Facultad de Ingenieras Fsico-Mecnicas Escuela de Estudios Industriales y Empresariales

CONSTRUIMOS FUTURO

DIRECCION DE PROCESOS I

CONSTRUIMOS FUTURO

Tema 10: Pronsticos de demanda

CONSTRUIMOS FUTURO

Qu es la Demanda?
Cantidad de bienes o servicios que el consumidor est dispuesto a adquirir a un precio dado y en un lugar establecido
Saber cual ser la demanda permite usar con eficiencia el sistema productivo y entregar el producto a tiempo. Dos fuentes bsicas de demanda: Demanda Dependiente y Demanda Independiente Respecto a la demanda independiente: Adoptar papel activo: Presionar a fuerza de venta, subir/bajar precios, crear campaas, etc. Adoptar papel pasivo: Porque la empresa funciona a toda capacidad, o es la nica en el mercado, razones legales, ticas, etc.
4

Pronsticos de demanda
Es una estimacin futura del nivel de demanda esperado, puede determinarse segn los requerimientos en pesos, unidades, toneladas, etc. Todas las organizaciones pblicas o privadas, comerciales o industriales, pequeas o grandes, nacionales o extranjeras operan en un medio ambiente general y especfico de incertidumbre, y a pesar de ello, deben tomar decisiones operacionales que afectan su futuro.

Utilidad de los pronsticos

Sirve para decidir si la demanda es suficiente para justificar la entrada a un mercado. Es til al determinar las necesidades a largo plazo de la capacidad para el diseo de instalaciones productivas. Permite determinar las fluctuaciones a corto plazo en la demanda para la planeacin de la produccin, la programacin de la fuerza de trabajo, la planeacin de la adquisicin de materias primas y materiales y otras necesidades similares.

Principios de los pronsticos

Los pronsticos: Estn casi siempre errados Debe incluir una estimacin del error Son ms exactos por grupo de producto Son ms exactos para los perodos cercanos

1995 Corel Corp.

Existen demasiados factores en el medio empresarial que no pueden predecirse con certeza. En lugar de buscar una proyeccin perfecta, es mucho ms importante establecer la prctica de revisar continuamente las proyecciones y aprender a vivir con pronsticos inexactos.
Chase y Aquilano. Administracin de Produccin y Operaciones

Es fcil hacer un buen pronstico?

Dos situaciones: Una empresa elctrica quiere construir una central de generacin. Una fbrica de lcteos quiere programar la produccin para las prximas tres semanas. Hay diferencias en: Horizonte Incertidumbre Informacin disponible

10

Etapas de la planificacin de la produccin

Planificacin de la produccin a largo plazo Largo Plazo (3 5 aos) Estratgica

Planificacin Agregada Programacin maestra de la produccin

Mediano Plazo (6 18 meses)

Tctica

Planificacin de Materiales

Corto Plazo (Varias semanas, pocos meses)

Operativa

Programacin de las operaciones

11

Planeacin de produccin y distribucin

Pronstico Ventas

Plan de Produccin
Plan Recursos

Plan Agregado

Planeacin de Distribucin DRP

Plan Maestro de Produccin MPS

Plan Capacidad

Planeacin de Materiales MRP

Plan Operacional

DISTRIBUCIN

PRODUCCIN

COMPRAS

EJECUCIN

12

Planificacin de la produccin a largo plazo

Indica las cantidades a producir en cifras trimestrales o anuales muy agregadas (por familia de producto). Se hace en funcin del pronstico de ventas a largo plazo (por tipos de productos). Se planifica: desarrollo de nuevos productos, adquisicin de tecnologas, cambios en los procesos, adquisicin de nuevas instalaciones.

13

Planificacin Agregada
El plan agregado de produccin refleja el nmero de unidades a producir por familia de productos.
Se realiza para periodos mensuales, generalmente en un horizonte de 6 a 18 meses. Establece cantidades a producir, inventarios, nivel de mano de obra; teniendo en cuenta la capacidad disponible

14

Programa maestro de la produccin - MPS

El plan agregado de produccin se descompone, las familias de productos se dividen en productos concretos y los perodos pasan de meses a semanas.

