios de bajo costo y poca participacin de
la administracin. Las tcnicas son simples medios matemticos para
convertir informacin pasada en pronsticos. Los procedimientos, a menudo
denominados modelos de prediccin estadstica, pueden automatizarse
fcilmente e incorporarse a las actividades de gestin de la demanda.

Hay una serie de procedimientos de pronstico ms complicados que se han

desarrollado y hemos contemplado incluir algunos de ellos en este libro,
pero la investigacin ha demostrado que los procedimientos simples para
ser al menos tan eficaz, especialmente para los pronsticos detallados y
frecuentes. Por ejemplo, Bernard Smith desarroll un novedoso enfoque de
prediccin a corto plazo llamado prediccin de focos. Se trata de evaluar
varios modelos simples de prediccin y elegir el que mejor se comport en
el pasado para hacer la previsin actual. Flores y Whybark compararon el
pronstico del foco y un promedio de todos los pronsticos producidos con
el suavizado exponencial simple. El suavizado exponencial simple realiz el
mejor.
En otro estudio, Spyros Makridakis y sus colegas desafiaron a los expertos a
una competencia de pronstico. Un total de 21 modelos de prediccin se
probaron en 1.001 conjuntos de datos reales. La precisin de la prediccin
se determin con cinco medidas diferentes. No hubo un modelo que
consistentemente super a todos los dems para todas las series, pero una
conclusin fue muy clara. Los mtodos simples son mejores que los
modelos ms sofisticados para pronsticos detallados, especialmente
durante perodos cortos. Otra conclusin fue que cualquier conocimiento
especial sobre los patrones de demanda debera utilizarse para desarrollar
el pronstico. Si usted ignora el patrn de ventas estacionales de trajes de
bao, lo hace a su propio riesgo.

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 Suavizado Exponencial

El modelo de suavizado exponencial para la prediccin no elimina ninguna
informacin anterior, sino que ajusta los pesos dados a los datos anteriores
que los datos antiguos obtienen cada vez menos peso (de ah el nombre de
suavizado exponencial). La idea bsica es bastante sencilla y tiene un gran
atractivo intuitivo. Cada nuevo pronstico se basa en un promedio que se
ajusta cada vez que hay un nuevo error de pronstico. Por ejemplo, si
prevemos 90 unidades de demanda de un artculo en un perodo
determinado y la demanda real de ese artculo resulta ser 100 unidades,
una idea atractiva sera aumentar nuestro pronstico con una parte del error
de 10 unidades al hacer la previsin del prximo perodo. De esta manera,
si el error indicaba que la demanda estaba cambiando, comenzaramos a
cambiar la previsin. Es posible que no desee incorporar todo el error (es
decir, aadir 10 unidades), ya que el error puede haber sido debido a
variaciones al azar alrededor de la media.

