CONTROL DE PRODUCCION I Profesora: MYRIAM LEONOR NIÑO LOPEZ

Presentación del tema: "CONTROL DE PRODUCCION I Profesora: MYRIAM LEONOR NIÑO LOPEZ"— Transcripción de la presentación:

1

2 CONTROL DE PRODUCCION I Profesora: MYRIAM LEONOR NIÑO LOPEZ

3 Tema 8: Pronósticos de demanda

4 Pronósticos de demanda
Es una estimación futura del nivel de demanda esperado, puede determinarse según los requerimientos en pesos, unidades, toneladas, etc. Todas las organizaciones públicas o privadas, comerciales o industriales, pequeñas o grandes, nacionales o extranjeras operan en un medio ambiente general y específico de incertidumbre, y a pesar de ello, deben tomar decisiones operacionales que afectan su futuro.

5 Utilidad de los pronósticos
Sirve para decidir si la demanda es suficiente para justificar la entrada a un mercado. Es útil al determinar las necesidades a largo plazo de la capacidad para el diseño de instalaciones productivas. Permite determinar las fluctuaciones a corto plazo en la demanda para la planeación de la producción, la programación de la fuerza de trabajo, la planeación de la adquisición de materias primas y materiales y otras necesidades similares.

6 ¿Es fácil hacer un buen pronóstico?
Dos situaciones: Una empresa eléctrica quiere construir una central de generación. Una fábrica de lácteos quiere programar la producción para las próximas tres semanas. Hay diferencias en: Horizonte Incertidumbre Información disponible

7 Etapas de la planificación de la producción
Largo Plazo (3 –5 años) Planificación de la producción a largo plazo Estratégica Mediano Plazo (6 –18 meses) Planificación Agregada Táctica Programación maestra de la producción Planificación de Materiales Corto Plazo (Varias semanas, pocos meses) Operativa Programación de las operaciones

8 Planeación de producción y distribución
Pronóstico Ventas Plan Agregado Operacional EJECUCIÓN COMPRAS PRODUCCIÓN Plan Maestro de Producción MPS Planeación de Materiales MRP Distribución DRP DISTRIBUCIÓN Plan de Plan Recursos Capacidad

9 Planificación de la producción a largo plazo
Indica las cantidades a producir en cifras trimestrales o anuales muy agregadas (por familia de producto). Se hace en función del pronóstico de ventas a largo plazo (por tipos de productos). Se planifica: desarrollo de nuevos productos, adquisición de tecnologías, cambios en los procesos, adquisición de nuevas instalaciones.

10 Planificación Agregada
El plan agregado de producción refleja el número 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

11 Programa maestro de la producción - MPS
El plan agregado de producción se descompone, las familias de productos se dividen en productos concretos y los períodos pasan de meses a semanas. Establece cuánto se va a producir de cada producto. Generalmente se hace para un horizonte temporal de 1 semana a 6 meses.

12 Ejemplo de un P.M.P para una fábrica de sillas de madera
Meses Enero Febrero Plan agregado de producción 1500 1200 Semanas 1 2 3 4 5 6 7 8 Programa maestro de producción Silla modelo A 100 Silla modelo B 500 450 Silla modelo C 300

13 Planificación de materiales
Comprende una programación 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.

14 Programación de las operaciones
Se especifican secuencias de producción, asignación de tareas a los distintos centros de trabajos. Son planes a corto plazo, generalmente hasta 3 meses

15 Administración 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 pronósticos de demanda futura

16 Administración de la Demanda - Ensamblar sobre Pedido
La función del P.M.P es proporcionar fechas viables de entrega a los clientes. Se usa el concepto de Inventario Comprometible para convertir pronósticos en pedidos en firme

17 Administración de la Demanda - Fabricar sobre Pedido
Cantidad relativamente grande de pedidos pendientes de satisfacer. El P.M.P controla el progreso de pedidos pendientes.

18 Administración de la Demanda y la Programación Maestra de la Producción
En los tres ambientes productivos, el objetivo es ligar la empresa con el cliente. Los horizontes de demanda y planeación contribuyen a facilitar esta tarea. Las áreas formadas por estos horizontes (Congelada, en firme, Completa y Abierta) indican la posibilidad de hacer cambios.

