facultad de ingenierÍa - universidad...
TRANSCRIPT
SISTEMA DE APOYO BASADO EN PRONÓSTICOS PARA LA INDUSTRIA FARMACÉUTICA
CARMEN A. RIVILLO C. ALBERTO J. TOMASINI F.
Tutor: Juan C. Trabucco F.
Caracas, septiembre 2005
FACULTAD DE INGENIERÍA
ESCUELA DE INGENIERÍA DE SISTEMAS
ii
DERECHO DE AUTOR
Quienes suscriben, en condición de autores del Trabajo Final de Grado titulado:
“SISTEMA DE APOYO BASADO EN PRONÓSTICOS PARA LA INDUSTRIA
FARMACÉUTICA”, declaramos que: “Cedemos a título gratuito y en forma pura y
simple, ilimitada e irrevocable a la Universidad Metropolitana, los derechos de
autor de contenido patrimonial que nos corresponden sobre el presente trabajo.
Conforme a lo anterior, esta cesión patrimonial solo comprenderá el derecho para
la Universidad de comunicar públicamente la obra, divulgarla, publicarla o
reproducirla en la oportunidad que ella así lo estime conveniente, así como la de
salvaguardar nuestros intereses y derechos que nos corresponden como autores
de la obra antes señalada. La Universidad Metropolitana en todo momento deberá
indicar que la autoría o creación del trabajo corresponde a nuestra persona, salvo
los créditos que se deban hacer al tutor o cualquier tercero que haya colaborado o
fuere hecho posible la realización de la presente obra”.
En la ciudad de Caracas, a los nueve (9) días del mes de septiembre de 2005.
Carmen A. Rivillo C. Alberto J. Tomasini F. C.I. 15.665.686 C.I. 15.250.116
iii
APROBACIÓN
Considero que el Trabajo Final de Grado titulado:
SISTEMA DE APOYO BASADO EN PRONÓSTICOS PARA LA INDUSTRIA
FARMACÉUTICA
elaborado por los bachilleres:
CARMEN AIDA RIVILLO CALATRAVA
ALBERTO JOSÉ TOMASINI FLAMINI
para optar al título de:
INGENIERO DE SISTEMAS
Reúne los requisitos exigidos por la Escuela de Ingeniería de Sistemas de la
Universidad Metropolitana, y tiene méritos suficientes como para ser sometido a la
presentación y evaluación exhaustiva por parte del jurado examinador que se
designe.
En la ciudad de Caracas, a los 09 días del mes de septiembre de 2005.
________________________
JUAN C. TRABUCCO F.
iv
ACTA DE VEREDICTO
Nosotros, los abajo firmantes, constituidos como jurado examinador y reunidos en
Caracas, el día ___ del mes de septiembre de 2005, con el propósito de evaluar el
Trabajo Final titulado:
SISTEMA DE APOYO BASADO EN PRONÓSTICOS PARA LA INDUSTRIA
FARMACÉUTICA
elaborado por los bachilleres:
CARMEN AIDA RIVILLO CALATRAVA
ALBERTO JOSÉ TOMASINI FLAMINI
para optar al título de:
INGENIERO DE SISTEMAS
emitimos el siguiente veredicto:
Reprobado____ Aprobado ____ Notable ____ Sobresaliente ___
Sobresaliente con mención honorífica____
Observaciones:_____________________________________________________
_____________________________________________________________
____________________ ____________________ ____________________ Blanca Quintero Juan C. Villalba Juan C. Trabucco
Jurado Jurado Jurado
v
AGRADECIMIENTOS
Agradecemos…
A Dios, por guiarnos y darnos fuerzas para realizar y culminar este Trabajo de
Grado.
A nuestros padres y familiares por habernos apoyado siempre y de manera
incondicional.
A nuestro tutor, Juan Carlos Trabucco, por todo su tiempo y dedicación en todo el
desarrollo de nuestro Trabajo de Grado.
A Néstor Guerrero, quien nos dedicó innumerables noches de largas explicaciones
y enseñanzas. Néstor, gracias por tu paciencia!
A Andrea Tomasini, por enseñarnos con su gran experiencia en la industria
farmacéutica y explicarnos una y otra vez cuando no comprendíamos.
A Carlos Ribeiro, quien nos ayudó a solucionar los últimos detalles técnicos del
sistema.
A Rafael Buitriago que compartió con nosotros su gran conocimiento en las
herramientas que utilizamos en el sistema.
Y a todos aquellos que de una u otra manera contribuyeron en la realización de
éste Trabajo de Grado. Muchas gracias!
Carmen Rivillo y Alberto Tomasini
vi
TABLA DE CONTENIDO DERECHO DE AUTOR............................................................................................ii APROBACIÓN ........................................................................................................ iii ACTA DE VEREDICTO...........................................................................................iv AGRADECIMIENTOS ............................................................................................. v TABLA DE CONTENIDO ........................................................................................vi LISTA DE TABLAS Y FIGURAS ........................................................................... viii RESUMEN ..............................................................................................................xi INTRODUCCIÓN .................................................................................................... 1 CAPÍTULO I. TEMA DE INVESTIGACIÓN.............................................................. 3
I.1 Planteamiento del Problema........................................................................... 4 I.2 Objetivos de la Investigación .......................................................................... 5
CAPÍTULO II. MARCO TEÓRICO........................................................................... 8 II.1 Industria Farmacéutica .................................................................................. 9
II.1.1 International Medical Services (IMS)..................................................... 11 II.2 Sistema de Apoyo a las Decisiones............................................................. 16
II.2.1 Características de los Sistemas de Apoyo a las Decisiones ................. 18 II.3 Investigación de Operaciones...................................................................... 21 II.4 Pronósticos .................................................................................................. 22
II.4.1 Necesidad y Función de los Pronósticos en la Planificación y la Toma de Decisiones...................................................................................................... 24 II.4.2 Reseña Histórica sobre los Enfoques para Pronósticos........................ 26
II.5 Métodos de Predicción ................................................................................ 30 II.5.1 Métodos Discrecionales ........................................................................ 30 II.5.2 Métodos Cuantitativos........................................................................... 32 II.5.3 Métodos Tecnológicos .......................................................................... 34
II.6 Modelos de Series de Tiempo ..................................................................... 35 CAPÍTULO III. MARCO METODOLÓGICO........................................................... 48
III.1 Levantamiento de Información.................................................................... 49 III.2 Selección de los Modelos Matemáticos ...................................................... 51
III.2.1 Modelo de Suavizamiento Exponencial Múltiple (Brown, 1959)........... 62 III.2.2 Modelo de Tendencia Corregida con Suavizamiento Exponencial (Suavizamiento Exponencial Lineal de Holt, 1957) ........................................ 66 III.2.3 Modelo de Predicción de Promedios Móviles Exponencialmente Ponderados (Holt-Winters, 1960)................................................................... 69 III.2.4 Construcción de la Constante de Suavizado Óptima en el Método de Suavizamiento de Brown................................................................................ 73
III.3 Diseño del Sistema..................................................................................... 76 III.3.1 Modelado de Requerimientos .............................................................. 76
III.3.1.1 Identificación de los Actores .......................................................... 76 III.3.1.2 Diagrama de Casos de Uso........................................................... 77 III.3.1.3 Diagrama de Clases ...................................................................... 81 III.3.1.4 Diagrama de Secuencia ................................................................ 82
III.4 Desarrollo del Sistema................................................................................ 86
vii
III.5 Prueba del Sistema .................................................................................... 88 CAPÍTULO IV. SAPIF............................................................................................ 90
IV.1 Recorrido a través el sistema SAPIF.......................................................... 91 CAPÍTULO V. CONCLUSIONES Y RECOMENDACIONES ............................... 120 REFERENCIAS BIBLIOGRÁFICAS .................................................................... 133 APÉNDICE A....................................................................................................... 137 APÉNDICE B....................................................................................................... 139 APÉNDICE C ...................................................................................................... 141 APÉNDICE D ...................................................................................................... 143
viii
LISTA DE TABLAS Y FIGURAS
TABLAS 1. Taxonomía para los métodos de suavizamiento exponencial, 59.
2. Modelo de patrones de datos a considerar en los procesos de pronósticos
basados en la clasificación de Pegels (1969), 61.
3. Casos de Uso, 78.
FIGURAS 1. Diagrama de representación de las ventas de los productos farmacéuticos,
11.
2. Patrón de datos horizontal, 39.
3. Patrón de datos estacional, 41.
4. Patrón de datos cíclicos, 42.
5. Patrón de datos tendencial, 43.
6. Series de productos con componentes similares, 52.
7. Series de productos con varianzas diferentes, 53.
8. Serie con comportamiento heterocedastico, 54.
9. Técnica para el análisis de variabilidad aplicada a la serie de un producto,
55.
10. Métodos de pronósticos aplicados a la serie de un producto, 57.
11. Diagrama de Casos de Uso Usuario Administrador, 80.
12. Diagrama de Casos de Uso Usuario Operador, 81.
13. Diagrama de Clases, 82.
14. Diagrama de Secuencia. Ingresar Laboratorio, 84.
15. Diagrama de Secuencia. Solicitar Ventas, 84.
16. Diagrama de Secuencia. Generar Gráficos, 85.
17. Diagrama de Secuencia. Generar Pronósticos, 85.
18. Diagrama de Secuencia. Ingresar Producto, 86.
19. Inicio de Sesión, 92.
ix
20. Ventana de bienvenida, 93.
21. Menú principal, 94.
22. Despliegue de ventanas, 95.
23. Registrar usuario, 96.
24. Registrar laboratorio, 97.
25. Registrar presentación, 98.
26. Registrar producto, 99.
27. Registrar área terapéutica, 100.
28. Registrar clase de producto, 100.
29. Registrar sub-clase de producto, 101.
30. Registrar clasificación de producto, 102.
31. Consultar usuario, 103.
32. Consultar laboratorio, 104.
33. Consultar presentación, 105.
34. Consulta por categoría de producto, 106.
35. Consulta por características de producto, 107.
36. Consulta por presentación de producto, 108.
37. Consulta todas las categorías existentes, 109.
38. Consulta por ventas de producto, 110.
39. Seleccionar dos productos, 110.
40. Gráfico comparativo de las ventas de unidades de dos productos, 111.
41. Método sugerido, 112.
42. Datos a utilizar en el pronóstico, 112.
43. Suavizamiento de Brown, 113.
44. Método de Holt, 114.
45. Método de Holt-Winters, 114.
46. Gráfico representativo del método de suavizamiento de Brown, 115.
47. Gráfico representativo del método de Holt, 116.
48. Gráfico representativo del método de Holt-Winters, 116.
49. Datos a utilizar en el método de Holt-Winters, 117.
x
50. Autocorrelación muestral, 118.
51. Acerca de SAPIF, 119.
xi
RESUMEN
SISTEMA DE APOYO BASADO EN PRONÓSTICOS PARA LA INDUSTRIA
FARMACÉUTICA
Autores: Carmen A. Rivillo C.
Alberto J. Tomasini F.
Tutor: Juan C. Trabucco F. Caracas, septiembre 2005
El presente Trabajo de Grado tiene como objetivo principal desarrollar un sistema de apoyo para la industria farmacéutica que, mediante la integración de modelos matemáticos con una base de datos, sea capaz de realizar pronósticos en el tiempo. Se realizó una amplia investigación en lo que respecta a modelos de pronósticos y métodos de predicción para satisfacer el objetivo principal. De igual forma, se realizaron investigaciones sobre pronósticos basados en modelos de suavizamiento exponencial, pronósticos de ventas, análisis de series de tiempo, investigación de operaciones y sistemas de apoyo para la toma de decisiones. Para la elaboración del Trabajo de Grado, se utilizó el enfoque de investigación de operaciones y se seleccionaron los modelos matemáticos siguientes: suavizamiento exponencial múltiple de Brown, modelo lineal de Holt, y modelo de predicción de promedios móviles exponencialmente ponderados de Holt-Winters. Una vez implementados dichos modelos, los mismos se integraron en un sistema diseñado utilizando el modelado UML. El desarrollo de la aplicación se llevó a cabo utilizando el lenguaje Visual Basic 6, y la elaboración de la base de datos fue realizada con Microsoft Access 2003, debido a la disponibilidad de material de referencia y por ser éste el estándar utilizado en la empresa Schering Plough donde se realizaron entrevistas con expertos en el área. Con este sistema, el personal de la industria farmacéutica podrá disponer de una gran base de datos constantemente actualizada con todos los productos farmacéuticos y sus ventas respectivas, sobre la cual podrá realizar pronósticos de acuerdo a sus necesidades.
1
INTRODUCCIÓN
En los negocios existe frecuentemente una necesidad de hacer predicciones
completamente automatizadas que involucren tendencia, estacionalidad y
otras características de los datos sin necesidad de la intervención humana.
Por ejemplo, en el manejo de las cadenas de abastecimiento, son requeridas
regularmente predicciones de la demanda sobre un elevado número de
series de tiempo, para que los niveles de inventario puedan ser planeados, y
así proveer a los consumidores de unos niveles de productos aceptables.
En el caso de la industria farmacéutica venezolana, la cual administra miles
de productos cuyas ventas se actualizan mensualmente, se carece de una
herramienta que facilite al personal de la industria el manejo de la base de
datos, capaz además de realizar diferentes pronósticos de las ventas de
todos los productos. Esta información fue presentada en las entrevistas
realizadas con personal de la industria.
Los métodos más exitosos de predicciones automatizadas en la práctica
están basado en modelos de suavizamiento exponencial, por su versatilidad
y aplicabilidad a situaciones donde se requiere analizar miles de series de
tiempo y la labor de pronóstico debe ser efectuada rápidamente. Existe una
variedad de estos modelos, donde los pronósticos son promedios
2
ponderados de observaciones pasadas, y a las observaciones recientes se
les da relativamente más peso que a las más antiguas. Según Hyndman, R.,
el nombre de suavizamiento exponencial refleja el hecho de que los pesos
decrecen exponencialmente a medida que las observaciones se alejan en el
pasado.
Por lo expuesto anteriormente, surgió la motivación de desarrollar un sistema
de apoyo que ofreciera la posibilidad de realizar pronósticos en el tiempo,
integrando una base de datos con modelos matemáticos, adaptadas
especialmente para ventas de la industria farmacéutica.