La proporcin del error que se incorporar en el pronstico se denomina

constante de suavizacin exponencial y se identifica como alfa. El modelo
para calcular el nuevo promedio aparece en la ecuacin (3.6) como
acabamos de describir. La ecuacin (3.7) proporciona la forma
computacional ms comn de la media exponencialmente suavizada. La
nueva media exponencialmente suavizada es de nuevo la previsin para los
perodos siguiente y posterior. Se utiliza la misma convencin de
temporizacin; Es decir, la previsin se hace al final del perodo t para el
perodo t + X en el futuro. La Figura 3.13 muestra clculos de ejemplo para
el nmero de casos enviados.
Vamos a comparar los procedimientos de prediccin de suavizado
exponencial y de media mvil. La Figura 3.14 compara un MAF de cinco
perodos con un ESF usando = 0,3. Al preparar la previsin para el perodo
28, el MAF de cinco perodos aplicara un 20 por ciento de peso a cada una
de las cinco demandas reales ms recientes. El modelo ESF (con = 0,3)
aplicara un 30 por ciento de peso a la demanda real en el perodo 27 como
se ve aqu:
El resultado de este clculo es un peso de 0,21 (0,7 x 0,3) que se aplica a la
demanda real en el perodo 26 cuando la previsin para los perodos 28 y
ms all se hace al final del perodo 27. Por sustitucin similar, podemos
derivar toda la lnea Para los pesos del ESF en la Figura 3.14. El grfico 3.14
muestra que, para la previsin hecha al final del perodo 27, el 30 por ciento
del peso est unido a la demanda real en el perodo 27, 21 por ciento para
el perodo 26 y 15 por ciento para el perodo 25. La suma de estos pesos, 66
Por ciento, es el peso puesto en los ltimos tres perodos de demanda. La
suma de todos los pesos dados para el modelo del FSE en la figura 3.14 es
94 por ciento. Si continuamos encontrando los pesos para los perodos 19,
18 y as sucesivamente, la suma para todos los pesos es 1,0, como nos dira
la intuicin. Si la constante de suavizado era 0,1 en lugar de 0,3, una tabla
como la de la figura 3.14 tendra valores de 0,1, 0,09 y 0,081 para los pesos
de los perodos 27, 26 y 25, respectivamente. La suma de estos tres (27 por
ciento) es el peso puesto en los ltimos tres perodos. Por otra parte, (1 27% = 73%) es el peso dado a todos los datos reales ms de tres perodos
de edad.
Este resultado muestra que los valores mayores de alfa dan ms peso a las
demandas recientes y utilizan datos de demanda ms antiguos menos que
en el caso de valores menores de alfa; Es decir, los valores mayores de alfa
proporcionan pronsticos ms sensibles y los valores ms pequeos
producen pronsticos ms estables. El mismo argumento se puede hacer
para el nmero de perodos en un modelo de MAF. sta es la compensacin
bsica para determinar qu constante de suavizacin (o longitud de la
media mvil) se utilizar en un procedimiento de pronstico. Cuanto ms
alta sea la constante de suavizado o ms corta la media mvil, las
previsiones ms sensibles son a los cambios en la demanda subyacente,
pero cuanto ms "nerviosos" estn en presencia de aleatoriedad. De
manera similar, las constantes de suavizado ms pequeas o los promedios
mviles ms largos proporcionan estabilidad frente a la aleatoriedad, pero
reacciones ms lentas a los cambios en la demanda subyacente. En ltima
instancia, sin embargo, el equilibrio entre estabilidad y capacidad de
respuesta se refleja en la calidad de las previsiones, tema al que ahora nos
referimos.