19 Administración de la Demanda y la Programación Maestra de la Producción (continuación)
Congelada: significa que esta parte del PMP no puede modificarse, excepto bajo circunstancias extraordinarias y sólo con la autorización de los niveles más altos de la organización. En firme: Significa que puede haber cambios en esta sección, pero sólo en situaciones excepcionales. Completa: Significa que se ha asignado a los pedidos toda la capacidad de producción disponible. Abierta: Significa que no se ha asignado toda la capacidad de producción y que es posible recibir nuevos pedidos

20 Incertidumbre en un ambiente de - Fabricar para Almacenar
La incertidumbre se observa en variaciones en los pronósticos en cada una de las ubicaciones de los inventarios. Para ofrecer niveles de servicio adecuados se usan “colchones” en: Inventarios y Tiempo de entrega

21 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

22 Incertidumbre en un ambiente de Fabricación sobre Pedido
Cuántos de los recursos de la empresa se requieren para terminar la orden del cliente (los detalles de ingeniería no se conocen desde un principio).

23 Tipos de pronósticos Métodos 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. Métodos cuantitativos: Hacen uso de la información disponible a través de un modelo matemático del comportamiento del sistema.

24 Métodos cualitativos Proyección fundamental Investigación de mercados
Consenso del comité ejecutivo Analogía histórica Método Delfos

25 Proyección Fundamental
El pronóstico inicia en los niveles inferiores con la fuerza de ventas y va subiendo a través de los diferentes niveles jerárquicos de la empresa, en donde se le va aplicando los ajustes que se consideren pertinentes. Investigación de mercados La estimación futura de las ventas se obtiene directamente de los clientes. Las más comunes de éstas investigaciones son: la prueba de concepto, la prueba de producto y la prueba de mercado

26 Consenso del comité ejecutivo
Ejecutivos con experiencia en las diversas áreas de la organización (finanzas, comercialización y producción), concilian sus opiniones para formular los pronósticos de ventas. Es una de las formas más comunes de elaborar el pronóstico. Analogía histórica En este método se liga la estimación de las ventas futuras de un producto con el conocimiento de las ventas de un producto similar. Este método es especialmente útil en el caso de productos nuevos.

27 Método Delfos (Delphi)
Esta técnica se utiliza para lograr un consenso dentro de un comité. En este caso, los ejecutivos responden anónimamente a una serie de preguntas en sesiones sucesivas. Cada respuesta se retroalimenta en cada sesión a todos los participantes y entonces el proceso se repite. De esta forma se construye el consenso en relación con el pronóstico.

28 Cuadro comparativo de pronósticos cualitativos
Método Uso Exactitud Tiempo de preparación Delphi Pronósticos a largo plazo, de ventas de nuevos productos, tecnológicos De regular a muy buena Más de dos meses Investigación de mercados Para evaluar y probar hipótesis acerca de mercados reales Excelente dependiendo de la seriedad del trabajo Más de tres meses Consenso del comité ejecutivo Los mismos que el del Delphi De baja a regular Más de dos semanas Proyección fundamental Estimación del futuro usando la intuición Una semana Analogía histórica Para productos nuevos, comparando series de productos similares De buena a regular Más de un mes

29 Métodos cuantitativos
Análisis de series de tiempo Relaciones causales Simulación

30 Métodos cuantitativos de pronóstico
Análisis de series de tiempo Análisis de series de tiempo Este tipo de pronósticos se sustentan en la idea de que se pueden usar los datos de la demanda del pasado para prever la demanda futura. Este tipo de pronósticos se sustentan en la idea de que se pueden usar los datos de la demanda del pasado para prever la demanda futura. Tipos de pronósticos de series de tiempo Tipos de pronósticos de series de tiempo Promedio móvil Promedio móvil ponderado Suavización exponencial Regresión lineal Promedio móvil Promedio móvil ponderado Suavización exponencial Regresión lineal

31 Componentes de la demanda
Análisis de series de tiempo Componentes de la demanda Promedio Estacional Tendencia Variación aleatoria

32 Tendencia: Movimiento gradual ascendente o descendente de los datos en el tiempo.(más comunes son lineal, en forma de s y exponencial). Estacionalidad: Es un patrón de datos que se repite después de un período de tiempo. Por ejemplo: estaciones de tiempo o días de la semana.