Establece cunto se va a producir de cada producto.

Generalmente se hace para un horizonte temporal de 1 semana a 6 meses.

15

Ejemplo de un P.M.P para una fbrica de sillas de madera

Meses
Plan agregado de produccin Semanas Programa maestro produccin Silla modelo A Silla modelo B Silla modelo C de 100 500 300 100 500 100 450 100 100 450 1 2

Enero
1500 3 4 5

Febrero
1200 6 7 8

16

Planificacin de materiales
Comprende una programacin detallada que indica las cantidades que se necesitan de cada uno de los componentes (materia prima y materiales) que conforman los distintos productos y fechas para las cuales deben tenerse dichos componentes.

17

Programacin de las operaciones

Se especifican secuencias de produccin, asignacin de tareas a los distintos centros de trabajos.

Son planes a corto plazo, generalmente hasta 3 meses

18

Factores que influyen en la demanda

Condiciones generales de la economa y el negocio Factores Competitivos Tendencias del mercado Planes propios de la compaa

19

Fuentes de demanda

Clientes Repuestos Promociones Intracompaa Otros

20

Administracin de la Demanda- Fabricar para Almacenar

La demanda se satisface normalmente de los inventarios. La tarea del P.M.P es proveer inventario para satisfacer los pronsticos de demanda futura.

21

Administracin de la Demanda - Ensamblar sobre Pedido

La funcin del P.M.P es proporcionar fechas viables de entrega a los clientes.
Se usa el concepto de Inventario Comprometible para convertir pronsticos en pedidos en firme

22

Administracin de la Demanda - Fabricar sobre Pedido

Cantidad relativamente grande de pedidos pendientes de satisfacer.

El P.M.P controla el progreso de pedidos pendientes.

23

Administracin de la Demanda y la Programacin Maestra de la Produccin

En los tres ambientes productivos, el objetivo es ligar la empresa con el cliente.

Los horizontes de demanda y planeacin contribuyen a facilitar esta tarea.

Las reas formadas por estos horizontes (Congelada, en firme, Completa y Abierta) indican la posibilidad de hacer cambios.

24

Administracin de la Demanda y la Programacin Maestra de la Produccin (continuacin)

Congelada: significa que esta parte del PMP no puede modificarse, excepto bajo circunstancias extraordinarias y slo con la autorizacin de los niveles ms altos de la organizacin. En firme: Significa que puede haber cambios en esta seccin, pero slo en situaciones excepcionales. Completa: Significa que se ha asignado a los pedidos toda la capacidad de produccin disponible. Abierta: Significa que no se ha asignado toda la capacidad de produccin y que es posible recibir nuevos pedidos

25

Incertidumbre en un ambiente de - Fabricar para Almacenar

La incertidumbre se observa en variaciones en los pronsticos en cada una de las ubicaciones de los inventarios. Para ofrecer niveles de servicio adecuados se usan colchones en:

Inventarios y Tiempo de entrega

26

Incertidumbre en un ambiente de Ensamble sobre Pedido

Incertidumbre en cuanto a la cantidad, el calendario del pedido y la mezcla de productos. Se usan inventarios de seguridad

27

Incertidumbre en un ambiente de Fabricacin sobre Pedido

Cuntos de los recursos de la empresa se requieren para terminar la orden del cliente (los detalles de ingeniera no se conocen desde un principio).

28

Tipos de pronsticos
Mtodos cualitativos: Generalmente se basan en juicios con respecto a los factores causales subyacentes a la venta de los productos o servicios en particular, y en opiniones sobre la posibilidad relativa que estos factores causales sigan presentes en el futuro.

Mtodos cuantitativos: Hacen uso de la informacin disponible a travs de un modelo matemtico del comportamiento del sistema.

29

Caractersticas de los mtodos cualitativos

Estn basados en la intuicin y en la opinin informada Tienden a ser subjetivos. Son usados para el plan de negocios y el pronsticos de nuevos productos. Son utilizados para pronstico de mediano y largo plazo.

