¿Qué puede haber de improvisto para el que no ha previsto nada? Paul Valéry (1871-1945) Poeta francés. Dirección de la Producción: Decisiones estratégicas Capítulo 4: Previsión

Contenido ¿Qué es la previsión? Tipos de previsiones Horizontes temporales de la previsión La influencia del ciclo de vida del producto Tipos de previsiones La importancia estratégica de la previsión Recursos humanos Capacidad Gestión de la cadena de suministros Siete etapas en el sistema de previsión

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

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

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

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

¡Venderá 200 millones de dólares! ¿Qué es la previsión? Arte y ciencia de predecir acontecimientos futuros. Base de todas las decisiones empresariales: Producción. Inventario. Personal. Instalaciones. Toma de datos históricos y su proyección hacia el futuro con algún tipo de modelo matemático. Predicción subjetiva o intuitiva del futuro. Combinación de las anteriores. ¡Venderá 200 millones de dólares!

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

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

La influencia del ciclo de vida del producto Las etapas de introducción y crecimiento necesitan previsiones más largas que las de madurez y declive. Las previsiones son útiles para proyectar niveles de personal niveles de inventarios niveles de capacidad de producción (paso de la primera a la última etapa)

Tipos de previsiones Previsiónes económicas: Previsiónes tecnológicas: Dirigidas al ciclo empresarial: las tasas de inflación, la masa monetaria, construcción, etc. Previsiónes tecnológicas: Predicen el ritmo de progreso tecnológico. Nuevas Tecnologías » Nuevos productos. Previsiones de demanda (ventas): Ventas » Producción, capacidad, sistema de planificación, gestión cadena suministro. Ventas » Planificación financiera, marketing y personal.

Siete etapas en el sistema de previsión ¿Para qué?: Fin de la previsión. ¿Qué?: Seleccionar los artículos a prever. ¿Cuando?: Horizonte temporal de la previsión. ¿Cómo?: Seleccionar el(los) modelo(s) de previsión. Recogida de datos. Realizar la previsión. Validar e implementar los resultados.

Consideraciones Las previsiones “nunca” son perfectas. La mayoría de las técnicas de previsión asumen una cierta estabilidad en el sistema. La calidad de la previsión aumenta si se trabaja con familias de productos en vez de con productos individuales.

Tipología Cuantitativas. Emplean diversos modelos matemáticos que utilizan datos históricos y/o variables causales. Cualitativas. Incorporan la intuición, emociones, experiencias y sistemas de valores de la persona que toma decisiones.

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

4 métodos cualitativos Jurado de opinión ejecutiva: Opiniones de un grupo de expertos de alto nivel o de directivos + modelos estadísticos. Proposición de personal comercial: Las estimación de las ventas esperadas por los vendedores se revisan para ver si se pueden llevar a cabo y luego se obtiene una previsión global. Método Delphi: Proceso de grupo que permite a los expertos realizar las previsiones. Estudio de mercado del consumidor: Planes de compra. Útil para diseño de nuevos productos.

Jurado de opinión ejecutiva Requiere un pequeño grupo de directivos: El grupo establece una estimación conjunta de la demanda. Combina la experiencia directiva con modelos estadísticos. Es bastante rápido. Desventaja del “pensamiento en grupo”. © 1995 Corel Corp.

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

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

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

Visión global de los métodos cuantitativos Enfoque simple Medias móviles Alisado exponencial Proyección de tendencia Regresión lineal Modelos de series temporales Modelos asociativos

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

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

Descomposición de una serie temporal Ciclos Tendencia Variaciones aleatorias Estacionalidad

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

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

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

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

Modelos de series temporales Cualquier valor que aparezca en una serie temporal es la multiplicación (o suma) de los componentes de la serie temporal. Modelo multiplicativo: Yi = Ti x Si x Ci x Ri (si los datos son mensuales o trimestrales). Modelo aditivo: Yi = Ti + Si + Ci + Ri (si los datos son mensuales o trimestrales).