33 Ciclos: Son patrones de comportamiento en los datos que se repiten después de varios años. Variaciones aleatorias: Son cambios en los datos a los que no se les puede asignar una causa específica y no siguen un patrón.

34 Análisis de series de tiempo
Son los métodos de pronósticos más conocidos y estudiados. Se basan en modelar el comportamiento histórico de un conjunto de datos y extrapolar ese comportamiento.

35 Análisis de series de tiempo
Promedios móviles Cuando la demanda de un producto no crece ni disminuye velozmente y no incluye características de estacionalidad, el promedio móvil serviría para eliminar las fluctuaciones aleatorias de los pronósticos. Esta técnica genera el pronóstico para el próximo período promediando la demanda real de tan solo los últimos n períodos de tiempo.

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

37 Semana Demanda (unidades) 1 100 2 125 3 90 4 110 5 105 6 130 7 85 8 102 9 10 11 12 95 13 115 14 120 15 80 16 17

38

39 Semana Demanda Pronóstico 3 semanas 5 semanas 7 semanas 1 100 2 125 3 90 4 110 105.0 5 105 108.3 6 130 101.7 106.0 7 85 115.0 112.0 8 102 106.7 104.0 106.4 9 105.7 10 99.0 104.6 11 100.7 103.4 12 95 98.4 103.9 13 115 96.7 100.4 102.4 14 120 103.0 100.3 15 80 110.0 105.3 16 102.1 17 98.3 101.0 100.0

40 Evaluación del desempeño de un pronóstico
La evaluación de un pronóstico se hace con base en tres características: Capacidad de amortiguación del ruido Respuesta al impulso Precisión

41 Evaluación del desempeño de un pronóstico
Capacidad de amortiguación del ruido: Se atribuye aquel pronóstico que tiene pequeñas fluctuaciones de un período a otro. Respuesta al impulso: Capacidad del pronóstico de responder a las fluctuaciones de los datos históricos. Precisión: Se refiere a que tan cerca siguen los datos reales a los pronósticos.

42 En el caso del promedio móvil, entre mayor sea la cantidad de periodos promediados, mayor será la capacidad de amortiguación del ruido y menor es la respuesta al impulso del pronóstico y viceversa.

43

44 Promedios móvil 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.

45 Ejemplo de promedio móvil ponderado:
Semana Demanda Peso relativo 1 650 0.2 2 678 0.3 3 720 0.5 Se solicita el pronóstico para la semana 4: 720x x x0.2 = 693

46 Suavización Exponencial
La dificulta del promedio móvil y el promedio móvil ponderado es que se necesita contar siempre con una cantidad importante de datos. Asumiendo como premisa válida “Los datos más recientes indican mejor el futuro que los de un pasado más distante”, surge la suavización Exponencial. Esta es la técnica más utilizada para pronosticar.

47 La más reciente demanda puede tener la más alta ponderación.
Ft = Ft-1 + α (At-1 – Ft-1) donde: Ft : Pronóstico por S.E. para el período t Ft-1 : Pronóstico por S.E. para el período anterior At-1 : Demanda real en el período anterior α : Constante de suavización [0 a 1] La más reciente demanda puede tener la más alta ponderación. La importancia de los datos disminuye en la medida en que el pasado se hace más distante. Cada incremento del pasado disminuye en (1- α).

48 α determina el nivel de uniformidad y la velocidad de reacción a las diferencias entre las proyecciones y las demandas reales. Se determina por la naturaleza del producto; la recomendación general es que los valores de α grandes se usan en situaciones en que los datos presentan alta variabilidad entre periodos. Mientras mayor sea la ponderación de α asignada a la demanda actual, mayor será la influencia de este punto en el pronóstico.