A fin de llevar a cabo esta investigación, el presente trabajo fue organizado
en cinco capítulos. En el primer capítulo se presenta el planteamiento del
problema y se presentan los objetivos de la investigación. El segundo
capítulo está destinado a desarrollar el marco teórico, el cual comprende el
área de pronósticos, análisis de series de tiempo, métodos de predicción,
sistemas de apoyo y la industria farmacéutica en relación con la compañía
IMS. Las características metodológicas de la investigación se presentan en el
tercer capítulo, para posteriormente presentar un recorrido a través del
sistema en el cuarto capítulo, y así llegar finalmente a las conclusiones y
recomendaciones elaboradas en base a los resultados de la investigación.
3
CAPÍTULO I. TEMA DE INVESTIGACIÓN
4
CAPÍTULO I. TEMA DE INVESTIGACIÓN
I.1 Planteamiento del Problema
Para los laboratorios de la industria farmacéutica es importante conocer el
comportamiento de las ventas de sus productos, ya que esto conllevará a
una toma de acciones efectivas y permitirá visualizar mecanismos para dar
solución a un problema real, como lo es la disminución en las ventas de un
producto, mediante comparaciones mes a mes contra productos de la
competencia.
En la actualidad, la industria farmacéutica maneja los datos a través de libros
mensuales con todos los detalles de las ventas y movimientos que han tenido
los productos en el mercado. Entre estos datos se puede mencionar las
unidades vendidas de cada presentación.
El problema que se presenta es la carencia de una herramienta que facilite al
personal de la industria la complicada labor de manejo de una base de datos,
disponible y actualizada mensualmente con datos del mercado farmacéutico
nacional, capaz de realizar pronósticos de las ventas de todos los productos;
permitiéndoles un estudio sobre las tendencias y fases de estacionalidad de
dichos productos a corto y/o mediano plazo (máximo de un año) abarcando
un análisis estadístico en períodos mensuales.
5
Esto, a su vez, podrá traer beneficios a todo nivel de la industria
farmacéutica, tanto monetarios con la reducción de costos y tiempo
empleado en el análisis de datos, respecto a sistemas menos automatizados
e integrados, como en la expansión de la información y en la actualización de
la tecnología, entre otros.
El éxito futuro de cualquier compañía, en este caso la industria farmacéutica,
depende mucho de su aptitud para pronosticar bien (Lieberman, 2001);
motivo por el cual la realización del presente Trabajo de Grado está basada
en la aplicación de pronósticos de ventas, como también en otros conceptos
de índole matemático.
I.2 Objetivos de la Investigación
El objetivo general de la investigación es desarrollar un sistema de apoyo
que ofrezca la posibilidad de realizar pronósticos en el tiempo, integrando
una base de datos con modelos matemáticos, adaptados especialmente para
ventas de la industria farmacéutica.
Entre los objetivos específicos contemplados en el presente Trabajo de
Grado, se encuentran los siguientes:
6
• Diseñar una base de datos que contenga toda la información sobre los
productos farmacéuticos, la cual se encuentra especificada en el
reporte PM (Pharmaceutical Market) elaborado por la compañía IMS
(International Medical Services) (IMS Health Incorporated, 2005).
• Establecer los modelos matemáticos que permitan realizar
predicciones, proyecciones y pronósticos a través del tiempo.
• Diseñar, desarrollar e implementar un sistema basado en los modelos,
que permita al usuario final tener un control sobre las ventas de los
productos farmacéuticos, con la finalidad de facilitar la toma de
decisiones. Esta herramienta debe ser capaz de:
o Presentar los resultados arrojados por los modelos y
compararlos con datos históricos, verificando el eficaz
desenvolvimiento del mismo.
o Presentar gráficos del comportamiento y los cambios en las
ventas de los medicamentos.
7
o Realizar pronósticos a las unidades de ventas de los productos
farmacéuticos a corto y mediano plazo en períodos mensuales
de hasta doce meses.
o Ofrecer gran facilidad al usuario no experto, en la realización
del cálculo de pronósticos para cualquier serie de productos.
o Evaluar los distintos escenarios que se pueden presentar, para
de esta manera mejorar la toma de decisiones.
8
CAPÍTULO II. MARCO TEÓRICO
9
CAPÍTULO II. MARCO TEÓRICO
II.1 Industria Farmacéutica
El mercado farmacéutico venezolano cuenta con más de 4.800 productos, los
cuales se venden en alrededor de 5.000 farmacias en todo el territorio
nacional. Actualmente, la industria farmacéutica venezolana requiere de
reportes de datos que ofrezcan un seguimiento mensual de las unidades
vendidas a las farmacias, de acuerdo a cada producto y otras características
de interés.
Los productos farmacéuticos se agrupan según determinados criterios en
hasta cuatro niveles (Vademecum Vallory, 2000), criterios que se explicarán
a continuación.
En un primer nivel se especifica el área del cuerpo humano en el cual actúa
cada producto. Dichas áreas, conocidas también como áreas terapéuticas, se
denotan mediante una letra del abecedario (véase el Apéndice A).
En un segundo nivel se forman varias clases, cada una asociada a un
número que indica los componentes de los fármacos que la forman. Por
ejemplo, en el área dermatológica, la clase 1 representa productos
antimicóticos, la clase 6 representa antibióticos, entre otros.
10
En algunos casos se utiliza un tercer nivel de clasificación o subclase que
indica la forma en que se encuentra el agente activo del producto: la letra A
indica que el agente activo está solo y B indica que el agente activo se
encuentra asociado.
Por último, para los productos con un agente activo asociado (la mayoría de
los productos farmacéuticos) se utiliza una clasificación de cuarto nivel
asociada a un número, similar a la clasificación de segundo nivel.
Cabe destacar, que no todos los niveles de especificación se refieren a la
misma característica, a excepción del primer nivel. Además no todos los
productos llegan a un cuarto nivel de especificación.
Por ejemplo, un producto con la especificación D7A indica que se trata del
área dermatológica, clase esteroides tópicos anti-inflamatorios, con agente
activo solo. En cambio D7B3 indica que se trata del área dermatológica,
clase esteroides tópicos anti-inflamatorios, con agente activo asociado con
antimicóticos y antibacterianos.
Adicionalmente a la clasificación por niveles anterior, debe tomarse en
consideración que los productos aparecen en distintas presentaciones, las
cuales especifican la forma: cremas, ungüentos, lociones, entre otros, la
concentración del elemento activo de la presentación, que aparece
11
expresada en porcentaje, y por último el tamaño de la presentación, descrito
en mililitros o gramos.
II.1.1 International Medical Services (IMS) IMS es una compañía con sede en EEUU que trabaja a nivel mundial
realizando un seguimiento a las ventas de los productos farmacéuticos. El
beneficio de esta compañía consiste en la distribución y venta de reportes a
los laboratorios de la industria farmacéutica.
La compañía IMS proporciona reportes de datos, los cuales constituyen
informes sobre las ventas de los productos farmacéuticos que se efectúan
únicamente desde los mayoristas (droguerías) o distribuidores, a las
farmacias (véase la Figura 1). Este reporte se origina mensualmente a través
de la consolidación de los datos que dichas droguerías entregan a IMS al
cierre de cada mes.
Figura 1. Diagrama de representación de las ventas de los productos farmacéuticos
Fuente: Elaboración Propia
12
En entrevistas sostenidas con el Sr. Juan Pedro Valpuesta, ex Gerente
General de IMS en Venezuela y el Sr. Vicente Gil, Gerente de Análisis de
Negocios del laboratorio Schering Plough (ubicada entre las cinco
corporaciones farmacéuticas más grandes del país), se ha tenido la
oportunidad de conocer los puntos de vista de ambas partes: el proveedor de
servicios y el cliente (usuario) y determinar la importancia del manejo de
información de ventas en esta industria.
En opinión del Sr. Valpuesta el nivel de precisión del reporte proporcionado
por IMS es superior al 90%.
De acuerdo con la información suministrada por el Sr. Vicente Gil, el mercado
venezolano tiene una magnitud de 2000 millones de dólares al mes y el 97%
de los mayoristas pasan sus reportes de ventas mensualmente a IMS. Entre
5 ó 6 mayoristas grandes cubren aproximadamente el 80% de las ventas,
otro 17% lo representan los mayoristas de mediano nivel y el 3% restante
son pequeños distribuidores que no cuentan con la tecnología para
suministrar sus datos a IMS.
IMS ofrece un reporte escrito y un reporte electrónico incluyendo las ventas
mensuales de cada uno de los productos farmacéuticos en cada una de las
subdivisiones y presentaciones.
13
El reporte escrito se encuentra estructurado con tres parámetros de tiempo
descritos de la manera siguiente: las ventas del mes en curso, el acumulado
de las ventas desde enero de cada año hasta el mes en curso y el
acumulado de las ventas de los últimos 12 meses (IMS Health Incorporated,
2005). Cada uno de estos tres grupos de tiempo, mes, “Year to Date” YTD y
“Moving Annual Total” MAT respectivamente, vienen reportado mes a mes,
esto hace que los tres grupos de tiempo cambien en cada reporte.
Asimismo, IMS informa en dicho reporte el precio oficial que tiene el producto
y la fecha en la cual el producto se introdujo al mercado farmacéutico.
Mensualmente, IMS mantiene un seguimiento de la participación de mercado
de los productos que han sido introducidos en los últimos 24 meses.
El reporte electrónico, a diferencia, ofrece la base de datos abierta mes a
mes de los últimos 60 meses (5 años) permitiendo manipularla según las
necesidades del usuario.
Adicionalmente, IMS genera un reporte mensual de los productos de mayor
venta en el mercado farmacéutico nacional.
La compañía International Medical Services (IMS), ofrece a los laboratorios
farmacéuticos un servicio que consiste en el antes mencionado seguimiento
14
mensual al mercado farmacéutico, conformando un amplio reporte de datos
que cuenta con millones de datos al mes, pues incluye las ventas de todos
los productos en todas sus presentaciones - que llegan a ser más de cuatro
por cada producto - y para los trabajadores de la industria es importante
extraer y agrupar solamente los datos de interés (en un momento dado) para
poder observar una “fotografía puntual”, que consiste en la información de las
ventas de sus productos en el mes a analizar.
Si por un lado, es de fundamental importancia para la industria farmacéutica
monitorear mensualmente las ventas de sus productos, por otra parte, es
también importante conocer las tendencias que siguen los productos a través
del tiempo, las cuales no pueden ser apreciadas en éste amplio reporte de
datos. Sin embargo, los datos históricos presentes en dicho reporte, permiten
analizar las tendencias históricas de los productos y al mismo tiempo realizar
pronósticos y predicciones que permiten proyectar su posible
comportamiento futuro, pronósticos a los cuales se hará mayor énfasis en el
desarrollo del presente Trabajo de Grado. En este mismo sentido, a menudo
se debe visualizar el comportamiento de los mismos de forma individual para
luego poder visualizarlos en comparación con los productos de la
competencia dentro del mercado farmacéutico venezolano.
15
Los reportes de datos suministrados por IMS a la industria farmacéutica
venezolana, se presentan de manera regional, llamado “Drug Distribution
Data” (DDD); y nacional llamado “Pharmaceutical Market” (PM).
El reporte Drug Distribution Data permite dividir el territorio nacional en
aproximadamente 1400 “bricks” o pequeños componentes geográficos
formados por uno o más códigos postales. Este reporte proporciona las
ventas mensuales de los productos farmacéuticos por bricks y regiones
formadas por un conjunto de bricks. Los laboratorios compran éstos reportes
por segmentos, adquiriendo así solamente los segmentos de interés. En éste
reporte se consideran solo el 97% de las ventas suministradas por las
droguerías.
El reporte Pharmaceutical Market suministra las ventas en bolívares y
dólares de todos los productos en las farmacias además de las medicinas,
como la leche, cereales, entre otros. Tiene un nivel nacional, muestra los
totales vendidos de los productos en todo el país. En éste reporte se
proyectan el 97% de las ventas suministradas a un 100%.
16
II.2 Sistema de Apoyo a las Decisiones
Existen tres tipos de decisiones (Turban, 1993):
Decisiones Estructuradas, abarcan procesos que se refieren a problemas
rutinarios y repetitivos para los cuales existe una solución estándar o
definida.
Decisiones No Estructuradas, referidas a procesos imprecisos y problemas
complejos, donde la intuición humana es frecuentemente la base para la
toma de decisiones; el tomador de decisiones debe escoger las condiciones
que lo lleven a una solución: inventar, desarrollar y analizar los posibles
cursos de acción y seleccionar la acción a tomar de las habilitadas.
Decisiones Semi-Estructuradas, se encuentran entre los problemas
estructurados y no estructurados, envolviendo una combinación de ambos:
procedimientos con soluciones estándares y juicio individual.
Los primeros conceptos de sistemas de apoyo a las decisiones son
expuestos a principios de 1970 por Scott Morton bajo el término de
administración de sistemas de decisión. Él definió dichos sistemas como
“sistemas interactivos computarizados que ayudan a los tomadores de
decisiones a utilizar datos y modelos para solucionar problemas no
estructurados” (Turban, 1993).
17
Una definición clásica ofrecida por Keen y Scott Morton en su obra Decision
Support Systems: An Organizational Perspective. [Reading, MA: Addison-
Wesley, Inc., 1978], indica que un sistema de apoyo a las decisiones es
aquel que es capaz de unir el intelecto de los individuos con las capacidades
del computador en miras de mejorar la calidad del proceso de toma de
decisión. Técnicamente, es un sistema de apoyo computarizado para la
conducción de decisiones que se enfrentan a problemas semi-estructurados
y no estructurados.
En un amplio sentido, los sistemas de apoyo a la toma de decisiones
(Decision Support Systems ó DSS), se definen como un conjunto de
programas y herramientas que permiten obtener de manera oportuna la
información que se requiere durante el proceso de la toma de decisiones que
se desarrolla en un ambiente de incertidumbre (Cohen y Asín, 2000).
En la mayoría de los casos, lo que constituye el detonante de una decisión es
el tiempo límite en el que se debe tomar la misma, aunque no se disponga de
toda la información requerida. Esto implica necesariamente que el verdadero
objetivo de un sistema de apoyo a las decisiones es proporcionar la mayor
cantidad de información relevante en el menor tiempo posible, con el fin de
decidir lo más adecuado (Cohen y Asín, 2000).
18
Los sistemas de apoyo a las decisiones tienen los siguientes componentes
(Turban, 1993):
• Manejador de Datos, incluye la base de datos, la cual contiene datos
relevantes para la situación dada y es manejada por un software llamado
sistema de gestión de datos (Database Management Systems ó DBMS).
• Manejador de Modelos, conforma un paquete de software que incluye
finanzas, estadística, ciencia u otro modelo cuantitativo que proporciona
las capacidades analíticas del sistema.