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

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

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

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

Solución de la media móvil

Solución de la media móvil ponderada

Solución de la media móvil ponderada

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

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

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

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

Alisado exponencial Es una técnica de previsión de media móvil ponderada: Las ponderaciones disminuyen exponencialmente. Se ponderan más los datos más recientes. Se necesita una constante de alisado (): Toma valores entre 0 y 1. Se escoge de forma subjetiva. Necesita una cantidad reducida de datos históricos.

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

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

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

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

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

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

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

Solución del alisado exponencial Ft = Ft-1 + ·(At-1 - Ft-1) Previsión, F t Año Real ( α = 0,10) 1995 180 175,00 (Dado) 1994 168 175,00 + 0,10(180 - 175,00) = 175,50 1995 159 175,50 + 0,10(168 - 175,50) = 174,75 1996 175 1997 190 1998 ND

Solución del alisado exponencial Ft = Ft-1 + ·(At-1 - Ft-1) Previsión, F Año Real t ( α = 0,10) 1995 180 175,00 (Dado) 1996 168 175,00 + 0,10(180 - 175,00) = 175,50 1997 159 175,50 + 0,10(168 - 175,50) = 174,75 1998 175 174,75 + 0,10(159 - 174,75)= 173,18 1999 190 2000 ND

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

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

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

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

Efectos de la previsión de la constante de alisado  Ft =  At - 1 + (1- ) At - 2 + (1- )2At - 3 + ... Ponderaciones = Periodo anterior  Hace 2 periodos (1 - ) Hace 3 periodos (1 - )2 = 0,10 10% 9% = 0,90

Efectos de la previsión de la constante de alisado  Ft =  At - 1 + (1- )At - 2 + (1- )2At - 3 + ... Ponderaciones = Periodo anterior  Hace 2 periodos (1 - ) Hace 3 periodos (1 - )2 = 0,10 10% 9% 8,1% = 0,90

Efectos de la previsión de la constante de alisado  Ft =  At - 1 + (1- )At - 2 + (1- )2At - 3 + ... Ponderaciones = Periodo anterior  Hace 2 periodos (1 - ) Hace 3 periodos (1 - )2 = 0,10 10% 9% 8,1% = 0,90 90%

Efectos de la previsión de la constante de alisado  Ft =  At - 1 + (1- ) At - 2 + (1- )2At - 3 + ... Ponderaciones = Periodo anterior  Hace 2 periodos (1 - ) Hace 3 periodos (1 - )2 = 0,10 10% 9% 8,1% = 0,90 90% 9%

Efectos de la previsión de la constante de alisado  Ft =  At - 1 + (1- ) At - 2 + (1- )2At - 3 + ... Ponderaciones = Periodo anterior  Hace 2 periodos (1 - ) Hace 3 periodos (1 - )2 = 0,10 10% 9% 8,1% = 0,90 90% 9% 0,9%

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

Si se selecciona  å errores de previsión = ECM n Trate de minimizar el error cuadrático medio (ECM) Si: Error de previsión = demanda - previsión Entonces: 2 å errores de previsión ECM = n

Alisado exponencial con ajuste de tendencia Previsión incluyendo la tendencia (PITt) = previsión alisada exponencialmente (Ft) + tendencia alisada exponencialmente (Tt) Requiere 2 constantes de alisado: (α, β)

Alisado exponencial con ajuste de tendencia Ft =  (demanda real de este periodo) + (1- )(previsión del último periodo + tendencia estimada del último periodo) o Ft = (At) + (1- )Ft-1 + Tt-1 Tt = (previsión de este periodo - previsión del último periodo) + (1-)(tendencia estimada del último periodo) o Tt = (Ft - Ft-1) + (1- )Tt-1

Alisado exponencial con ajuste de tendencia Ft = previsión alisada exponencialmente de la serie de datos en el periodo t. Tt = tendencia alisada exponencialmente en el periodo t. At = demanda real en el periodo t.  = constante de alisado para la media.  = constante de alisado para la tendencia.

Comparación de previsiones Alisado exponencial + Tendencia Demanda real Alisado exponencial

Método de mínimos cuadrados Observación real Desviación Desviación Desviación Valores de la variable dependiente Desviación Punto en la línea de tendencia Desviación Desviación Desviación Periodo de tiempo

Demanda real y línea de tendencia Y = 56,70+ 10,54X Demanda real