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

50 Semana Demanda Pronóstico α = 0.1 α = 0.2 α = 0.3
α = 0.1 α = 0.2 α = 0.3 7 85 85.0* 85.0 8 102 9 110 86.7 88.4 90.1 10 90 89.0 92.7 96.1 11 105 89.1 92.2 94.2 12 95 90.7 94.7 97.5 13 115 91.1 94.8 96.7 14 120 93.5 98.8 102.2 15 80 96.2 103.1 107.5 16 94.6 98.5 99.3 17 100 97.8 98.0 * Todos los pronósticos para la séptima semana fueron seleccionados arbitrariamente. Se necesita un pronóstico inicial para utilizar la suavización inicial. Usualmente se parte de los datos reales del periodo.

51 Entre más elevado es α , más alta es la respuesta al impulso del pronóstico y menor su capacidad de amortiguación del ruido y viceversa.

52

53 Regresión Lineal La serie de datos históricos se ajusta a una línea recta. Se asume que la variable dependiente (ventas) cambia a través del tiempo. Yt = A + B X A es la intersección con el eje Y  B es la pendiente de la recta calculado a partir de todos los datos.

54 Ejemplo de Regresión Lineal:
Periodo Ventas 1 1000 2 1300 3 1800 4 2000 5 6 7 2200 8 2600 9 2900 10 3200

55 Línea de tendencia

56 Análisis de la regresión:
Estadísticas de la regresión Coeficiente de correlación múltiple 0, Coeficiente de determinación R^2 0, R^2 ajustado 0, Error típico 173,030038 Observaciones 10 Si se desea pronosticar las ventas en miles de unidades para el período 12, simplemente se reemplaza este valor de X en la ecuación de regresión obtenida: Y12 = * 12 = 3.502,4 = 3503

57 Descomposición de una serie de tiempo
Se puede definir una serie de tiempo como los datos ordenados en forma cronológica que pueden contener uno o varios componentes de la demanda: tendencia, estacionalidad, ciclos o variación aleatoria. La descomposición de una serie de tiempo consiste en identificar y separar los datos de la serie en estos componentes.

58 Ejemplo de una serie de tiempo con tendencia y estacionalidad:
Nº trimestre Nº pasajeros (en miles) 1 3,5 2 8 3 5,5 4 10 5 9,5 6 14 7 11,5 16 9 15,5 20 11 17,5 12 22 13 21,5 26

59 Línea de tendencia

60 X Trimestre Y F Y/F 1 3,5 4,3 0,82 2 8 5,8 1,38 3 5,5 7,4 0,75 4 10 8,9 1,12 5 9,5 10,5 0,91 6 14 12,0 1,17 7 11,5 13,5 0,85 16 15,1 1,06 9 15,5 16,6 0,93 20 18,2 1,10 11 17,5 19,7 0,89 12 22 21,3 1,03 13 21,5 22,8 0,94 26 24,4 1,07

61 Y16 = 2,7253 + 1,5462 (16) = 27,4645 Valor con tendencia
AÑO Trimestre 1 2 3 4 0,82 1,38 0,75 1,12 0,91 1,17 0,85 1,06 0,93 1,1 0,89 1,03 0,94 1,07 TOTAL 3,6 4,72 2,49 3,21 PROMEDIO 0,9 1,18 0,83 Si se desea pronosticar la demanda para el período 16 se procedería así: Y16 = 2, ,5462 (16) = 27, Valor con tendencia Y16 = 27,4645 * 1,07 = Valor ajustado con estacionalidad

62 Otros métodos de series de tiempo más sofisticados
Métodos de predicción autoregresivos Métodos de Box - Jenkins Métodos econométricos más complejos.

63 Errores en las series de tiempo
El error hace referencia a la diferencia entre el valor del pronóstico y lo ocurrido en la realidad. Es la precisión del pronóstico. La demanda de un producto es generada por la interacción de una serie de factores demasiado compleja como para que un modelo la describa con exactitud. Por lo tanto, todos los pronósticos contienen cierto grado de error.