30

Mtodos cualitativos

Proyeccin fundamental Investigacin de mercados Consenso del comit ejecutivo Analoga histrica Mtodo Delfos

31

Proyeccin Fundamental
El pronstico inicia en los niveles inferiores con la fuerza de ventas y va subiendo a travs de los diferentes niveles jerrquicos de la empresa, en donde se le va aplicando los ajustes que se consideren pertinentes.

Investigacin de mercados
La estimacin futura de las ventas se obtiene directamente de los clientes. Las ms comunes de stas investigaciones son: la prueba de concepto, la prueba de producto y la prueba de mercado

32

Consenso del comit ejecutivo

Ejecutivos con experiencia en las diversas reas de la organizacin (finanzas, comercializacin y produccin), concilian sus opiniones para formular los pronsticos de ventas. Es una de las formas ms comunes de elaborar el pronstico.

Analoga histrica
En este mtodo se liga la estimacin de las ventas futuras de un producto con el conocimiento de las ventas de un producto similar. Este mtodo es especialmente til en el caso de productos nuevos.

33

Mtodo Delfos (Delphi)

Esta tcnica se utiliza para lograr un consenso dentro de un comit. En este caso, los ejecutivos responden annimamente a una serie de preguntas en sesiones sucesivas. Cada respuesta se retroalimenta en cada sesin a todos los participantes y entonces el proceso se repite. De esta forma se construye el consenso en relacin con el pronstico.

34

Cuadro comparativo de pronsticos cualitativos

Mtodo Delphi Uso Exactitud Tiempo de preparacin

Pronsticos a largo plazo, De regular a muy Ms de dos meses de ventas de nuevos buena productos, tecnolgicos Para evaluar y probar Excelente hiptesis acerca de dependiendo mercados reales la seriedad trabajo Ms de tres meses de del Ms de semanas Una semana dos

Investigacin de mercados

Consenso comit ejecutivo Proyeccin fundamental Analoga histrica

del Los mismos que el del De baja a regular Delphi Estimacin del usando la intuicin futuro De baja a regular

Para productos nuevos, De buena comparando series de regular productos similares

a Ms de un mes

35

Caractersticas de los mtodos cuantitativos

Basados en datos histricos usualmente disponibles en la Empresa Asumen que el futuro repetir el pasado

36

Mtodos cuantitativos

Anlisis de series de tiempo Relaciones causales Simulacin

37

Mtodos cuantitativos de pronstico

Anlisis de series de tiempo Este tipo de pronsticos se sustentan en la idea de que se pueden usar los datos de la demanda del pasado para prever la demanda futura. Tipos de pronsticos de series de tiempo Promedio mvil Promedio mvil ponderado Suavizacin exponencial Regresin lineal

38

Anlisis de series de tiempo

Componentes de la demanda

Estacional

Tendencia

Variacin aleatoria

Promedio

39

Tendencia: Movimiento gradual ascendente o descendente de los datos en el tiempo.(ms comunes son lineal, en forma de s y exponencial). Estacionalidad: Es un patrn de datos que se repite despus de un perodo de tiempo. Por ejemplo: estaciones de tiempo o das de la semana.

40

Ciclos: Son patrones de comportamiento en los datos que se repiten despus de varios aos. Variaciones aleatorias: Son cambios en los datos a los que no se les puede asignar una causa especfica y no siguen un patrn.

41

Anlisis de series de tiempo

Son los mtodos de pronsticos ms conocidos y estudiados. Se basan en modelar el comportamiento histrico de un conjunto de datos y extrapolar ese comportamiento.

42

Anlisis de series de tiempo

Promedios mviles Cuando la demanda de un producto no crece ni disminuye velozmente y no incluye caractersticas de estacionalidad, el promedio mvil servira para eliminar las fluctuaciones aleatorias de los pronsticos. Esta tcnica genera el pronstico para el prximo perodo promediando la demanda real de tan solo los ltimos n perodos de tiempo.

43

Ejemplo de promedios mviles: Se tiene la demanda real para un producto en 17 semanas. Se le solicita que calcule el promedio mvil para 3, 5 y 7 semanas y realice los anlisis respectivos.