• Subsistema de Comunicación, proporciona la interfaz del usuario
mediante la cual este puede comunicarse con el DSS y ejecutar en él
alguna orden o acción mediante este subsistema.
• Gestión de Conocimiento, subsistema opcional que puede ofrecer soporte
a cualquiera de los otros subsistemas o actuar como un componente
independiente.
II.2.1 Características de los Sistemas de Apoyo a las Decisiones Entre las principales características que posee un sistema de apoyo a las
decisiones, se mencionan las siguientes (Cohen y Asín, 2000):
Interactividad: se refiere a la posibilidad que tiene el sistema computacional
de interactuar en forma amigable y con respuesta a tiempo real con el
encargado de tomar decisiones.
19
Tipo de decisiones: apoya el proceso de toma de decisiones semi-
estructuradas y no estructuradas.
Frecuencia de uso: tiene una utilización frecuente por parte de la
administración media y alta para el desempeño de su función.
Variedad de usuarios: puede emplearse por usuarios de diferentes áreas
funcionales como ventas, producción, administración, finanzas y recursos
humanos.
Flexibilidad: permite acoplarse a una variedad de estilos administrativos:
autocráticos, participativos, entre otros.
Desarrollo: permite que el usuario desarrolle de manera directa modelos de
decisión sin la participación operativa de profesionales en informática.
Interacción ambiental: permite la posibilidad de interactuar con información
externa como parte de los modelos de decisión.
Comunicación inter-organizacional: facilita la comunicación de información
relevante de los niveles altos hacia los niveles operativos y viceversa, a
través de gráficas.
20
Acceso a bases de datos: tiene la capacidad de acceder información de las
bases de datos corporativas.
Simplicidad: simple y fácil de aprender y utilizar por el usuario final.
El DSS tiene como finalidad apoyar la toma de decisiones mediante la
generación y evolución sistemática de diferentes alternativas o escenarios de
decisión, todo esto utilizando modelos y herramientas computacionales. Un
DSS no soluciona problemas, ya que sólo apoya el proceso de la toma de
decisiones. La responsabilidad de tomar una decisión, de optarla y de
ponerla en práctica es de los administradores, no del DSS (Cohen y Asín,
2000).
21
II.3 Investigación de Operaciones
La investigación de operaciones se aplica a problemas referidos a la
conducción y coordinación de operaciones o actividades dentro de una
organización. Intenta resolver los conflictos de interés entre los componentes
de la organización de forma que el resultado sea el mejor para la
organización completa. Esto no significa que el estudio de cada problema
deba considerar en forma explícita todos los aspectos de la organización,
más bien los objetivos que se buscan deben ser consistentes con los
objetivos globales (Hillier y Lieberman, 2001).
La investigación de operaciones aspira a determinar el mejor curso de acción
(óptimo) de un problema de decisión con la restricción de recursos limitados.
Aunque las matemáticas y los modelos matemáticos representan una piedra
angular en investigación de operaciones, la labor consiste más en resolver un
problema que en construir y resolver modelos matemáticos. Específicamente,
los problemas de decisión suelen incluir importantes factores intangibles que
no se pueden traducir directamente en términos del modelo matemático. El
principal entre estos factores es la presencia del elemento humano en casi
todos los entornos de decisiones (Taha, 1995).
22
II.4 Pronósticos
Las personas hacen sus estimaciones en base a la experiencia propia
(información). La mayoría de las veces dichas predicciones son correctas,
pero en ocasiones los sucesos aleatorios alteran los resultados, generando
diferencias con respecto a esas estimaciones.
El objetivo básico de los pronósticos es recopilar y analizar observaciones
repetidas. La diferencia entre los pronósticos puramente subjetivos y los
cuantitativos consiste en el método por medio del cual se observa y se
registra la información. Si se registra directamente en la memoria y luego se
usa intuitivamente con fines de predicción, se dice que el pronóstico es
discrecional. Si se registra en alguna ubicación externa y se utiliza después
algún método de predicción para procesar sistemáticamente dicha
información, se dice que el pronóstico es cuantitativo (Makridakis y
Wheelwrigth, 2004). Las combinaciones de enfoques discrecionales y
cuantitativos son también comunes (Hillier y Lieberman, 2001).
Las empresas requieren que sus pronósticos se puedan obtener mediante la
identificación y extrapolación de patrones establecidos o relaciones
existentes. Por citar un ejemplo, las ventas de un producto X pueden
pronosticarse después de identificar ciertos patrones como la estacionalidad
de la demanda (si se vende mejor en el verano que en el invierno), la
tendencia (si a través del tiempo las ventan aumentan o disminuyen), la
23
ciclicidad (que refleja cómo son afectados los ingresos por el nivel de
actividad económica) y hasta donde la aleatoriedad afecta las ventas. Por
otra parte, las relaciones existentes podrían ser las que se dan entre la
publicidad o promociones y el volumen de las ventas, la influencia de
aumentos o disminuciones de los precios y los ingresos y la manera en que
las acciones de los competidores se reflejan en la demanda de los productos
de la empresa. En la terminología del mundo de los pronósticos, la
identificación de patrones pasados se asocia generalmente con series de
tiempo – es decir, patrones que están relacionados directamente con el paso
del tiempo – en tanto que la identificación de relaciones generalmente está
asociada con impactos causales.
Los administradores y otros usuarios de pronósticos deben aceptar y darse
cuenta de las limitaciones de las predicciones y la incertidumbre asociada
con todos los tipos de pronósticos; de otra forma, lo que les espera serán
resultados insatisfactorios y sorpresas desagradables. Los pronósticos no se
hacen con una esfera de cristal. En vez de esto, se identifican los patrones o
relaciones establecidas y estos mismos patrones se extrapolan o interpolan
de manera óptima a fin de realizar pronósticos. En tanto estos patrones o
relaciones no cambien, los pronósticos serán exactos. Sin embargo, no
existe forma de asegurar si los mismos cambiarán durante el período de
predicción. En realidad, se sabe que los patrones o relaciones cambian, a
menudo con demasiada frecuencia (Makridakis y Wheelwrigth, 2004).
24
Entender las limitaciones de los pronósticos y fijar expectativas apegadas a
la realidad en cuanto al funcionamiento futuro, son esenciales para hacer uso
efectivo de los pronósticos en la toma de decisiones (Makridakis y
Wheelwrigth, 2004).
El progreso científico ha mejorado considerablemente nuestra habilidad para
pronosticar sucesos futuros, aunque de manera dispareja en diversas áreas.
En el dominio de lo físico, los patrones son exactos y las relaciones precisas
y, para fines prácticos, permanecen inalterados a través del tiempo. Éste no
es el caso en el campo de la economía o de la empresa, en donde los
patrones y las relaciones se entremezclan con perturbaciones aleatorias y
cambian imprescindiblemente en el tiempo. Los sucesos o áreas aptas y no
aptas a ser pronosticadas con sus diversos alcances, en un intervalo corto y
mediano de tiempo, se pueden observar en el Apéndice B.
II.4.1 Necesidad y Función de los Pronósticos en la Planificación y la Toma de Decisiones En años recientes se ha puesto un mayor énfasis en mejorar la toma de
decisiones en las empresas y el gobierno (Makridakis y Wheelwrigth, 2004).
Un aspecto clave en la toma de decisiones consiste en ser capaz de predecir
las circunstancias que rodean las situaciones de decisión individuales. Al
25
analizar la variedad de requerimientos de planificación y toma de decisiones
se muestra claramente el porqué ningún método de pronósticos o conjuntos
de éstos puede satisfacer las necesidades de todos los casos del proceso
decisorio.
Una forma de clasificar la necesidad de elaborar pronósticos es considerar
las áreas funcionales a las cuales se refieren los pronósticos mismos, entre
las cuales se encuentran la de mercadeo, compras, la unidad económica, la
unidad ambiental, entre otras. Al utilizar la unidad organizacional o el área
funcional como una dimensión y el horizonte temporal de la planificación
como la otra, se traerán a colación situaciones específicas en las que se
consideran los pronósticos como un instrumento de gran utilidad (véase el
Apéndice C).
Generalmente, los pronósticos se utilizan para predecir (describir) qué
sucederá dado un conjunto de circunstancias (supuestos). Por otra parte, la
planificación implica el uso de dichos pronósticos para ayudar a tomar una
buena decisión sobre las alternativas más convenientes para la organización.
De esta manera, un plan se basa en la idea de que al emprender ciertas
acciones ahora, el tomador de decisiones puede influir los hechos
subsiguientes en una situación concreta y de este modo afectar los
resultados finales del rumbo deseado. Por ejemplo, si un pronóstico muestra
que la demanda disminuirá el próximo año, la empresa podría preparar un
26
plan de acción (como promover y publicitar el producto) que compensara o
revirtiera la disminución pronosticada de la demanda. En términos generales,
las predicciones y los pronósticos son insumos del proceso de planificación.
Un punto importante que los administradores deben tener presente es el
impacto en los pronósticos de las decisiones que toman. En otras palabras,
cuando se decide un curso de acción, puede ser que los pronósticos tengan
que ajustarse para reflejar el impacto de tal acción. Si el pronóstico no se
ajusta, puede convertirse en engañoso si se utiliza como base para tomar
otras decisiones. Además, no será posible evaluar la precisión del pronóstico
porque ya no refleja las circunstancias (supuestos) que existían cuando se
preparó (Makridakis y Wheelwrigth, 2004).
II.4.2 Reseña Histórica sobre los Enfoques para Pronósticos Antes del decenio de 1950, se registraron pocos o ningunos esfuerzos
sistemáticos de pronósticos en las empresas (Makridakis y Wheelwrigth,
2004).
A mediados de la década mencionada, dos avances muy importantes
cambiaron drásticamente el campo de los pronósticos. El primero fue la
introducción de una amplia variedad de técnicas de suavizamiento
exponencial y el segundo fue la introducción de la computadora. Al principio,
27
estos métodos de suavizamiento exponencial se utilizaron mas bien
tímidamente por el sector militar, pero luego se extendieron de forma gradual
a las organizaciones empresariales. Las mayores ventajas de estos métodos,
que estaban fundamentados empíricamente y orientados con sentido
práctico, eran su sencillez conceptual y su facilidad de computación. Aunque
dichas metodologías tuvieron un especial atractivo para los expertos en
pronósticos, la mayor parte de los profesionales y académicos del área
consideraron que esos métodos sencillos no podían ser suficientemente
precisos para merecer una seria atención. Tuvieron que pasar casi treinta
años antes de que los métodos de suavizamiento exponencial, tuvieran
amplia aceptación, reconociéndose que funcionarían tan bien como las
técnicas más refinadas. También debe hacerse mención que Robert G.
Brown, un prominente impulsor y proponente de los métodos de
suavizamiento exponencial, ha asegurado por más de treinta años de que
siempre es así (Makridakis y Wheelwrigth, 2004).
A partir del trabajo inicial en relación con los métodos de suavizamiento
exponencial en la década antes citada, se han desarrollado numerosas
variedades y extensiones de los mismos. Las más notables son las de Brown
(1950), Holt (1952) y Winters (1960) (Makridakis y Wheelwrigth, 2004).
En la década siguiente, se abrió la puerta a los métodos de predicción
estadísticamente más perfeccionados. Técnicas como la regresión múltiple y
28
los modelos econométricos se hicieron más prácticas y se utilizaron para
cuantificar y verificar la teoría económica con la información cuantitativa.
Durante las décadas de 1950 y 1960, la metodología de Box y Jenkins
proporcionó un procedimiento sistemático para el análisis de las series de
tiempo que fue suficientemente general para manejar prácticamente todas
las estructuras de datos en series de tiempo observados empíricamente
(Makridakis y Wheelwrigth, 2004).
Las variedades del método de promedio móvil autorregresivo (ARIMA)
desarrollado por Box y Jenkins comenzaron a surgir a mediados de la
década de 1970. Estas variaciones corrigieron algunos de los problemas
asociados con la metodología de Box y Jenkins, superando algunas de las
dificultades de cómputo. Estos nuevos métodos, que procedieron de una
diversidad de áreas (estadística, ingeniería), han tomado los nombres de
ARARMA, filtros de Kalman, modelos de vectores autorregresivos, entre
otros.
Por el lado cualitativo, los métodos de pronósticos tecnológicos también
fueron ampliamente aceptados durante las décadas de 1960 y 1970.
Métodos como el enfoque Delphi y el de las matrices de impacto cruzado se
utilizaron en un gran número de organizaciones. Tales enfoques intentaron
analizar tendencias de largo plazo. Al mismo tiempo, se realizó un esfuerzo
29
considerable en el campo de mercadeo sobre los temas de pronósticos de
nuevos productos y nuevos mercados, área donde la carencia de datos
históricos también era un problema.
Al principio del decenio de 1980 se estaban desarrollando más análisis
sistemáticos de métodos de juicio y de las ventajas y limitaciones de la mente
humana como herramienta para pronosticar.
Uno de los avances más interesantes en el campo de los pronósticos a
finales de la década de 1970 fue el reconocimiento de que las predicciones
eran inútiles en tanto no se aplicaran a propósitos de planificación y toma de
decisiones (Makridakis y Wheelwrigth, 2004).
30
II.5 Métodos de Predicción
De acuerdo con Hillier y Lieberman (2001), los métodos de predicción son
considerados como una de las aplicaciones de la investigación de
operaciones ya que aspira a determinar la solución óptima a un problema de
toma de decisión empleando dichos métodos de pronósticos.
Según Makridakis y Wheelwrigth (2004) los métodos de predicción se dividen
en tres categorías: discrecionales, cuantitativos y tecnológicos.
II.5.1 Métodos Discrecionales Los métodos discrecionales, también llamados métodos subjetivos por Hiller
y Lieberman (2001), son aquellos que usan solo la opinión de expertos,
dependiendo, por naturaleza, del juicio personal, de la intuición o de la
experiencia. En el área de mercadeo y ventas, estos métodos son en
especial valiosos cuando no se dispone de datos históricos de ventas o
cuando el mercado ha sufrido cambios importantes que hacen que los datos
sean poco confiables para pronosticar. Sin embargo, algunos tomadores de
decisiones prefieren utilizar una combinación de los métodos discrecionales y
de los cuantitativos (descritos en la siguiente sección).
En concordancia a Hillier y Lieberman (2001), los principales métodos
subjetivos se describen a continuación.
31
Opinión del administrador, ó juicio individual, incluye solo a un administrador
que usa su mejor juicio para hacer el pronóstico. En la mayoría de los casos,
es utilizado cuando se pronostican las ventas de productos individuales o de
familias de productos.