64 Medición del error Desviación media absoluta (MAD- Mean Absolute Desviation) El MAD representa el error promedio de los pronósticos que emplean valores absolutos. At = Demanda real para el periodo Ft = Demanda pronosticada para el periodo t = Periodo N = total del periodos | | = Valor absoluto

65 Medición del error Señal de rastreo (TS – Tracking Signal)
Es una medida que indica si el promedio del pronóstico está siguiendo el ritmo de un verdadero cambio ascendente o descendente en la demanda. La señal de rastreo constituye el número de desviaciones medias absolutas en que el valor del pronóstico está por arriba o por debajo de los hechos. Si el modelo de pronóstico esta desempeñándose bien la señal de rastreo debería ser igual a cero, indicando que ha habido aproximadamente tantos puntos reales por encima del pronóstico como por debajo.

66 El signo de la señal de rastreo es muy importante para indicar la dirección del error del pronóstico. Si la señal de rastreo es positiva, se ha subestimado y si es negativa se ha sobrestimado. At = Demanda real para el periodo Ft = Demanda pronosticada para el periodo t = Periodo N = total del periodos

67 Ejemplo del cálculo de la precisión: MAD y TS
Mes Ft At Desviación Σ algebr Desv. Abs. Σ Desv. MAD TS 1 1000 950 -50 50 -1 2 1070 +70 +20 70 120 60 0.33 3 1100 +100 +120 100 220 73.3 1.64 4 960 -40 +80 40 260 65 1.2 5 1090 +90 +170 90 350 2.4 6 1050 +50 +220 400 66.7 3.3

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

69 Pronósticos de relaciones causales
Estos métodos se usan en predicciones de largo plazo y cuando se dispone de información confiable. Ejemplo: El consumo eléctrico se estima que depende de: Crecimiento del PIB Indice de actividad industrial Crecimiento de la población

70 Ejemplo de pronóstico de relaciones causales:
Ventas anuales (Millones US) Y Número de tiendas detallistas X1 Número de autos registrados (Millones) X2 Ingreso personal (Miles de millones US) X3 Antigüedad promedio de los automóviles (Años) X4 Número de supervisores X5 37,702 1739 9,27 85,4 3,5 9 24,196 1221 5,86 60,7 5,0 5 32,055 1846 8,81 68,1 4,4 7 3,611 120 3,81 20,2 4,0 17,625 1096 10,31 33,8 45,919 2290 11,62 95,1 4,1 13 29,600 1687 8,96 69,3 15 8,114 241 6,28 16,3 5,9 11 20,116 649 7,77 34,9 5,5 16 12,994 1427 10,92 15,1 10

71 Análisis de resultados:
Matriz de correlaciones Ventas Tiendas Autos Ingreso Edad Supervisores 0.899 - 0.605 0.775 0.964 0.825 0.409 -0.323 -0.489 -0.447 -0.349 0.286 0.183 0.395 0.155 0.291

72 Matriz de coeficientes
Predictor Coeficiente Desv. Estándar t- ratio Constante -19,672 5,422 -3,63 Tienda -0,000629 0,002638 -0,24 Carros 1,7399 0,5530 3,15 Ingreso 0,40994 0,04385 9,35 Edad 2,0357 0,8779 2,32 Supervisores -0,0344 0,1880 -0,18 Análisis de varianza Fuente g.l S.C C.M Regresión 5 318.76 Error 4 9.08 2.27 Total 9

73 Modelo excluyendo tiendas y supervisores
Matriz de coeficientes Predictor Coeficiente Desv. Estándar t- ratio Constante -18,924 3,636 -5,20 Carros 1,6129 0,1979 8,15 Ingreso 0,40031 0,01569 25,52 Edad 1,9637 0,5846 3,36 Análisis de varianza Fuente g.l S.C C.M Regresión 3 1593,66 531,22 Error 6 9,23 1,54 Total 9 1602,89

74 Simulación como herramienta de pronóstico
La simulación en el computador es una técnica poderosa para abordar problemas complicados. Es una descripción de un problema reducida a un programa informático. se trata de modelos dinámicos, usualmente basados en computadores, que cruzan los datos de las variables internas (capacidad de producción, por ejemplo) y externas (niveles de poder adquisitivo de su mercado) para pronosticar la demanda. La simulación es una herramienta común para modelar problemas de planeación en producción. Se utiliza con menor frecuencia como herramienta de pronóstico.

75 Factores que determinan la selección de un método de pronóstico
Información disponible Costo involucrado Importancia de la decisión Horizonte de tiempo Naturaleza del producto