44

Semana 1 2 3 4 5 6 7 8 9 10 11 12

Demanda (unidades) 100 125 90 110 105 130 85 102 110 90 105 95

13
14 15 16 17

115
120 80 95 100

45

Grfico de dispersin de la serie de datos

160

120

Demanda
80 40 0 2 4 6 8 10 12 14 16 18

Tiempo

46

Semana

Demanda 3 semanas

Pronstico 5 semanas 7 semanas

1 2 3 4 5 6 7 8 9 10 11

100 125 90 110 105 130 85 102 110 90 105 105.0 108.3 101.7 115.0 106.7 105.7 99.0 100.7 106.0 112.0 104.0 106.4 106.4 103.4 106.4 106.7 104.6 104.6

12
13 14 15 16 17

95
115 120 80 95 100

101.7
96.7 105.0 110.0 105.0 98.3

98.4
100.4 103.0 105.0 103.0 101.0

103.9
102.4 100.3 105.3 102.1 100.0

47

Evaluacin del desempeo de un pronstico

La evaluacin de un pronstico se hace con base en tres caractersticas: Capacidad de amortiguacin del ruido Respuesta al impulso Precisin

48

Evaluacin del desempeo de un pronstico

Capacidad de amortiguacin del ruido: Se atribuye aquel pronstico que tiene pequeas fluctuaciones de un perodo a otro. Respuesta al impulso: Capacidad del pronstico de responder fluctuaciones de los datos histricos.

las

Precisin: Se refiere a que tan cerca siguen los datos reales a los pronsticos.

49

En el caso del promedio mvil, entre mayor sea la cantidad de periodos promediados, mayor ser la capacidad de amortiguacin del ruido y menor es la respuesta al impulso del pronstico y viceversa.

50

140 130 120

Demanda

110 100 90 80 70 0 5 10 Tiempo 15 20

51

Promedios mvil ponderado

Este promedio permite adjudicar una importancia cualquiera a cada elemento, siempre y cuando, por supuesto, todos los valores sumen 1. El peso asignado a cada valor depende de la importancia relativa que se le quiera dar a los datos.

52

Ejemplo de promedio mvil ponderado:

Semana 1 2 3

Demanda 650 678 720

Peso relativo 0.2 0.3 0.5

Se solicita el pronstico para la semana 4:

720x0.5 + 678x0.3 + 650x0.2 = 693

53

Suavizacin Exponencial La dificulta del promedio mvil y el promedio mvil ponderado es que se necesita contar siempre con una cantidad importante de datos. Asumiendo como premisa vlida Los datos ms recientes indican mejor el futuro que los de un pasado ms distante, surge la suavizacin Exponencial. Esta es la tcnica ms utilizada para pronosticar.

54

Ft = Ft-1 + (At-1 Ft-1) donde: Ft : Ft-1 : At-1 : : Pronstico por S.E. para el perodo t Pronstico por S.E. para el perodo anterior Demanda real en el perodo anterior Constante de suavizacin [0 a 1]

La ms reciente demanda puede tener la ms alta ponderacin. La importancia de los datos disminuye en la medida en que el pasado se hace ms distante. Cada incremento del pasado disminuye en (1- ).

55

determina el nivel de uniformidad y la velocidad de reaccin a las diferencias entre las proyecciones y las demandas reales. Se determina por la naturaleza del producto; la recomendacin general es que los valores de grandes se usan en situaciones en que los datos presentan alta variabilidad entre periodos.

Mientras mayor sea la ponderacin de asignada a la demanda actual, mayor ser la influencia de este punto en el pronstico.

56

Ejemplo de Suavizacin Exponencial:

Semana 7 8 9 10 11 12 13 14 15 16 17 Demanda real de inventario (unidades) 85 102 110 90 105 95 115 120 80 95 100

57

Semana

Demanda = 0.1

Pronstico = 0.2 85.0 85.0 88.4 92.7 92.2 94.7 94.8 98.8 103.1 98.5 97.8 = 0.3 85.0 85.0 90.1 96.1 94.2 97.5 96.7 102.2 107.5 99.3 98.0

7 8 9 10 11 12 13 14 15 16 17

85 102 110 90 105 95 115 120 80 95 100

85.0* 85.0 86.7 89.0 89.1 90.7 91.1 93.5 96.2 94.6 94.6

* Todos los pronsticos para la sptima semana fueron seleccionados arbitrariamente. Se necesita un pronstico inicial para utilizar la suavizacin inicial. Usualmente se parte de los datos reales del periodo.