Jurado de opinión ejecutiva, u opinión gerencial, incluye a un pequeño grupo
de administradores de alto nivel que unen su mejor opinión para hacer un
pronóstico colectivo. Es considerado el más popular para los pronósticos de
ventas de toda la compañía o del sector industrial.
Mezcla de fuerzas de ventas, ó estimaciones de la fuerza de ventas, cada
vendedor proporciona una estimación de las ventas en su región. Estas
estimaciones son revisadas y agregadas a un pronóstico corporativo.
Investigación de mercado, incluye encuestas a clientes y clientes potenciales
respecto a sus planes de compra futuros y su respuesta a diferentes
características de los productos. Los datos son útiles para diseñar nuevos
productos y desarrollar pronósticos iniciales de ventas. Además ayudan a
planear la campaña de comercialización.
Método Delphi, emplea un grupo de expertos en diferentes lugares que
contestan un cuestionario de forma independiente. Este proceso se usa para
desarrollar pronósticos a largo plazo de tendencias generales.
32
Estos métodos son los que se utilizan comúnmente en las empresas y
organizaciones gubernamentales, no obstante otras clasificaciones son
posibles. Así, por ejemplo, Makridakis y Wheelwright (2004) clasifican el
método Delphi como un método tecnológico.
En los métodos discrecionales, los elementos relacionados a estaciones,
crecimiento o cambios abruptos se infieren a través de la experiencia
adquirida de observaciones repetidas. Sin embargo, debido a la manera en
que funciona la memoria y el cerebro procesa la información, los métodos
discrecionales no son mejores que los métodos cuantitativos cuando se trate
de identificar los tres primeros elementos.
II.5.2 Métodos Cuantitativos Los métodos cuantitativos son aquellos en que se han centrado la mayoría
de las publicaciones sobre pronósticos, formando el grupo que más se ha
estudiado sistemáticamente debido a que parecen ser los más promisorios
en una amplia gama de situaciones de toma de decisiones.
Existen tres subcategorías de estos métodos (Makridakis y Wheelwrigth,
2004):
33
• Los métodos de series de tiempo, buscan identificar patrones históricos
(empleando el tiempo como referencia) para enseguida pronosticar,
utilizando una extrapolación basada en estos patrones.
• Los métodos explicativos, tratan de identificar las relaciones que
conducen a resultados observados (causados) en el pasado y luego
pronosticar mediante la aplicación de tales relaciones al futuro.
• Los métodos de monitoreo, los cuales todavía no alcanzan un uso muy
extendido, buscan identificar cambios en los patrones y relaciones.
Básicamente se utilizan para indicar cuándo no es apropiada la
extrapolación de patrones o relaciones pasados.
Una de las grandes ventajas de los métodos cuantitativos es la facilidad que
se tiene para identificar los elementos de estacionalidad, tendencia, ciclicidad
y aleatoriedad de manera eficiente y objetiva. En consecuencia, cada uno de
los tres primeros elementos, pueden extrapolarse para preparar pronósticos
más exactos. Por definición, la aleatoriedad no puede pronosticarse, pero
una vez que ha sido aislada, su magnitud se puede estimar y utilizar para
determinar el alcance de la probable variación entre los resultados reales y
pronosticados. En otras palabras, la aleatoriedad ayuda a determinar el
alcance de la incertidumbre en las predicciones.
34
II.5.3 Métodos Tecnológicos Los métodos tecnológicos están relacionados con los pronósticos a largo
plazo de naturaleza tecnológica, social, económica y política. Estos métodos
emplean analogías históricas, son extrapolativas (utilizan patrones y
relaciones históricas como base de los pronósticos), hacen uso de objetivos,
metas y resultados deseados como base de los pronósticos, influyendo así
los sucesos futuros.
Los diferentes métodos de predicción, según sus áreas de desarrollo y
aplicación, se pueden apreciar en el Apéndice D.
35
II.6 Modelos de Series de Tiempo
El primer tipo de modelo de predicción cuantitativo, y quizás el más común,
es el modelo de series de tiempo. Existe una multitud de series de tiempo
encontradas en distintos y variados campos de la ingeniería, ciencia,
sociología y economía.
Una serie de tiempo es una sucesión cronológica de observaciones en una
variable particular (Bowerman y O´Connell, 1987).
Las series de tiempo forman un conjunto de observaciones {Xt}, establecidas
secuencialmente en el tiempo, de cierto fenómeno registrado o cantidad de
interés. De igual forma, se puede decir que son datos históricos que resumen
los cambios en los valores de las variables como una función del tiempo.
Las series de tiempo se pueden clasificar en discretas y continuas (Brokwell
y Davis, 1996). Las primeras involucran un conjunto de tiempos en los cuales
las observaciones realizadas forman un conjunto discreto, es decir, dichas
observaciones toman una cantidad numerable de valores, por ejemplo,
{0,1,2,3,…,n}. Las segundas son obtenidas cuando las observaciones son
registradas continuamente sobre algún intervalo de tiempo, por ejemplo [0,1].
Hoy en día diversas organizaciones requieren conocer el comportamiento
futuro de ciertos fenómenos por motivos de planificación y prevención, por
36
esta razón, utilizan los modelos de series de tiempo para predecir lo que
ocurrirá con una variable en el futuro a partir del comportamiento de esa
variable en el pasado.
Como una serie de tiempo es una descripción del pasado, un procedimiento
lógico para pronosticar el futuro es usar estos datos históricos. Si los datos
pasados indican lo que se puede esperar en el futuro, es posible proponer un
modelo matemático que sea representativo del proceso. Después, el modelo
puede usarse para generar pronósticos. En las situaciones reales, no se
tiene un conocimiento completo de la forma exacta del modelo que genera la
serie de tiempo, por lo que se debe elegir un modelo aproximado (Hillier y
Lieberman, 2001).
En un modelo de series de tiempo dos factores son importantes: la serie de
datos que se va a pronosticar y el período de tiempo a utilizarse. Un modelo
de series de tiempo supone siempre que algún patrón o combinación de
patrones es recurrente a través del tiempo. De esta manera, al identificar y
extrapolar dicho patrón, se pueden desarrollar pronósticos para períodos
subsecuentes (Makridakis y Wheelwrigth, 2004).
Además de la importancia de la secuencia de los períodos como variable en
un modelo de series de tiempo, tal modelo expone explícitamente que el
37
patrón subyacente puede identificarse solo con base en los datos históricos
de esa serie.
Una ventaja de los modelos de series de tiempo es que las reglas básicas de
contabilidad se orientan hacia períodos de tiempo secuenciales (Makridakis y
Wheelwrigth, 2004). Esto significa que en la mayoría de las empresas los
datos se encuentran prontamente disponibles con base en estos períodos de
tiempo y pueden utilizarse en la aplicación de un método de predicción de
series de tiempo.
Los pronósticos de series de tiempo no intentan descubrir los factores que
afectan el comportamiento de la serie, es decir, se basan en pronosticar qué
sucederá, no porqué sucederá.
El procedimiento más común para revisar la naturaleza de las series de
tiempo es graficar los datos históricos contra el tiempo. Examinando
visualmente la gráfica resultante, podemos obtener una evaluación inicial de
la naturaleza de los datos con respecto a fluctuaciones aleatorias,
estacionales y de tendencia (Taha, 1995).
38
Según Makridakis y Wheelwrigth (2004), los patrones o componentes
comúnmente encontrados en las series de tiempo son los siguientes: el
horizontal, el estacional, el cíclico y el de tendencia.
Existe un patrón horizontal generalmente cuando se hace referencia a la
serie como estacionaria, es decir, no tiende a aumentar o disminuir a través
del tiempo de ninguna manera sistemática. Por lo tanto, es tan probable que
el siguiente valor de la serie se encuentre arriba del valor medio como es que
se halle debajo de él.
La clase de situación que generalmente exhibe un patrón horizontal incluiría
los productos con ventas estables, el número de artículos defectuosos que
ocurren en un proceso de producción estable y, tal vez, las ventas de una
empresa durante períodos de tiempo aceptablemente cortos. Puede
observarse un patrón horizontal en la Figura 2.
39
Figura 2. Patrón de datos horizontal
Ventas mensuales Efficort
0
500
1,000
1,500
2,000
2,500
3,000
3,500
4,000
4,500
1 4 7 10 13 16 19 22 25 28 31 34 37 40 43
meses
unid
ades
(tod
as la
spr
esen
taci
ones
)
Fuente: Elaboración Propia (base de datos IMS)
Existe un patrón estacional cuando una serie tiene un comportamiento
repetitivo el cual ocurre una vez cada cierto período de tiempo (Makridakis y
Wheelwrigth, 2004). Las estaciones pueden ser de distinta duración, como lo
son los meses o las cuatro estaciones del año, pero también pueden ser las
horas del día, los días, las semanas, y hasta los minutos como es el caso del
consumo de llamadas desde teléfonos celulares. Los patrones estacionales
son muy comunes en innumerables campos de la vida cotidiana y ocurren
por un número de razones diferentes, que van desde la manera en que una
empresa ha elegido manipular ciertas operaciones (estaciones causadas
internamente) hasta los factores externos como el clima, las temperaturas,
los períodos vacacionales u otros tantos factores.
40
La idea de estacionalidad puede abarcar un contenido mucho más amplio.
Dos clases de estacionalidad muy comunes son la estacionalidad por
variación de días feriados y por variación de días hábiles (Diebold, 1999).
La variación de días feriados se refiere a las fechas de algunos días de
vacaciones que son cambiantes pero siempre ocurren alrededor de la misma
fecha, como por ejemplo los carnavales, que deben ser tomadas en cuenta
pues el comportamiento de muchas series se ven afectados por estos
asuetos.
La variación de días hábiles tiene relación con la cantidad de días hábiles
que contiene cada mes ya que esta es una consideración importante en
cuanto al pronóstico en ocurrencias de datos y volumen de cantidades en
ciertas series.
En la Figura 3 se puede apreciar un patrón estacional.
41
Figura 3. Patrón de datos estacional
Datos de ventas ficticios
0200400
600800
1,0001,200
1,4001,6001,800
1 3 5 7 9 11 13 15 17 19 21 23 25 27 29 31 33 35 37
meses
unid
ades
Fuente: Elaboración Propia
Un patrón cíclico es semejante al patrón estacional, pero la duración de un
ciclo único generalmente es mayor a un año. Muchas series, como el número
de inicios de construcción de viviendas, el precio de los metales, el producto
nacional bruto y las ventas de muchas empresas, contienen un patrón cíclico.
El patrón cíclico es difícil de pronosticar, porque no se repite a intervalos
constantes de tiempo y su duración no es uniforme. Puede observarse un
patrón cíclico en la Figura 4.
42
Figura 4. Patrón de datos cíclico
Ventas mensuales Erilon
0
2,0004,000
6,000
8,00010,000
12,000
14,00016,000
18,000
1 4 7 10 13 16 19 22 25 28 31 34 37 40 43 46 49 52 55 58
meses
unid
ades
(tod
as la
spr
esen
taci
ones
)
Fuente: Elaboración Propia (base de datos IMS)
Una tendencia o patrón tendencial ocurre cuando existe un aumento o
disminución general del valor de la variable a lo largo del tiempo. Las ventas
de muchas compañías, el producto nacional bruto, los precios y muchos
otros indicadores empresariales y económicos siguen un patrón de tendencia
en sus movimientos a través del tiempo.
Según Diebold (1999) existen varios tipos de tendencia, entre los cuales se
puede mencionar los siguientes, lineal, cuadrática, exponencial y logarítmica.
Tendencia lineal: T = ß0+ ß1* tiempo
En donde la variable tiempo se llama “indicador de tiempo” y toma los valores
enteros desde 1 hasta T.
43
En ocasiones se recurre a tendencias polinomiales de orden superior, pero
es importante utilizar polinomios de órdenes bajos para mantener la
suavidad, como por ejemplo la tendencia cuadrática.
Tendencia cuadrática: T = ß0+ ß1* tiempo + ß2* tiempo2
La tendencia exponencial es muy común en los negocios porque con
frecuencia las variables tienen tasas de crecimiento aproximadamente
constantes. Si la tendencia se caracteriza por un crecimiento constante con
tasa ß1, se puede escribir:
Tendencia exponencial: tiempoeT 10
ββ=
Tendencia logarítmica: ln(T) = ln(ß0) + ß1 * tiempo
Puede observarse un patrón de tendencia en la Figura 5.
Figura 5. Patrón de datos tendencial
Ventas mensuales Advantan
0
1,000
2,000
3,000
4,000
5,000
6,000
7,000
1 4 7 10 13 16 19 22 25 28 31 34 37 40 43
meses
unid
ades
(tod
as la
spr
esen
taci
ones
)
Fuente: Elaboración Propia (base de datos IMS)
44
En el análisis de series de tiempo existen varios conceptos que son
importantes definir, los cuales se presentan a continuación.
Homocedasticidad es un adjetivo que describe un modelo estadístico en el
cual los errores son graficados con la misma distribución para todos los
valores de las variables independientes (Econterms, 2005). Se dice que una
serie de tiempo es homocedástica cuando posee varianzas pequeñas o
similares en casi cualquier muestra.
Heterocedasticidad es un adjetivo que describe una muestra de datos en la
cual los errores son graficados con distribuciones diferentes para valores
distintos de las variables independientes (Econterms, 2005). Se dice que una
serie de tiempo es heterocedástica cuando posee varianzas grandes o
desiguales.
Para eliminar el componente de tendencia en una serie de tiempo, se puede
utilizar el operador Diferencias, el cual se denota mediante el símbolo ∇ y se
define de la manera siguiente (Brokwell y Davis, 1996):
1−−=∇ ttt XXX
El operador Diferencias también es utilizado para analizar las diferentes
varianzas que puede tener una determinada serie de tiempo.
45
Se define una serie estacionaria {Xt} como aquella para la cual se cumple
que {X1,…,Xn} y {X1+h,…,Xn+h} tienen las mismas distribuciones conjuntas
para todos los enteros h y n > 0, es decir, tienen propiedades estadísticas
similares (Brokwell y Davis,1996).
Cuando se refiere a series estacionarias se puede hacer mención a la
función de autocovarianza, la cual se utiliza para cuantificar la asociación
lineal entre un par de variables aleatorias, se representa Cov(h) y se define
de la siguiente manera:
ACov(h) = E [ (Xt+h – E(Xt+h)) * (Xt – E(Xt)) ]
En donde, Xt representa la serie estacionaria en el tiempo t (de igual forma
para Xt+h). E representa el valor esperado de la variable aleatoria, el cual es
la correspondiente medida de centralización de dicha variable aleatoria.