Evaluacin de las previsiones

En ltima instancia, por supuesto, la calidad de cualquier pronstico se
refleja en la calidad de las decisiones basadas en el pronstico. Esto lleva a
sugerir que la comparacin ideal de los procedimientos de pronstico se
basara en los costos de produccin del pronstico y el valor del pronstico
para la decisin. A partir de estos datos, podra hacerse el equilibrio
apropiado entre el costo de desarrollo y el costo de tomar decisiones con
pronsticos de calidad variable. Desafortunadamente, ninguno de los costos
se mide fcilmente. Adems, dicho esquema sugiere que podra ser
necesario un procedimiento de prediccin diferente para cada decisin, una
posibilidad
indeseablemente
compleja. Como
resultado
de
estas
complicaciones, nos basamos en algunas medidas directas de la calidad de
los pronsticos.
Para cualquier procedimiento de pronstico, desarrollamos, un criterio
importante es la honestidad, o la falta de sesgo; Es decir, el procedimiento
debe producir pronsticos que no son consistentemente altos ni
consistentemente bajos. Debido a que estamos tratando de proyectar datos
pasados, la falta de sesgo significa suavizar la aleatoriedad de los datos
pasados de modo que las previsiones que son demasiado altas son
compensadas por Pronsticos que son demasiado bajos. Para medir el
sesgo, usaremos el error medio como se define en la ecuacin (3.8). En esta
ecuacin, el error de pronstico en cada perodo es la demanda real en cada
perodo menos la demanda prevista para ese perodo. La figura 3.15
muestra un ejemplo de clculo de sesgo.
Como muestra la figura 3.15, cuando los errores de pronstico tienden a
anularse mutuamente, la medida del sesgo tiende a ser baja. Los errores
positivos en algunos perodos son compensados por errores negativos en
otros, lo que tiende a producir un error promedio o un sesgo cercano a
cero. En la Figura 3.15, hay un sesgo y la demanda fue sobreprevista por un
promedio de 25 unidades por perodo para los cuatro perodos.
Tener una previsin imparcial es importante en la planificacin y control de
la fabricacin, ya que las estimaciones imparciales, en promedio, son
correctas. Pero eso no es suficiente. Todava tenemos que preocuparnos de
la magnitud de los errores. Obsrvese que para el ejemplo de la figura 3.15
se obtiene la medida de sesgo idntica si la demanda real para los cuatro
perodos ha sido de 100, 100, 5,500 y 100, respectivamente. (Esto se
muestra como parte de los clculos en la Figura 3.16.) Sin embargo, los
errores individuales son mucho ms grandes, y esta diferencia tendra que
reflejarse en el inventario adicional si queremos mantener un nivel
constante de servicio al cliente. Veamos ahora una medida ampliamente
utilizada de la magnitud del error de pronstico, la desviacin absoluta
media (MAD). La ecuacin para calcular MAD se proporciona en la ecuacin
(3.9), mientras que la figura 3.16 muestra clculos de ejemplo.
La desviacin absoluta media expresa el tamao del error medio
independientemente de si es positivo o negativo. Es la combinacin de
sesgo y MAD que nos permite evaluar los resultados de pronstico. El sesgo
es quizs el ms crtico, ya que podemos compensar los errores de
pronstico a travs del inventario, acelerar, medios de entrega ms rpidos
y otros tipos de respuestas. MAD indica el tamao de la compensacin

esperada (por ejemplo, velocidad requerida). Sin embargo, si una previsin

es consistentemente ms baja que la demanda, toda la tubera de flujo de
material funcionar en seco; Ser necesario empezar de nuevo con las
materias primas. Las acumulaciones de inventario pueden surgir con un
pronstico consistentemente alto.
Antes de abordar algunas cuestiones de gestin relacionadas con la
previsin, nos gustara proporcionar otra relacin que es muy til. La medida
de desviacin o dispersin ms utilizada en las estadsticas es la desviacin
estndar. MAD tambin mide la desviacin (error) de un resultado esperado
(el pronstico). Cuando los errores de pronstico se distribuyen
normalmente, existe una relacin directa entre las dos medidas que pueden
utilizarse para desarrollar conocimientos estadsticos y conclusiones. La
desviacin estndar de los errores est aritmticamente relacionada con
MAD por la ecuacin (3.10):
Desviacin estndar de los errores de pronstico = 1,25 MAD (3,10)
En el mdulo de gestin de la demanda, estamos interesados en
proporcionar el nivel apropiado de detalle y frecuencia del pronstico a los
otros mdulos en el extremo frontal del sistema MPC. Esto puede requerir la
modificacin de los pronsticos o la conciliacin con otras fuentes de
pronstico antes de que puedan utilizarse para la toma de decisiones.