58

Entre ms elevado es , ms alta es la respuesta al impulso del pronstico y menor su capacidad de amortiguacin del ruido y viceversa.

59

130 120
Deman da

110 100 90 80 70 6 8 10 12 Tiempo 14 16 18

60

Regresin Lineal
La serie de datos histricos se ajusta a una lnea recta. Se asume que la variable dependiente (ventas) cambia a travs del tiempo. Yt = A + B X

A es la interseccin con el eje Y B es la pendiente de la recta calculado a partir de todos los datos.

61

Ejemplo de Regresin Lineal:

Periodo 1 2 3 Ventas 1000 1300 1800

4
5 6 7 8

2000
2000 2000 2200 2600

9
10

2900
3200

62

Lnea de tendencia

3500 3000 2500 2000 1500 1000 500 0 0 2 4 6 8 10 12 y = 215,76x + 913,33

63

Anlisis de la regresin:
Estadsticas de la regresin
Coeficiente de correlacin mltiple Coeficiente de determinacin R^2 R^2 ajustado Error tpico Observaciones 0,97020374 0,94129531 0,93395722 173,030038 10

Si se desea pronosticar las ventas en miles de unidades para el perodo 12, simplemente se reemplaza este valor de X en la ecuacin de regresin obtenida: Y12 = 913.33 + 215.76 * 12 = 3.502,4 = 3503

64

Descomposicin de una serie de tiempo

Se puede definir una serie de tiempo como los datos ordenados en forma cronolgica que pueden contener uno o varios componentes de la demanda: tendencia, estacionalidad, ciclos o variacin aleatoria.

La descomposicin de una serie de tiempo consiste en identificar y separar los datos de la serie en estos componentes.

65

Ejemplo de una serie de tiempo con tendencia y estacionalidad:

N trimestre 1 2 3 4 5 6 7 8 9 10 N pasajeros (en miles) 3,5 8 5,5 10 9,5 14 11,5 16 15,5 20

11
12 13 14

17,5
22 21,5 26

66

Lnea de tendencia

30
N pasajeros en miles

y = 1,5462x + 2,7253 R2 = 0,9404

25 20 15 10 5 0 0 1 2 3 4 5 6 7

10 11

12 13 14 15

Trimestres

67

X 1 2 3 4 5 6 7 8 9 10 11 12 13 14

Trimestre 1 2 3 4 1 2 3 4 1 2 3 4 1 2

Y 3,5 8 5,5 10 9,5 14 11,5 16 15,5 20 17,5 22 21,5 26

F 4,3 5,8 7,4 8,9 10,5 12,0 13,5 15,1 16,6 18,2 19,7 21,3 22,8 24,4

Y/F 0,82 1,38 0,75 1,12 0,91 1,17 0,85 1,06 0,93 1,10 0,89 1,03 0,94 1,07

68

AO
1 1 2 3 4 TOTAL PROMEDIO 0,82 0,91 0,93 0,94 3,6 0,9 2 1,38 1,17 1,1 1,07 4,72 1,18

Trimestre
3 0,75 0,85 0,89 2,49 0,83 4 1,12 1,06 1,03 3,21 1,07

Si se desea pronosticar la demanda para el perodo 16 se procedera as:

Y16 = 2,7253 + 1,5462 (16) = 27,4645 Valor con tendencia

Y16 = 27,4645 * 1,07 = 29.38 Valor ajustado con estacionalidad

69

Otros mtodos de series de tiempo ms sofisticados

Mtodos de prediccin autoregresivos Mtodos de Box - Jenkins Mtodos economtricos ms complejos.

70

Errores en las series de tiempo

El error hace referencia a la diferencia entre el valor del pronstico y lo ocurrido en la realidad. Es la precisin del pronstico.
La demanda de interaccin de una como para que un lo tanto, todos los error. un producto es generada por la serie de factores demasiado compleja modelo la describa con exactitud. Por pronsticos contienen cierto grado de

71

Medicin del error

Desviacin media absoluta (MAD- Mean Absolute Desviation) El MAD representa el error promedio de los pronsticos que emplean valores absolutos.