En la práctica, la función de autocovarianza se estima mediante la función de
autocovarianza muestral, la cual se presenta a continuación:
( )( )( )
n
XXXXhACovM
hn
ttht∑
−
=+ −−
= 1
En donde, X se refiere a la estimación de la serie y n al número total de
observaciones de la serie.
46
Por otra parte, se extiende la función de autocorrelación (ACF) la cual
involucra el término de autocovarianza y se define de la siguiente manera:
( ))0()(
CovhCovhACF =
Análogamente, en la práctica, la función de autocorrelación se estima
mediante la función de autocorrelación muestral, la cual involucra la función
de autocovarianza muestral y se define de la siguiente manera:
( ))0()(
ACovMhACovMhACFM =
De forma tradicional, se puede analizar una serie de tiempo siguiendo los
siguientes pasos (Brokwell y Davis, 1996):
1. Graficar la serie y examinar los componentes principales del gráfico,
revisando particularmente si presenta:
- Tendencia
- Componente estacionario
- Cambios aparentemente fuertes de comportamiento
- Observaciones fuera de rango
2. Remover la tendencia y los componentes estacionales para obtener los
llamados residuales estacionarios. Para lograr este objetivo a veces puede
ser necesario aplicar una transformación preliminar a los datos, como puede
ser, por ejemplo, aplicar algún logaritmo a todos los elementos de la serie.
47
3. Escoger un modelo que se ajuste a los residuales, haciendo uso de varias
estadísticas muestrales incluyendo la función de autocorrelación muestral.
48
CAPÍTULO III. MARCO METODOLÓGICO
49
CAPÍTULO III. MARCO METODOLÓGICO
En la realización del presente Trabajo de Grado es utilizada la metodología
desarrollada por Hernández et al (1999), continuamente revisada, la cual
combina el método científico aplicado a la investigación de operaciones y el
ciclo de vida en el diseño de sistemas bajo un enfoque UML (Unified
Modeling Language). Los principales pasos se especifican a continuación:
III.1 Levantamiento de Información
Esta etapa contempla una serie de investigaciones bibliográficas, consulta de
trabajos de grado, documentos encontrados en internet y entrevistas. La
búsqueda de información se enfocó en temas relacionados con pronósticos
basados en modelos de suavizamiento exponencial, pronósticos de ventas,
análisis de series de tiempo, investigación de operaciones y sistemas de
apoyo para la toma de decisiones.
En las áreas nombradas anteriormente se realizaron consultas a documentos
y libros especializados (Newbold, 1998; Makridakis y Wheelwrigth, 2004;
Hiller y Lieberman, 2001; Taha, 1997; Turban, 1993, Cohen y Asín, 2000;
entre otros), publicaciones especializadas (Billah, King, Snyder y Koehler,
2005; Hyndman, 2002; entre otras), trabajos de grado (Gamboa y Peña,
2004; De Castro y Prado, 2005) y páginas web (Monash University Australia,
2005; Peerforecaster, 2005; entre otras) para lograr una comprensión en
50
cuanto a pronósticos de ventas y modelos de predicción se refiere, con el fin
de aplicar estos conocimientos al desarrollo del trabajo de investigación para
la industria farmacéutica.
Por otra parte, se efectuaron diversas entrevistas a personal con desempeño
en la industria farmacéutica, a fin de recopilar toda la información necesaria
para evaluar las necesidades y definir el problema de la industria
farmacéutica. Entre las entrevistas cabe destacar las efectuadas con el Sr.
Vicente Gil, Gerente de Análisis de Negocios del laboratorio Schering Plough
y las conferencias en línea con el Dr. Andrea Tomasini, Consultor de la
Industria Farmacéutica, Milán – Italia, quienes facilitaron información sobre la
industria farmacéutica en general, la compañía IMS, así como datos
suministrados en sus reportes de ventas de los últimos cinco años.
51
III.2 Selección de los Modelos Matemáticos
En primer lugar se procedió al levantamiento de información y su respectivo
análisis. Posteriormente se escogieron los modelos matemáticos a
implementar en el desarrollo del sistema de apoyo para la industria
farmacéutica.
Para lograr esto, se estudiaron una variedad de modelos cuantitativos, los
cuales pudieran ofrecer pronósticos a las unidades de ventas de los
productos farmacéuticos, de acuerdo a los parámetros introducidos por el
usuario, la cantidad de datos históricos a utilizar para la predicción y el
período de tiempo futuro a pronosticar.
En una primera inspección de los datos se procedió a graficar las series
disponibles para los productos farmacéuticos del área terapéutica y la clase
seleccionada, y se agruparon los productos según comportamientos similares
de los componentes de sus series de tiempo, como se ejemplifica en la
Figura 6. Se observaron series con:
• Componente horizontal
• Tendencia ascendente
• Tendencia descendente
• Combinaciones de tendencias
• Combinaciones de curvas cóncavas y convexas
52
Figura 6. Series de productos con componentes similares
Productos con comportamientos similares
0
5,000
10,000
15,000
20,000
1 6 11 16 21 26 31 36 41 46 51 56
meses
unid
ades NEOSYNALAR SIMPLE
HALOG DIPROCEL
Fuente: Elaboración Propia (base de datos IMS)
Asimismo, se encontraron importantes cantidades de series de tiempo de
productos con intensa variabilidad, la cual se midió según la magnitud de los
residuales, en contraposición con otras series de comparativamente poca
varianza. En la Figura 7 se puede comparar el comportamiento altamente
volátil del producto Demiderm (mayor variabilidad) con el comportamiento
relativamente estable del producto Cutivate (menor variabilidad).
53
Figura 7. Series de productos con varianzas diferentes
Ejemplo de series con varianzas grandes y pequeñas
02,0004,0006,0008,000
10,00012,000
1 6 11 16 21 26 31 36 41 46 51 56
meses
unid
ades
DEMIDERM CUTIVATE GSK
Fuente: Elaboración Propia (base de datos IMS)
Una inspección detenida de algunas series de productos, utilizando
programas especializados como ITSM 2000 versión 6.0 (B & D Enterprises
Inc., 1999) y SPSS (SPSS Inc., 2005), reveló evidencia de comportamientos
no estacionarios que requieren de técnicas no elementales de análisis. Así
por ejemplo, el producto Demiderm, mencionado anteriormente, fue uno de
los que presentó rasgos de heterocedasticidad, o varianzas diferentes a lo
largo de la serie. En la Figura 8 se puede observar el comportamiento de la
serie entre los períodos 23 y 34 y los períodos 46 y 60 y luego comparar con
el comportamiento del resto de la serie.
54
Figura 8. Serie con comportamiento heterocedástico
Ejemplo de serie con apariencia heterocedástica
02,0004,0006,0008,000
10,00012,000
1 5 9 13 17 21 25 29 33 37 41 45 49 53 57
meses
unid
ades
DEMIDERM
Fuente: Elaboración Propia (base de datos IMS)
Una de las técnicas empleadas para analizar la variabilidad consistió en
aplicar el operador Diferencias (Brokwell y Davis, 1996) a las series en
estudio. Este operador permite apreciar las diferentes variabilidades que
ocurren a lo largo de la serie de tiempo (véase la Figura 9).
55
Figura 9. Técnica para el análisis de variabilidad aplicada a la serie de un producto
Operador Diferencias sobre Demiderm
-4
-2
0
2
4
6
8
0 10 20 30 40 50 60 70
meses
dife
renc
ias
(mile
s)
Fuente: Elaboración Propia
Estos resultados desestimularon el uso de la metodología Box-Jenkins para
la construcción de modelos ARIMA en el presente Trabajo de Grado, ya que
esta metodología requiere, entre otras hipótesis de trabajo, de series
estacionarias para funcionar correctamente, lo que incluye homocedasticidad
o varianzas similares para todos los períodos de la serie.
Si bien, como se mencionó en el Marco Teórico, es posible aplicar
transformaciones a los datos (u operadores del tipo Diferencias), resultó
evidente que algunas series requerirían de análisis individualizados
exhaustivos, para lo cual los usuarios del sistema deberían ser capaces de
reconocer mediante técnicas o gráficos no elementales, la ocurrencia de
estas situaciones especiales y generar la posible corrección de problemas. Al
56
ser esta situación contraria al objetivo del trabajo de facilitar al usuario no
experto el cálculo de pronósticos para cualquier serie, se procedió a explorar
otros métodos.
Por otra parte, se probaron los métodos de regresión (mínimos cuadrados)
para construir rectas, o polinomios de grado mayor, curvas exponenciales,
entre otros, que se ajustaran suficientemente bien a los datos de las series.
No obstante la existencia de series con rápidos cambios de tendencias o de
curvaturas, así como series con gran variabilidad, sugirió la idea de descartar
estos métodos frente a modelos mucho más simples, que se probaron
posteriormente, y que mostraron un ajuste mayor a la serie de tiempo, con lo
que cabe esperar pronósticos más acertados.
En la Figura 10 se puede apreciar a simple vista que el modelo polinómico
(polinomio de 3er. grado) no se ajusta tan bien como el modelo de Brown de
primer orden (el cual se explicará más adelante) para la mayoría de los
puntos. Estas pruebas se ejecutaron formalmente utilizando medidas de
ajuste como el error cuadrático medio (ECM), con las cuales se determinó
cuales modelos presentaban pronósticos con mejor ajuste.
57
Figura 10. Métodos de pronósticos aplicados a la serie de un producto
Comparación de pronósticos
0
5,000
10,000
15,000
20,000
0 10 20 30 40 50 60 70 80
meses
unid
ades
Erilon Brown 1er orden Polinómica (Erilon)
Fuente: Elaboración Propia
Como se mencionó con anterioridad, usualmente los gerentes requieren
pronósticos a corto plazo para una gran cantidad de productos diferentes,
que además deben calcularse rápidamente para que resulten de utilidad.
En tales contextos, se utiliza una clase de métodos de predicción que se
conocen con el nombre de métodos de suavizamiento. Con todos los
métodos de este tipo, los datos históricos se usan para obtener un valor
“suavizado” para la serie. El valor suavizado se extrapola después según
diferentes criterios para convertirse en el pronóstico del valor futuro de la
serie.
Estos métodos de suavizamiento exponencial, aplican un conjunto
generalmente desigual de ponderaciones a los datos pasados. Tales
58
ponderaciones declinan de manera exponencial desde el valor de los datos
más recientes a los datos más alejados. Puesto que estos métodos
presumen que las observaciones más recientes contienen la información más
actualizada acerca de lo que acontecerá en el futuro, se les debe asignar
relativamente más ponderación que a las observaciones más antiguas.
Debe considerarse que la idea básica inherente del suavizamiento
exponencial, cuando se usa para estimar tendencia y estacionalidad, es que
existe cierto patrón subyacente en los valores de las variables que se van a
pronosticar y que las observaciones históricas de cada variable representan
el patrón subyacente así como a las fluctuaciones aleatorias. El objetivo de
estos métodos de predicción es distinguir entre las fluctuaciones aleatorias y
el patrón básico subyacente mediante el “suavizamiento” de los valores
históricos. Esto equivale a eliminar lo aleatorio encontrado en la secuencia
histórica y a fundamentar un pronóstico en el patrón suavizado de los datos.
No obstante, en el presente trabajo el suavizamiento exponencial se utilizó
como modelo de pronóstico y no como técnica de estimación.
Aunque los métodos de suavizamiento exponencial se desarrollaron en los
años cincuenta, un marco de modelado que incorpora modelos estocásticos,
entre otras cosas, no fue desarrollado sino hasta el trabajo de Hyndman,
Koehler, Snyder y Grose (2002). Dicho marco se conoce recientemente como
Modelos de Estados de Espacio (State Space Models), entre los cuales se
59
encuentran la mayoría de los métodos de pronósticos de suavizamiento
exponencial utilizados en el presente trabajo.
Las bibliografías consultadas coinciden en que Pegels fue el primero en
proponer una taxonomía para los métodos de suavizamiento exponencial en
su trabajo Exponential forecasting: some new variations (Management
Science, 1969). Esta taxonomía fue extendida luego por Gardner en su
trabajo Exponential smoothing: the state of art (Journal of Forecasting, 1985)
y modificado por Hyndman, Koehler, Snyder y Grose (2002). Dicha
taxonomía se visualiza parcialmente en la Tabla 1.
Tabla 1. Taxonomía para los métodos de suavizamiento exponencial
Componente de Tendencia
Componente Estacional
N A M (Ninguno) (Aditivo) (Multiplicativo)
N (Ninguno) NN NA NM
A (Aditivo) AN AA AM
M (Multiplicativo) MN MA MM
Fuente: Rob J. Hyndman, 29 Agosto 2002
Algunos de estos métodos se conocen mejor bajo otros nombres. Por
ejemplo, la casilla NN describe el método suavizamiento exponencial simple,
la casilla AN describe el método lineal de Holt. El método aditivo de Holt-
60
Winters se muestra en la celda AA y el método multiplicativo de Holt-Winters
se muestra en la celda AM. Las otras celdas corresponden a otros métodos
menos comunes de usar, las cuales no se vieron reflejadas en ninguna de las
series del reporte de IMS.
Para cada uno de los métodos de la Tabla 1 existen dos posibles modelos.
Uno correspondiente a errores aditivos y el otro a errores multiplicativos. De
esta forma, Hyndman, Koehler, Snyder y Grose propusieron un
procedimiento de pronóstico automático que intenta cada uno de los modelos
sobre una serie de tiempo dada, los compara todos de acuerdo a ciertos
criterios de ajuste y propone el mejor para pronosticar.
De acuerdo a la taxonomía propuesta en la tabla anterior y la clasificación de
Pegels, la Tabla 2 retrata varios modelos de patrones de datos que han sido
usados extensamente en la evaluación del funcionamiento de varios métodos
de pronóstico. Para el estudio de la metodología de pronósticos, estos
modelos de datos pueden ser de un valor considerable, y para el
pronosticador, la identificación del modelo de datos apropiado (patrones) en
la serie de tiempo a pronosticar, tiene una vital importancia (Makridakis,
Wheelwright y McGee, 1983).
61
Tabla 2. Modelo de patrones de datos a considerar en los procesos de pronósticos, basados en la clasificación de Pegels (1969)
Componente
Estacional
Componente de Tendencia Ninguno Aditivo Multiplicativo
Ninguno
Aditivo
Multiplicativo
Fuente: Makridakis, Wheelwright y McGee, 1983
Siguiendo la metodología propuesta por Hyndman, Koehler, Snyder y Grose
en el presente Trabajo de Grado, se compararon para cada serie cada uno
de los modelos previamente seleccionados, agregándose además otros dos
métodos, Brown de segundo y tercer orden (los cuales se explicarán más
adelante).