Uso de las previsiones

El uso de las previsiones requiere una gran dosis de sentido comn, as
como la aplicacin de tcnicas. En esta seccin, veremos algunas razones
tcnicas para la agregacin de pronsticos y algunos de los mtodos para
preparar las previsiones para su uso en la planificacin de ventas y
operaciones. Tambin revisaremos algunos medios para incorporar la
informacin de gestin en las previsiones

Consideraciones para agregar pronsticos

En la Figura 3.1 se indicaron diferentes medios para desarrollar pronsticos
para diferentes usos en la empresa. Para la planificacin de ventas y
operaciones, una fuente de pronstico podra ser la agregacin por familia
de productos de los pronsticos detallados para productos individuales.
Otras entradas pueden provenir de la comercializacin y el conocimiento de
los clientes. El resultado de la conciliacin de todas estas fuentes es una
previsin de la demanda agregada que se utiliza para el desarrollo de los
planes de ventas y operaciones.
Hay varias razones para la agregacin de artculos de productos en tiempo y
nivel de detalle para fines de pronstico. Hay que hacerlo con precaucin,
sin embargo. La agregacin de productos individuales en las lneas de
productos, reas geogrficas o tipos de clientes, por ejemplo, debe hacerse
de manera que sean compatibles con los sistemas de planificacin. grupos
de productos tambin deben ser desarrolladas, por lo que la unidad de
previsin es sensible a los pronosticadores. A condicin de que siga estas
pautas, podemos utilizar grupos de productos para facilitar la tarea de
prediccin.

Es un fenmeno bien conocido que a largo plazo o el producto de la lnea de

las previsiones son ms precisos que los pronsticos detallados a corto
plazo y / o. Esto simplemente verbaliza una verdad estadstica. Considere el
ejemplo de la Figura 3.17. Las ventas mensuales promedio de 20 unidades,
pero varan aleatoriamente con una desviacin estndar de dos
unidades. Esto significa que el 95 por ciento de las demandas mensuales se
sitan entre 16 y 24 unidades cuando la demanda se distribuye
normalmente. Esto corresponde a un error de pronstico de ms o menos 20
por ciento alrededor de la previsin de 20 unidades al mes.
Supongamos ahora que, en lugar de previsin de la demanda sobre una
base mensual, preparamos una previsin anual de la demanda-en este caso,
240 (12 meses x 20 unidades / mes) unidades para el ao. Si las ventas
mensuales son independientes, la desviacin estndar resultante es de 6,9
unidades. Esto se encuentra por sealar que la varianza de la distribucin
mensual es de 4 unidades (22). La varianza de la distribucin anual es de 48
meses (12 x 4), por lo que la desviacin estndar es de 6.9 (). Esto
corresponde a un rango de 95 por ciento de 226 a 254 unidades o una
desviacin por ciento. La reduccin de ciento a ciento es debido al uso de un
perodo de tiempo mucho ms largo. El mismo efecto se puede ver en la
previsin de la demanda de lneas de productos en lugar de a los distintos
elementos.
En el entorno de ensamblar a la orden, la ecuacin (2.1) muestra el nmero
de elementos que deben pronosticar cundo productos terminados se
utilizan en lugar de los componentes. Esto es a menudo un aumento
sustancial en el nmero y, debido a los detalles, a menudo resulta en un
rendimiento muy pobre pronstico. Por ejemplo, cul es el pronstico para
el rojo, dos puertas, pequeo motor, coches antibloqueo de frenos con
rayas-deportivas. Es mucho ms fcil pronosticar la demanda de los
componentes que las combinaciones de componentes detallados. Muchas
de las mismas ventajas de reduccin de errores que se acumulan a
agregacin son posibles aqu tambin.
Un problema surge cuando se utilizan las agrupaciones de productos,
regiones o perodos de tiempo para desarrollar planes estratgicos o de
ventas y operaciones. La previsin total debe ser consistente con las
predicciones de productos individuales. El conjunto debe ser igual a la suma
de las partes. Muy a menudo, la accin de un producto individual de los
totales de la lnea de productos agregados se mantiene bastante
constante. Es decir, hay ms incertidumbre en la demanda del da a da
para el elemento que por su participacin en la demanda de la lnea
total. Podemos usar este conocimiento para desagregar los pronsticos de
agregados y de este modo mantener la coherencia entre el detalle y los
totales. Podemos incluso ser capaz de demostrar las mejoras en la precisin
de las previsiones detalle por hacerlo de esta manera. Un mtodo formal
para lograr coherencia se describe a continuacin.