1 MAD N

A F
i 1 t

At = Demanda real para el periodo Ft = Demanda pronosticada para el periodo t = Periodo N = total del periodos | | = Valor absoluto

72

Medicin del error

Seal de rastreo (TS Tracking Signal) Es una medida que indica si el promedio del pronstico est siguiendo el ritmo de un verdadero cambio ascendente o descendente en la demanda.

La seal de rastreo constituye el nmero de desviaciones medias absolutas en que el valor del pronstico est por arriba o por debajo de los hechos. Si el modelo de pronstico esta desempendose bien la seal de rastreo debera ser igual a cero, indicando que ha habido aproximadamente tantos puntos reales por encima del pronstico como por debajo.

73

El signo de la seal de rastreo es muy importante para indicar la direccin del error del pronstico. Si la seal de rastreo es positiva, se ha subestimado y si es negativa se ha sobrestimado.

TS

A
N i 1

Fj

MAD

At = Demanda real para el periodo Ft = Demanda pronosticada para el periodo t = Periodo N = total del periodos

74

Ejemplo del clculo de la precisin: MAD y TS

Mes Ft At Desvia cin algebr Desv. Abs. Desv. Abs. MAD TS

1
2 3 4 5 6

1000
1000 1000 1000 1000 1000

950
1070 1100 960 1090 1050

-50
+70 +100 -40 +90 +50

-50
+20 +120 +80 +170 +220

50
70 100 40 90 50

50
120 220 260 350 400

50
60 73.3 65 70 66.7

-1
0.33 1.64 1.2 2.4 3.3

75

Pronsticos de relaciones causales

Si una variable cambia debido a un cambio de una o varias variables, se trata de una relacin causal. El primer paso del pronstico de una relacin causal es encontrar los hechos que en realidad son las causas. Si el elemento causal es conocido con bastante anticipacin, se puede utilizar como base para el pronstico.

76

Pronsticos de relaciones causales

Estos mtodos se usan en predicciones de largo plazo y cuando se dispone de informacin confiable. Ejemplo: El consumo elctrico se estima que depende de: Crecimiento del PIB Indice de actividad industrial Crecimiento de la poblacin

77

Ejemplo de pronstico de relaciones causales:

Nmero de autos registrados (Millones) X2 9,27 5,86 8,81 3,81 10,31 11,62 8,96 6,28 7,77 10,92 Ingreso personal (Miles de millones US) X3 85,4 60,7 68,1 20,2 33,8 95,1 69,3 16,3 34,9 15,1 Antigedad promedio de los automviles (Aos) X4 3,5 5,0 4,4 4,0 3,5 4,1 4,1 5,9 5,5 4,1

Ventas anuales (Millones US) Y 37,702 24,196 32,055 3,611 17,625 45,919 29,600 8,114 20,116 12,994

Nmero de tiendas detallistas X1 1739 1221 1846 120 1096 2290 1687 241 649 1427

Nmero de supervisores X5 9 5 7 5 7 13 15 11 16 10

78

Anlisis de resultados:
Matriz de correlaciones
Ventas Tiendas 0.899 Tiendas Autos Ingreso Edad Supervisores

Autos
Ingreso Edad Supervisore s

0.605
0.964 -0.323 0.286

0.775
0.825 -0.489 0.183

0.409 -0.447 0.395 -0.349 0.155 0.291 -

79

Matriz de coeficientes
Predictor Constante Tienda Carros Ingreso Coeficiente -19,672 -0,000629 1,7399 0,40994 Desv. Estndar 5,422 0,002638 0,5530 0,04385 t- ratio -3,63 -0,24 3,15 9,35

Edad
Supervisores

2,0357
-0,0344

0,8779
0,1880

2,32
-0,18

Anlisis de varianza
Fuente Regresin Error Total g.l 5 4 9 S.C 1593.81 9.08 1602.89 C.M 318.76 2.27