Debido a que la determinación de existencia de errores multiplicativos está
relacionada a análisis complejos individualizados de cada una de las series
de tiempo, se optó por utilizar los modelos tradicionales de errores aditivos.
De esta manera, se seleccionaron los modelos de suavizamiento exponencial
mejor conocidos:
• Modelo de Suavizamiento Exponencial Múltiple (Brown, 1959)
62
• Modelo de Tendencia Corregida con Suavizamiento Exponencial (Holt,
1957)
• Modelo de Predicción de Promedios Móviles Exponencialmente
Ponderados (Holt-Winters, 1960)
III.2.1 Modelo de Suavizamiento Exponencial Múltiple (Brown, 1959) El modelo múltiple de Brown se presenta en tres niveles:
o Modelo de Predicción de Suavizamiento Exponencial de Primer Orden
Suponiendo que se tienen observaciones X1, X2,…, Xt de una serie de
tiempo, el objetivo es obtener un pronóstico para el valor del proceso Xt+T el
cual se encuentra T períodos adelante del instante para el cual se tiene el
último dato disponible.
Si la serie aparenta un comportamiento constante en el tiempo, se utiliza el
valor suavizado exponencialmente St para pronosticar TtX +ˆ , es decir, el
modelo de predicción de suavizamiento exponencial de primer orden o NN
según la Tabla 1. La ecuación se muestra a continuación:
( )1)1(ˆ1−+ −+== tttTt SXSX αα
En donde:
TtX +ˆ es el pronóstico en T períodos de tiempo futuros
63
tX es el valor histórico observado de la serie
tS es el primer valor suavizado en el instante de tiempo t
α es la constante de suavizado y toma valores entre 0 y 1
Este método de suavizamiento exponencial simple es apropiado cuando el
patrón histórico de los datos se puede considerar como horizontal, las series
a predecir son no estacionales y no tienen una tendencia constante ni
ascendente ni descendente.
o Modelo de Predicción de Suavizamiento Exponencial de Segundo Orden
Cuando el proceso es lineal en el tiempo, el pronóstico se basa en el método
de predicción de suavizamiento exponencial de segundo orden. La ecuación
se muestra a continuación:
( ) ( )221
11
2ˆttTt STSTX ⎟
⎠⎞
⎜⎝⎛
−+−⎟
⎠⎞
⎜⎝⎛
−+=+ α
αα
α
En donde:
( ) ( ) ( ) ( )3212 1−−+= ttt SSS αα
TtX +ˆ es el pronóstico en T períodos de tiempo futuros
tS es el primer valor suavizado en el instante de tiempo t
α es la constante de suavizado y tiene valores entre 0 y 1
64
A la estadística St(2) se le conoce como estadística doblemente suavizada y
es un suavizamiento de los valores suavizados. Es decir, la serie de los
valores St(2) es un suavizamiento de la serie de los valores St, en donde las
observaciones, Xt, en la serie St son la contraparte de los valores St en la
serie St(2). La estadística St(2) proporciona una indicación de la tendencia de
los promedios St en el tiempo. Se incluye en el modelo, para tomar en cuenta
la tendencia lineal de la serie Xt en el tiempo.
o Modelo de Predicción de Suavizamiento Exponencial de Tercer Orden
Si la serie no aparenta ser constante ni lineal en el tiempo, es mejor usar un
modelo de suavizamiento exponencial triple para el pronóstico. Los modelos
de suavizamiento exponencial de orden mayor existen, pero las dificultades
computacionales para encontrar la ecuación de pronóstico para un modelo
de orden superior a tres es bastante considerable (Brown, 1959). A menos
que la serie de tiempo sea extremadamente volátil, los modelos de predicción
de suavizamiento exponencial triple funcionan bastante bien.
La ecuación de pronóstico que se sugiere cuando la serie no es ni constante
ni lineal en el tiempo se presenta a continuación:
65
( ) ( )[ ]( )
( ) ( )[ ] ( )( )
( ) ( )[ ] ( )( )
( )412
33412
122245216
125616ˆ
2222
2222
2222
ααααα
ααααα
ααααα
−+−+−+
−+−+−−
−+−+−=+
t
t
tTt
STT
STT
STTX
La estadística de suavizamiento triple St(3), es en cierto sentido una
descripción de la tasa de cambio promedio de las tasas de cambio promedio
y se calcula, como podría suponerse, de la manera siguiente:
( ) ( ) ( ) ( ) ( )52123 1−−+= ttt SSS αα
En donde:
TtX +ˆ es el pronóstico en T períodos de tiempo futuros
tS es el primer valor suavizado en el instante de tiempo t
( )2tS es el segundo valor suavizado en el instante de tiempo t
α es la constante de suavizado y tiene valores entre 0 y 1
El propósito de usar las estadísticas St, St(2) y St(3) en el método de Brown
es desarrollar estimadores para un modelo que describa adecuadamente la
relación del valor Xt con el tiempo. Esto se lleva a cabo recursivamente por
medio de una continua actualización de los coeficientes en el modelo a
medida que se va disponiendo de más datos. Esto es, se obtiene una nueva
ecuación de pronóstico en cada período de tiempo, basada en todas las
observaciones presentes y pasadas (Mendenhall y Reinmuth, 1981).
66
La selección del período a pronosticar (T) se sugiere que no exceda de tres
ya que eventos imprevistos pueden ocasionar que la serie se comporte de
manera distinta a como se ha comportado en el pasado y entonces no
importa cuantas observaciones anteriores se tengan es posible que no pueda
predecirse el futuro con suficiente precisión.
La ventaja de usar el método de Brown es que es recursivo y desarrolla un
nuevo modelo de predicción con cada observación. Podría también
calcularse un nuevo modelo de regresión para cada observación pero las
dificultades computacionales son considerablemente mayores y no es
necesario ya que los modelos de Brown se ajustan excelentemente bien para
ofrecer pronósticos a corto plazo y son conocidos e implementados desde
1950 hasta nuestros días. Los modelos de mínimos cuadrados no actualizan
el modelo cada vez que se obtiene una nueva observación, por lo que el
modelo de suavizamiento múltiple de Brown resulta más eficiente al
incorporar información adicional en el modelo de predicción.
III.2.2 Modelo de Tendencia Corregida con Suavizamiento Exponencial (Suavizamiento Exponencial Lineal de Holt, 1957)
El método de suavizamiento exponencial de Holt toma en consideración la
presencia de una tendencia lineal consistente en la serie de datos.
67
Sea nXXX ,...,, 21 un conjunto de observaciones de una serie de tiempo no
estacional. El método de Holt para predicción consiste en obtener las
estimaciones de cada valor de la serie y la tendencia.
Para preparar una estimación suavizada de la tendencia en la serie de
tiempo se utiliza la siguiente ecuación:
( ) ( )( ) ( )61 11 −− −−+= tttt XXBTBT
En donde,
tT es el valor de la tendencia suavizada en el instante de tiempo t
tX es el valor estimado de la observación de la serie en el instante t
B es la constante de suavizado cuyo valor se encuentra entre 0 y 1.
También denotada como β .
1−− tt XX representa la tendencia de los datos, la razón de esto radica en que,
si los datos han sido suavizados para eliminar lo aleatorio, lo que queda es el
patrón (la tendencia en este caso) en los datos.
El suavizamiento exponencial lineal utiliza la ecuación (6) para obtener un
valor suavizado de la tendencia y combina dicha tendencia con el modelo de
suavizamiento exponencial simple (ecuación 1) para obtener la siguiente
ecuación:
68
( ) ( ) ( )7111 tttt XATXAX −++= −−
En donde,
tX es la estimación del valor de la serie en el instante de tiempo t
tX es el valor de la observación de la serie en el tiempo t
1−tT es el valor de la tendencia suavizada en el instante de tiempo t-1
A es la constante de suavizado cuyo valor se encuentra entre 0 y 1.
También denotada como α .
La única diferencia entre la ecuación (7) y la ecuación (1), es el término
adicional 1−tT que se suma a 1−tX para ajustar los valores suavizados del
patrón de tendencia en la serie de datos.
Para las ecuaciones (6) y (7), correspondientes al modelo de Holt, los
instantes de tiempo t van desde t = 3 hasta n, donde n se refiere al último
valor de la serie. De esta manera, se tiene que: 22 XX = y 122 XXT −= .
Si nos encontramos en el instante n, obtener predicciones para valores
futuros, hnX + , de la serie, se realiza mediante la ecuación siguiente:
( ) ( )8ˆnnhn ThXX +=+
En donde,
h es el instante de tiempo a pronosticar, ...3,2,1=h
69
hnX +ˆ es el valor de la predicción en el instante de tiempo n+h
nX es la estimación del valor de la serie en el instante de tiempo n
nT es el valor de la tendencia suavizada en el instante de tiempo n
III.2.3 Modelo de Predicción de Promedios Móviles Exponencialmente Ponderados (Holt-Winters, 1960)
Otra forma útil de suavizamiento la desarrollaron independientemente Holt y
Winters a principios de la década de 1960. Este método genera resultados
semejantes a los del suavizamiento exponencial lineal, pero tiene la ventaja
extra de ser capaz de manejar datos estacionales junto con datos que tengan
una tendencia. El suavizamiento exponencial lineal y estacional de Holt-
Winters se basa en tres ecuaciones, cada una de las cuales suaviza un factor
asociado con uno de los tres componentes del patrón, aleatoriedad,
tendencia y estacionalidad, y combina estos tres componentes para calcular
el pronóstico. En este aspecto es semejante al suavizamiento exponencial
lineal, el cual suaviza lo aleatorio y ajusta lo tendencial. Sin embargo, el
método de Holt-Winters incluye un parámetro adicional para manejar la
estacionalidad. Existen tres ecuaciones de suavizamiento implicadas en el
método de Holt-Winters, las cuales se presentan a continuación.
70
La ecuación de actualización de la tendencia, es idéntica a la utilizada en el
modelo lineal de Holt (ecuación 6), es decir, ( ) ( )( )11 1 −− −−+= tttt XXBTBT .
El factor estacional viene dado por la ecuación siguiente:
( ) ( ) ( )91t
tstt X
XCFCF −+= −
Para la estimación de los valores tX de la serie, se tiene la ecuación
siguiente:
( ) ( ) ( )10111st
tttt F
XATXAX−
−− −++=
En las ecuaciones anteriores pertenecientes al modelo de Holt-Winters, se
comienza en el período ( ) 125 +s hasta n, es decir, ( ) nst ,...,125 += , donde n
se refiere al último valor de la serie; para tales ecuaciones se encuentran las
siguientes denominaciones:
s es la duración de la estacionalidad y se refiere a períodos por año; s=2
para datos semestrales, s=4 para datos trimestrales, s=6 para datos
bimensuales y s=12 para datos mensuales.
tX es el valor de la observación de la serie en el tiempo t
tX es la estimación del valor de la serie en el instante de tiempo t
1−tT es el valor de la tendencia suavizada en el instante de tiempo t-1
tF es el factor estacional suavizado en el instante de tiempo t
71
stF − es el factor estacional suavizado para el período s en el año anterior
CBA ,, son constantes de suavizado cuyos valores se encuentran entre 0 y
1. Estas constantes de suavizado también se denotan como γβα ,, .
tX es un valor suavizado de la serie que incluye tendencia pero no
estacionalidad. Los valores de los datos tX , por otro lado, contienen
estacionalidad. No obstante, la estacionalidad en cada período no es
perfecta; contiene aleatoriedad, por lo cual debe ser suavizada o promediada
para eliminar tal efecto estocástico. La estimación más reciente del factor
estacional, disponible de los años anteriores, es stF − . Sin embargo, dividir la
nueva observación tX entre su valor estimado tX sugiere un factor
estacional tt XX (véase la ecuación 9). Por otra parte, en la ecuación 10, el
primer término se divide entre el factor estacional stF − , esto se hace para
eliminar las fluctuaciones estacionales de tX .
Sea nXXX ,...,, 21 un conjunto de observaciones de una serie de tiempo
estacional de período s. En el método de predicción de Holt-Winters, en
principio, se requiere de estimaciones iniciales de la serie, la tendencia y la
estacionalidad, las cuales pueden ser obtenidas a través del método de
medias móviles. Sea
72
( ) ( ) ( )( ) ( ) ( )112...2 212122
sXXXX
X ststststt
+−++−− ++++=
para ( ) ( ) ( )25,...,22,12 ssst ++= . La estimación 25sX nos da la primera
estimación necesaria de la serie. La tendencia en este período se estima por
( ) ( )121252525 −−= sss XXT
Estimaciones iniciales para el factor estacional de período s vienen dadas por
la siguiente ecuación:
( )( )
( )
( )
( )( )13
21
23
23
25
2525 ⎟
⎟⎠
⎞⎜⎜⎝
⎛+=
−
−
−
−−
js
js
js
jsjs X
XXX
F
para toda j = 0, 1,…, s-1
Si nos encontramos en el instante n, calcular las predicciones para valores
futuros, hnX + , de la serie, se obtiene mediante la ecuación siguiente:
( )( ) ( )14ˆshnnnhn FThXX −++ +=
para h = 1,2,…, s
( )( ) ( )15ˆ2shnnnhn FThXX −++ +=
para h = s+1,s+2,…, 2s y así sucesivamente.
En las ecuaciones 14 y 15 se tiene las siguientes denominaciones:
h se refiere al período de tiempo futuro, ,...3,2,1=h
hnX +ˆ es el valor de la predicción en el instante de tiempo n+h
73
nX es la estimación del valor de la serie en el instante de tiempo n
nT es el valor de la tendencia suavizada en el instante de tiempo n
shnF −+ es el factor estacional suavizado en el instante de tiempo n+h-s
shnF 2−+ es el factor estacional suavizado en el instante de tiempo n+h-2s
III.2.4 Construcción de la Constante de Suavizado Óptima en el Método de Suavizamiento de Brown Si la serie es volátil, se selecciona un α pequeño; si la serie es estable,
probablemente un α grande proporcione una predicción más precisa
(Mendenhall y Reinmuth, 1981). Otros autores sugieren que la constante de
suavizado se encuentre entre 0,1 y 0,3. En el presente Trabajo de Grado, se
desarrolló un método para optimizar el valor de la constante de suavizado, el
cual se explica a continuación.