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

pronstico del roll-up en el nivel 1 ($ 778.460) y el total de gestin ($

900.000) se utiliza para realizar el ajuste.
Las previsiones de todos los niveles aparecen en la figura 3.20. Los
resultados son predicciones coherentes en toda la organizacin, y la suma
de las partes se ve obligado a ser igual a la totalidad. Tenga en cuenta, sin
embargo, el proceso de forzar la consistencia debe abordarse con
precaucin. En el ejemplo, las previsiones en el nivel inferior son ahora
mayores de lo que eran originalmente e incorporan los planes en los niveles
superiores. A pesar de que la suma de las partes es igual a la totalidad, es
posible que las personas responsables de la previsin no "poseer" el
nmero. No se deben hacer sentir que simplemente estn siendo dados una
asignacin de lista de deseos de otra persona.

La incorporacin de informacin externa

Hay muchos tipos de informacin pueden y deben ser utilizados para hacer
buenos pronsticos. Por ejemplo, en una ciudad universitaria en el da de un
partido de ftbol, el trfico alrededor del estadio es un desastre. Un
pronosticador inteligente ajusta planes de viaje en los das de juego para
evitar el trfico estadio, si es posible.
l o ella modifica el pronstico, sabiendo el impacto del juego en el
trfico. Un procedimiento mecnico basado en observaciones durante la
semana probablemente pronosticar muy poco trfico alrededor del
estadio. Sin duda no utilizar dicho pronstico sin el ajuste de da del
partido. Ese sencillo principio es aplicable a la prediccin de negocios, as,
pero es sorprendente la frecuencia con la gente no puede realizar estos
ajustes.
Ejemplos de actividades que puedan influir en la demanda y quizs invalidar
el uso de un modelo de previsin exponencial de la rutina son promociones
especiales, cambios de productos, acciones de los competidores, y los
cambios econmicos. Una de las principales formas de incorporar la
informacin sobre este tipo de actividades futuras en el pronstico es
cambiar el pronstico directamente. Podramos hacer esto si se supiera, por
ejemplo, no iba a ser una promocin de un producto en el futuro, o que se
va a abrir puntos de venta ms al por menor, o que se va a introducir un
nuevo producto que podra canibalizar las ventas de un producto
existente. En estos casos, se podra ajustar la previsin directamente para
dar cuenta de las actividades, tal como lo hacemos para el da del
partido. Al reconocer explcitamente que las condiciones futuras no
reflejarn las condiciones del pasado, podemos modificar directamente el
pronstico para reflejar nuestra evaluacin del futuro.
Es posible que tenga que cambiar el mtodo de pronstico tambin. Si la
tecnologa ha prolongado la vida de nuestros productos, es posible que
tenga que cambiar los parmetros en el modelo que relaciona las ventas de
reemplazo a la vida media de los productos en el campo. Si, por ejemplo,
sabemos que uno de nuestros competidores se va a introducir un nuevo
producto, sospechamos que el mercado va a cambiar, pero no podemos
estar seguros de la direccin o la magnitud del cambio. En este caso, es
posible que desee hacer la previsin frecuente, y pruebas modelo para
evaluar el efecto del nuevo producto. Tambin podra hacer que la constante

de alisamiento ms grande en un modelo de suavizado exponencial y ser

ms sensible a cualquier cambio. Puede haber circunstancias en las que
nuestro conocimiento nos llevara a cambiar tanto el pronstico y los
parmetros de las proyecciones.
Clave en todos estos ajustes es que la inteligencia debe ser incluido en las
previsiones, y las previsiones debe ser preparado para su uso en la
preparacin y el control de los planes de la empresa. La determinacin del
nivel adecuado de agregacin y la conciliacin de los diversos enfoques de
pronstico (Tal vez con la previsin pirmide) son pasos importantes para
hacer las modificaciones.

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.