80

Modelo excluyendo tiendas y supervisores

Matriz de coeficientes
Predictor Constante Carros Ingreso Coeficiente -18,924 1,6129 0,40031 Desv. Estndar 3,636 0,1979 0,01569 t- ratio -5,20 8,15 25,52

Edad

1,9637

0,5846

3,36

Anlisis de varianza
Fuente g.l S.C C.M

Regresin Error Total

3 6 9

1593,66 9,23 1602,89

531,22 1,54

81

Simulacin como herramienta de pronstico

La simulacin en el computador es una tcnica poderosa para abordar problemas complicados. Es una descripcin de un problema reducida a un programa informtico. se trata de modelos dinmicos, usualmente basados en computadores, que cruzan los datos de las variables internas (capacidad de produccin, por ejemplo) y externas (niveles de poder adquisitivo de su mercado) para pronosticar la demanda. La simulacin es una herramienta comn para modelar problemas de planeacin en produccin. Se utiliza con menor frecuencia como herramienta de pronstico.

82

Launch eValuate
Funciona de manera muy distinta a cualquier otro modelo de pronstico de ventas. Esta versin mejorada de MicroTest, una de las pruebas de mercado simulado lderes del mundo se adecua mejor al entorno del consumidor actual y genera pronsticos de volumen ms precisos. Launch eValuate tambin proporciona robustos diagnsticos confrontados contra una base de datos global de ms de 40,000 registros.

83

Lo que hace poderoso a Launch eValuate es que es un verdadero micro-modelo capaz de analizar el comportamiento de cada uno de los consumidores en lugar de slo agregar los resultados. No slo se puede predecir lo que pasar, sino tambin aquellos factores que podran cambiar las mentes de los consumidores, ya sea positiva o negativamente, y las razones de dicho cambio.

Este micro-modelo permite medir el impacto de casi cualquier variable de marketing incluyendo la actividades de la competencia a un nivel de probabilidad de compra de cada individuo.

84

En Launch eValuate, dichas variables se aplican a nivel individual para ajustar la probabilidad de compra ya sea de manera ascendente o descendente. Ello permite medir el impacto de muchas ms variables y con ello hacer un ajuste ms preciso optimizando los planes de marketing. Launch eValuate es ms exacto porque est calibrado con informacin de panel, garantizando que los resultados arrojados reflejan la realidad y eliminando la necesidad de utilizar datos normativos para ajustar las respuestas de los entrevistados.

85

La base de datos de monitoreo de lanzamientos de Launch eValuate demuestra que aquellos consumidores que escuchan de la existencia de un nuevo producto por un amigo o familiar, tienen el doble de probabilidad de comprarlo que aqullos que se enteran por otros medios.

Para un clculo preciso del potencial de una nueva idea, es necesario entender la manera como el consumidor percibe la idea, lo que opina y siente respecto de ella, lo que podra decirle a los dems de la misma, as como los elementos del mensaje de marketing que podran ejercer alguna influencia sobre ello.

86

La base de datos de Launch eValuate demuestra tambin que el factor de mayor influencia en el potencial de un nuevo producto, es la emocin que ste provoca al consumidor. El impacto emocional que un producto nuevo genera incrementa la probabilidad de que la gente lo pruebe y hace tambin que lo miren como algo diferente, provocando que la gente hable ms de l y disparando las probabilidades de xito a largo plazo. La clave es desarrollar nuevos productos que hagan decir Wow! a los consumidores.

87

Launch eValuate es un producto de TNS Research International que ofrece su experiencia de varias de dcadas de trabajo en Mercados de Prueba Simulados (STM por sus siglas en ingls) y el involucramiento de equipos de expertos de todo el mundo.

88

Factores que determinan la seleccin de un mtodo de pronstico

Informacin disponible Costo involucrado Importancia de la decisin Horizonte de tiempo Naturaleza del producto

89

Diseo de un sistema de pronstico de demanda

Determinar la informacin que necesita se pronosticada Asignar las responsabilidades de pronstico Establecer los parmetros del sistema de pronstico Seleccionar los modelos y tcnicas de pronstico Recolectar datos Probar modelos Registrar la demanda real Anlisis de exactitud Determinar las causas de la variacin Revisar los sistemas de pronsticos para mejorar su desempeo