En principio se hallan las estimaciones de los valores de una serie dada
mediante el modelo de suavizamiento exponencial simple de Brown (véase la
ecuación 1), para todo α = [0; 0,1; 0,2; 0,3; 0,4; 0,5; 0,6; 0,7; 0,8; 0,9; 1];
esto desde el instante de tiempo t=2 hasta n, siendo n el último valor de la
serie. Para los primeros valores del suavizado S(t) de cada α se les otorgó
el primer valor de la serie Xt, de la manera siguiente.
S0(1) = S1(1) = … = S8(1) = S9(1) = S10(1) = X1
74
S0(t) = S(t - 1)
S1(t) = (0.1 * Xt) + ((1 - 0.1) * S(t - 1))
S2(t) = (0.2 * Xt) + ((1 - 0.2) * S(t - 1))
M M
S8(t) = (0.8 * Xt) + ((1 - 0.8) * S(t - 1))
S9(t) = (0.9 * Xt) + ((1 - 0.9) * S(t - 1))
S10(t) = (1 * Xt) + ((1 - 1) * S(t - 1))
Luego, se procedió a calcular la suma de los cuadrados de los errores (SCE)
para todo S(t), desde t=2 hasta n, siendo la ecuación utilizada:
( )[ ] ( )161
2∑=
−=n
tt tSXSCE
SCE0 = (Xt - 1 – S0(t)) * (Xt - 1 – S0(t))
SCE1 = (Xt - 1 - S1(t)) * (Xt - 1 - S1(t))
M M
SCE8 = (Xt - 1 - S8(t)) * (Xt - 1 - S8(t))
SCE9 = (Xt - 1 - S9(t)) * (Xt - 1 - S9(t))
SCE10 = (Xt - 1 - S10(t)) * (Xt - 1 - S10(t))
Posteriormente, se halla el mínimo valor (denotado min) de todos los SCE
calculados anteriormente. Se toma un rango con ese valor mínimo, desde
min - 0,1 hasta min + 0,1. Por ejemplo, si el mínimo fuese 0,3, entonces el
rango es [0,2;0,4]. En dicho rango, se hace un grid de 10 puntos, es decir
75
una división. Si denotamos los valores min1 = min - 0,1 y min2 = min + 0,1;
de esta manera, ahora se obtienen nuevos valores de α , es decir, α =
[min1; min1+0,02; min1+0,04; min1+0,06; min1+0,08; min1+0,10; min1+0,12;
min1+0,14; min1+0,16; min1+0,18; min2].
Luego, se vuelven a calcular los nuevos valores S(t) para con los mismos
hallar los nuevos valores de SCE para cada uno de los nuevos α .
Consecutivamente, se vuelve a buscar el valor mínimo entre todos los
valores de SCE y finalmente, se adopta el valor óptimo de α .
Un método similar se utilizó para hallar los valores βα , y γβα ,, para los
modelos de predicción de Holt y Holt-Winters respectivamente.
Por último, entre los valores de la suma de los cuadrados de los errores
(SCE) calculados para los modelos de Brown, Holt y Holt-Winters, se
seleccionó el menor error con el cual se procedió a ofrecer una
recomendación del modelo a utilizar con sus respectivas constantes de
suavizo óptimos.
76
III.3 Diseño del Sistema
En esta etapa se elaboró la interfaz del sistema de apoyo y se estableció de
qué manera se pondrían en práctica los modelos matemáticos para efectuar
los pronósticos de datos futuros. También se tomaron en cuenta para esta
fase los requerimientos del sistema, para así tener una interfaz acorde con
los mismos. El principal objetivo fue el de mantener el sistema amigable para
los usuarios finales, de forma que no se requiera ser experto en el uso del
sistema para manejarlo con facilidad.
III.3.1 Modelado de Requerimientos Los requerimientos del sistema fueron identificados en el presente Trabajo de
Grado y representados mediante distintos diagramas, utilizando el lenguaje
UML (Unified Modeling Language) como herramienta de modelado. Entre
estos diagramas se encuentran: Casos de Uso, Clases, y Secuencia, los
cuales pueden ser observados más adelante.
III.3.1.1 Identificación de los Actores Un actor es un rol que un usuario asume con respecto al sistema. Un actor
no necesariamente representa a una persona en particular, sino a la labor
que realiza frente al sistema. Por otra parte, un actor también puede ser otro
sistema, una máquina o algo que interactúe con el sistema. Los actores
identificados dentro del sistema son los siguientes:
77
Administrador: Es el responsable de manejar el acceso al sistema por parte
de los distintos usuarios, con facultad de realizar modificaciones en los datos
que muestre el sistema, hacer consultas y registros de datos dentro del
mismo.
Operador: Es el actor más común del sistema y puede realizar las funciones
de consulta de toda la información suministrada por el mismo, pero no
manejar las operaciones relacionadas con registro y modificación de datos en
el sistema.
III.3.1.2 Diagrama de Casos de Uso El diagrama de casos de uso representa la forma como un actor (cliente)
opera con el sistema, además de la forma, tipo y orden en como los
elementos interactúan (operaciones o casos de uso). Dichos elementos se
refieren a los actores, los casos de usos y las relaciones. El caso de uso es
una operación/tarea específica que se realiza tras una orden de algún agente
externo, sea desde una petición de un actor o bien desde la invocación de
otro caso de uso (relaciones).
En los diferentes diagramas de Casos de Uso se muestran las operaciones
que un usuario u otras aplicaciones deben ser capaces de realizar utilizando
el sistema. En esta etapa se tomaron en cuenta las principales tareas
78
realizadas por los actores, así como la información con la cual interactúan
(véase la Tabla 3).
Tabla 3. Casos de Uso
Actor Caso de Uso
Administrador
- Realiza las operaciones de Consulta, Registro, y Modificación de: Productos, Presentaciones de Productos, Laboratorios, Categorías de Productos (Áreas Terapéuticas, Clases, Subclases y Clasificaciones), además de Usuarios.
- Realiza comparaciones entre dos productos seleccionados, mediante gráficas.
- Genera pronósticos para los productos.
Operador
- Realiza operaciones de Consulta para los Productos, Presentaciones de Productos, Laboratorios, Categorías de Productos (Áreas Terapéuticas, Clases, Subclases y Clasificaciones).
- Realiza comparaciones entre dos productos seleccionados, mediante gráficas.
- Genera pronósticos para los productos. Fuente: Elaboración Propia
En la Figura 11 y en la Figura 12, presentadas a continuación, se pueden
observar los diagramas de casos de uso relacionados con los dos tipos de
usuarios encontrados en el sistema.
79
Figura 11. Diagrama de Casos de Uso Usuario Administrador
Fuente: Elaboración Propia
80
Figura 12. Diagrama de Casos de Uso Usuario Operador
Fuente: Elaboración Propia
81
III.3.1.3 Diagrama de Clases Los diagramas de clases expresan en forma general la estructura de un
sistema. Un diagrama de clases se utiliza para visualizar las relaciones entre
las clases que involucran el sistema; por otra parte, incorpora los enlaces que
puede tener un objeto con otros. Una clase es la unidad básica que
encapsula toda la información de un objeto (un objeto es una instancia de
una clase). A través de ella podemos modelar el entorno en estudio. El
Diagrama de Clases del sistema se muestra a continuación en la Figura 13.
Figura 13. Diagrama de Clases
Fuente: Elaboración Propia
82
III.3.1.4 Diagrama de Secuencia Los diagramas de secuencia son un tipo de diagrama de interacción. El
diagrama de secuencia, representa la forma en que un actor (cliente) u
objetos (clases) se comunican entre sí a petición de un evento. Esto implica
recorrer toda la secuencia de llamadas, de donde se obtienen las
responsabilidades claramente. Dicho diagrama puede ser obtenido desde el
diagrama de clases o desde el de casos de uso, siendo ambos diferentes.
Los componentes de un diagrama de secuencia son: un objeto o actor,
mensaje de un objeto a otro objeto y mensaje de un objeto a sí mismo.
Un diagrama de secuencia muestra los actores y objetos interactuando entre
sí, además de mostrar los eventos que generan ordenados en una escala
temporal. A veces, los diagramas de secuencia muestran los eventos
resultantes de una instancia particular de un caso de uso, pero los diagramas
de secuencia pueden existir también de una forma más genérica. En las
Figuras 14, 15, 16, 17 y 18 se presentan algunos diagramas de secuencia del
sistema.
83
Figura 14. Diagrama de Secuencia Ingresar Laboratorio
Fuente: Elaboración Propia
Figura 15. Diagrama de Secuencia Solicitar Ventas
Fuente: Elaboración Propia
84
Figura 16. Diagrama de Secuencia Generar Gráficos
Usuario Sistema
IngresarDatosGrafico()
Venta
SolicitarValores()
Generar Gráficos
MostrarGrafico()
DevolverValores()
Fuente: Elaboración Propia
Figura 17. Diagrama de Secuencia Generar Pronóstico
Fuente: Elaboración Propia
85
Figura 18. Diagrama de Secuencia Ingresar Producto
Fuente: Elaboración Propia
86
III.4 Desarrollo del Sistema
Esta etapa consiste en la implementación del diseño de la aplicación bajo el
concepto de ingeniería de software. En esta fase se elaboró el sistema de
apoyo a la toma de decisiones en su totalidad, sistema que maneja y
simplifica el acceso a una base de datos con los valores de las ventas
mensuales de distintos productos de la industria farmacéutica en el pasado y
pronostica sus valores futuros de ventas.
Por otra parte, permite graficar el comportamiento de las ventas de un
producto a lo largo del tiempo y compararlo con otro producto. Todo esto con
facilidad de uso para el usuario del sistema gracias a una interfaz amigable.
Al tiempo que se realizaba la codificación y programación del sistema, se
procedió al registro de los datos del reporte Pharmaceutical Market o PM
generado por IMS. Dicho reporte se implementó en el presente Trabajo de
Grado para demostrar el uso del sistema desarrollado, especificando las
ventas mensuales, desde junio del año 2000 hasta mayo del año en curso,
de los productos (con sus respectivas presentaciones) del área
dermatológica (D), clase esteroides tópicos anti-inflamatorios (7), subclase
agente activo solo (A); es decir, el nivel D7A. Este nivel fue facilitado por el
laboratorio Schering Plough.
87
El desarrollo de la aplicación se realizó bajo el lenguaje Visual Basic 6.0,
edición profesional, haciendo uso de módulos (.bas), formularios (.frm) y
archivos de proyectos (.vbx), además de una variedad de controles como
imágenes, gráficas, índices, cajas de texto o de dibujo, combo, botón de
comando, entre otros. Para la implementación de la base de datos se utilizó
el manejador Microsoft Access 2003. Para las gráficas de las series de
tiempo y de las predicciones se implementó la herramienta Crystal Reports
9.2.
Como resultado de esta fase, se obtiene el Sistema de Apoyo basado en
Pronósticos para la Industria Farmacéutica, al cual se le denominó SAPIF.
El sistema desarrollado se explica en el capítulo IV, sección 1, en el cual se
presenta el recorrido a través del mismo.
88
III.5 Prueba del Sistema
A medida que se fue realizando el desarrollo del sistema, se procedió a
verificar la existencia de posibles errores, como problemas en el recorrido de
la aplicación, el orden en que se muestran las pantallas, los mensajes
desplegados al usuario, entre otros; además de confirmar el completo
funcionamiento del sistema, para ello se ejecutaron pruebas de unidad,
pruebas de integración y pruebas de validación.
Para realizar las pruebas de cada unidad del sistema se comprobó la validez
de los datos introducidos en el mismo a nivel de interfaz. Por ejemplo, los
campos comprendidos para la constante de suavizado mediante la cual se
calculan los diferentes pronósticos, solo pueden ser datos numéricos entre
cero (0) y uno (1), en el caso de que el usuario ingrese cualquier otro tipo de
dato (texto, símbolo, entre otros) el sistema debe verificar su validez y
mostrar un mensaje de error; luego el usuario tendrá otra oportunidad para
introducir el valor esperado para dicho campo, aunque en algunos casos
ocurre un bloqueo de teclas no permitidas.
Luego de realizar las pruebas de unidad, se procedió a integrar las pantallas
del sistema. En esta prueba se pueden descubrir nuevos errores que solo se
pueden dar en esta fase de pruebas, como por ejemplo, cuando no coinciden
los tipos de datos o las llamadas a pantallas incorrectas.
89
Las pruebas de validación se centran en comprobar la funcionalidad
completa y correcta del sistema. Dichas pruebas permiten visualizar si los
resultados obtenidos por el sistema son o no resultados esperados.
Para comprobar que todos los datos arrojados por la ejecución de algún
método del sistema y sus modelos matemáticos eran correctos y confiables,
se procedió a realizar corridas con diferentes parámetros de entradas a modo
de prueba. Por ejemplo, los pronósticos de las unidades de ventas de los
productos, resultantes de aplicar los distintos métodos de predicción, se
probaron con diferentes datos de entradas, verificando que los resultados
fueran números positivos enteros, ya que aunque los pronósticos pudieran
dar valores negativos, esto no tiene sentido para las unidades vendidas de
los productos.
Adicionalmente, algunos de los resultados del sistema se cotejaron con el
sistema ITSM que provee la bibliografía de Brokwell y Davis de reconocida
calidad y extendido uso.
90
CAPÍTULO IV. SAPIF
91
CAPÍTULO IV. SAPIF
IV.1 Recorrido a través del sistema SAPIF
En este capítulo se mostrará un recorrido a través de los diferentes módulos
del sistema desarrollado para facilitar el conocimiento del mismo y su
proceso de utilización.
Al iniciar el sistema SAPIF, se solicitará un nombre de usuario y contraseña
mediante un par de campos de texto en la ventana “Inicio de Sesión”. Para
permitir el acceso al sistema, ambos datos deben ser suministrados (véase la
Figura 19).
Figura 19. Inicio de sesión
Si un usuario desea ingresar al sistema por primera vez, debe notificarlo al
administrador del sistema, quien es el único encargado de registrar nuevos
usuarios.
Al ingresar un nombre de usuario y contraseña correcta, el sistema permite el
acceso y muestra la pantalla de bienvenida, en la cual se encuentran
92
especificados el nombre del sistema, su versión, la licencia y una imagen de
productos farmacéuticos. Al hacer click en ella se entrará en el sistema.
Figura 20. Ventana de bienvenida
La ventana de menú principal del Sistema de Apoyo basado en Pronósticos
para la Industria Farmacéutica SAPIF, muestra una barra de opciones donde
se podrá registrar, consultar, hacer gráficos y pronósticos, entre otras cosas.
93
Además, en la esquina superior derecha se ofrece la fecha actual (véase
Figura 21).
Figura 21. Menú principal
En el menú Archivo, se encuentra la opción Salir, la cual permite al usuario
finalizar el uso del sistema y se puede acceder oprimiendo simultáneamente
las teclas Control y S. Al tener más de una ventana abierta dentro del
sistema, el menú Archivo permite al usuario desplazarse por las mismas
(véase Figura 22).
94
Figura 22. Despliegue de ventanas
En el siguiente menú, Registrar, se encuentran las opciones para ingresar
Usuario, Laboratorio, Presentación, Producto, Área Terapéutica, Clase,
SubClase y Clasificación de productos. La opción Usuario del menú Registrar
se muestra en la Figura 23.
95
Figura 23. Registrar usuario
Al módulo Usuario sólo tiene acceso el administrador del sistema. Para
ingresar un nuevo usuario al sistema, se deben especificar todos los campos,
como lo son: Nombre, tipo de usuario (operador ó administrador), login y
clave.
El próximo item del menú Registrar es el de Laboratorio. Para ingresar un
nuevo laboratorio sólo es necesario especificar su código y nombre en los
campos identificados para tal fin. En caso de que el código de laboratorio
introducido ya se encuentre asignado, el sistema emitirá un mensaje
96
alertando la situación para cambiarlo, ya que el código debe ser único para
cada laboratorio (véase Figura 24).
Figura 24. Registrar laboratorio
La próxima opción del menú Registrar es la de Presentación. En ésta
pantalla se permite al usuario ingresar una nueva Presentación para algún
producto. Las presentaciones se componen de tres variables, las cuales
deben ser especificadas obligatoriamente: la forma farmacéutica, como por
ejemplo cremas, lociones y ungüentos; la concentración del agente activo, la
cual debe ser especificada en decimales; y el tamaño, el cual puede variar
97
entre mililitros o gramos dependiendo de la forma farmacéutica (véase Figura
25).
Figura 25. Registrar presentación
La siguiente opción se refiere al Producto. En esta ventana se le permite al
usuario agregar un nuevo producto a la base de datos. Primero se debe
especificar el Área, Clase, Sub-Clase y Clasificación a la cual pertenecerá el
producto, según sus características. Luego, se debe seleccionar el
Laboratorio que elabora éste producto. Puede ser escogido de listas
desplegables que muestra el sistema, con las categorías de productos y
98
laboratorios disponibles. Por último, el usuario debe ingresar el código y
nombre que tiene el nuevo producto (véase Figura 26).
Figura 26. Registrar producto
También en el menú Registrar se podrá ingresar una nueva área terapéutica,
en la cual el usuario deberá seleccionar el nombre y el código que desea
ingresar a la base de datos del sistema. En la Figura 27 se puede apreciar la
ventana Registrar Área Terapéutica.
99
Figura 27. Registrar área terapéutica
Para registrar una Clase de producto, el usuario deberá especificar el área
terapéutica a la que pertenecerá la nueva Clase a registrar. El área
terapéutica se debe seleccionar de una lista desplegada por el sistema. Una
vez realizado esto, se deben ingresar el nombre y código de la clase; de lo
contrario, si se seleccionó un Código de Clase en uso dentro del área
terapéutica escogida, el sistema lo notificará mediante un mensaje (véase la
Figura 28).
Figura 28. Registrar clase de producto
100
Por otra parte, también es posible registrar Sub-Clases de productos. El
usuario debe primero ingresar el área a la que pertenece la clase a la cual
desea agregar una SubClase, luego debe especificar el nombre de la clase
de la lista proporcionada y, finalmente, escribir el nombre y código de la Sub-
Clase a registrar en la base de datos del sistema (véase la Figura 29).
Figura 29. Registrar sub-clase de producto
La última opción del menú Registrar es el de Clasificación de producto. En
ésta pantalla, para agregar una Clasificación, primero se debe especificar el
código del Área Terapéutica, luego la Clase y por último la SubClase donde
será agregada la nueva Clasificación. Luego, el usuario deberá ingresar el
nombre y código de la clasificación (véase la Figura 30).
101
Figura 30. Registrar clasificación de producto
A continuación se mostrarán las opciones que se encuentran en el Menú
Consultas de la ventana principal, las cuales son: Usuario, Laboratorio,
Presentación, Producto y Categorías.
Desde la ventana que se detalla en la Figura 31, se pueden hacer búsquedas
a los usuarios registrados en el sistema ingresando diferentes características,
como lo son, el nombre, el tipo de usuario (operador ó administrador), o
según el estado en que se encuentre el usuario, es decir, activo ó inactivo.
102
Una vez desplegados todos los usuarios que cumplen la característica
ingresada, es posible seleccionar alguno de ellos y cambiar el estado del
mismo o modificar sus datos.
Figura 31. Consultar usuario
La próxima opción del menú Consultas es la opción Laboratorio. Desde la
ventana que se muestra en la Figura 32, se pueden hacer búsquedas a los
laboratorios registrados en el sistema ingresando diferentes características,
como lo son, el nombre, código o el estado en que se encuentre el
laboratorio, es decir, activo ó inactivo.
103
Una vez desplegados todos los laboratorios que cumplen la característica
ingresada, es posible seleccionar alguno de ellos y cambiar el estado del
mismo o modificar sus datos.
Figura 32. Consultar laboratorio
La opción siguiente del menú Consultas es la de Presentación. Desde la
ventana que se muestra en la Figura 33, se pueden hacer búsquedas a las
presentaciones de productos registrados en el sistema, ingresando diferentes
características, como por ejemplo la concentración o el tamaño, el tipo de
presentación o el estado en que se encuentre la presentación, es decir,
activa ó inactiva.
104
Una vez desplegadas todas las presentaciones que cumplen con la
característica ingresada, es posible seleccionar alguna de ellas y cambiar el
estado del mismo.
Figura 33. Consultar presentación
La siguiente opción en el menú Consultas es la de Producto. Como se puede
observar, ésta pantalla tiene tres pestañas: Consulta por Categorías (véase
la Figura 34), Consulta por Características (véase la Figura 35) y Consulta
por Presentación (véase la Figura 36). A continuación serán explicadas cada
una de ellas.
105
Figura 34. Consulta por categorías de producto
En la pestaña Consulta por Categorías se debe especificar a cual Área
Terapéutica, Clase, Subclase y Clasificación pertenece el producto, según
las opciones que nos da el sistema mediante las listas desplegables. Luego
se debe especificar el Laboratorio que lo produce y, por último, el sistema
mostrará una matriz con los productos que cumplen las características
especificadas.
En la siguiente pestaña, mostrada en la Figura 35, Consulta por
Características, se pueden buscar los productos por nombre o por estado
(activo o Inactivo).
106
Figura 35. Consulta por características de producto
La última pestaña es la de Consulta por Presentación, la cual se puede
apreciar en la Figura 36. En esta pantalla el usuario debe ingresar la forma
farmacéutica de la presentación y buscar todos los productos que tienen esta
característica. Si lo desea, puede incluir en su búsqueda la concentración y el
tamaño del producto, para producir menos resultados a desplegar en la
matriz de la pantalla.
107
Figura 36. Consulta por presentación de producto
La última opción del Menú Consultas es la de Categorías, la cual se puede
observar en la Figura 37. Desde allí se puede navegar a las diferentes áreas,
clases, sub-clases y clasificaciones registradas en el sistema, a través de las
listas desplegables. Es importante notar que solo serán desplegadas las
categorías que pertenecen a la categoría inmediatamente superior
previamente seleccionada.
108
Figura 37. Consulta todas las categorías existentes
El siguiente menú ofrece las Ventas y se puede apreciar en la Figura 38. El
usuario debe seleccionar si desea observar los valores de las ventas de un
producto, de un laboratorio, forma farmacéutica ó tamaño, para después
escoger el item respectivo. Luego se procede a escoger el mes y el año del
cual se desean conocer los valores, para que el sistema muestre el número
de unidades vendidas del mes y el año seleccionado, así como también las
unidades vendidas del mes seleccionado en el año anterior al escogido.
109
Figura 38. Consulta ventas de productos
El siguiente menú del sistema es el de Reporte (véase la Figura 39), en el
cual se tiene la opción de seleccionar dos productos para luego poder
comparar sus respectivas unidades de ventas. Dicha comparación se puede
apreciar en la ventana de la Figura 40.
110
Figura 39. Seleccionar dos productos
Figura 40. Gráfico comparativo de las ventas de unidades de dos productos
El siguiente menú es el más importante del sistema ya que es el que ofrece
los pronósticos de los productos. Entre sus ítems podemos encontrar los
siguientes: Método Sugerido, Suavizamiento de Brown, Método de Holt y
Método de Holt-Winters y Autocorrelación Muestral.
111
En la opción del Método Sugerido, el usuario debe especificar el producto
que desea pronosticar para que luego el sistema le sugiera el modelo óptimo
para su pronóstico, sin embargo le permite elegir cualquiera de los tres
modelos disponibles. Esta ventana puede ser observada a continuación en la
Figura 41.
Figura 41. Método sugerido
Al escoger el método de Suavizamiento Exponencial o el método de Holt, en
la ventana anterior o en el Menú Pronóstico, el sistema despliega una
pantalla para que el usuario especifique cuántos datos desea utilizar para la
predicción. Dicha pantalla se puede apreciar en la Figura 42.
112
Figura 42. Datos a utilizar en el pronóstico
Para empezar a realizar los pronósticos, se le ofrece al usuario los valores
óptimos de las constantes de suavizado. En caso de que se seleccione el
modelo de Suavizamiento de Brown, muestra el valor óptimo de Alfa (véase
la Figura 43). En caso de que se seleccione en modelo de Holt, muestra el
valor óptimo de Alfa y Beta (véase la Figura 44) y por último, si se selecciona
en modelo de Holt-Winters, muestra el valor óptimo de Alfa, Beta y Gamma
(véase la Figura 45). Luego el sistema ofrece sus predicciones para los
parámetros de entrada seleccionados por el usuario.
113
Figura 43. Suavizamiento de Brown
114
Figura 44. Método de Holt
Figura 45. Método de Holt-Winters
115
De las tres pantallas anteriores se pueden mostrar las diferentes gráficas que
despliega el sistema con respecto a las ventas del producto y modelo
seleccionado. Estas ventanas de gráficos ilustran la serie del producto con su
respectiva proyección, algunas de ellas pueden ser apreciadas a
continuación en las Figuras 46, 47
Figura 46. Gráfico representativo del método de suavizamiento de Brown
116
Figura 47. Gráfico representativo del método de Holt
Figura 48. Gráfico representativo del método de Holt-Winters
117
Es importante destacar que si el usuario desea realizar un pronóstico
mediante el método de Holt-Winters, deberá especificar el período del factor
estacional con el cual desea realizar la predicción. La ventana que muestra
esta información se aprecia en la Figura 49.
Figura 49. Datos a utilizar en el método de Holt-Winters
Por otra parte, en el menú Pronóstico, al seleccionar la sección de
Autocorrelación Muestral, se muestra una ventana en la cual el usuario debe
escoger el producto con su rezago deseado (período de diferencia en la
relación de dos valores de unidades de ventas). Dicha ventana despliega los
118
siguientes datos: promedio de unidades de ventas, valor de auto-covarianza
muestral cuando el rezago es igual a uno, valor de auto-covarianza muestral
cuando el rezago es igual a cero y el valor de la auto-correlación, todos estos
datos son respectivos del producto seleccionado.
Figura 50. Auto-Correlación muestral
El último menú del sistema es denotado por el signo ?. Al seleccionar su
opción: Acerca de S.A.P.I.F., el usuario puede observar el nombre completo
y la versión del mismo, así como también una advertencia sobre el derecho
de autor. Por otra parte, se puede mostrar la información del sistema. Esta
ventana puede ser apreciada en la Figura 51.
119
Figura 51. Acerca de SAPIF
120
CAPÍTULO V. CONCLUSIONES Y RECOMENDACIONES
121
CAPÍTULO V. CONCLUSIONES Y RECOMENDACIONES
Conclusiones:
El presente Trabajo de Grado, mediante el sistema desarrollado, permite
realizar pronósticos a través del tiempo para las unidades de ventas de los
productos farmacéuticos usando el reporte PM de la empresa IMS. Dichos
pronósticos están basados en análisis de series de tiempo, mediante los
métodos de predicción de suavizamiento exponencial. La herramienta
desarrollada cuenta con los beneficios y características importantes que
poseen los sistemas de apoyo, ayudando de esta manera, al proceso de
toma de decisiones en la industria farmacéutica.
Al revisar el trabajo de investigación, se pueden concluir los siguientes
aspectos:
• SAPIF es un sistema de apoyo a las decisiones de la industria
farmacéutica, basado en la implantación y uso de cinco modelos de
predicción ampliamente conocidos y utilizados por los pronosticadores
expertos.
• La principal ventaja del sistema SAPIF, radica en su enfoque “what if”
(Tuban, 1993), ya que el mismo proporciona la posibilidad de estudiar
122
distintos escenarios para luego compararlos y decidir cuál de todos es
el que ofrece mejores resultados, es decir, cual es el que mejor se
ajusta a la realidad de los datos históricos. El sistema brinda la
posibilidad de variar algunas características o condiciones de entrada
y la de expresar los resultados a través de diferentes modelos de
pronósticos, para así crear distintos escenarios que van a servir de
opciones en el proceso de toma de decisiones.
• Otra de las ventajas brindadas por el sistema SAPIF, es que permite
realizar las predicciones mediante la selección de un subconjunto de
datos históricos, ofreciendo gran flexibilidad y permitiendo, de esta
forma, al tomador de decisiones utilizar su experiencia y conocimiento
sobre las ventas de los productos farmacéuticos en el uso de
pronósticos. Por otra parte, SAPIF brinda una recomendación en
cuanto al método de predicción a seleccionar y ofrece los valores
óptimos de las constantes de suavizado para cada uno de los métodos
de predicción a implementar.
• Gracias a la investigación realizada, el sistema SAPIF facilita al
usuario no experto el cálculo de pronósticos para cualquier serie de
productos.
123
• Aunque la herramienta brinde un pronóstico determinado para cada
producto mediante un análisis de series de tiempo, no implica que el
mismo sea el resultado real en el futuro, ya que factores como una
sobreventa del producto farmacéutico generadas por estrategias de
mercadeo pueden afectar el comportamiento de la serie de dicho
producto.
• Los métodos de predicción de suavizamiento exponencial utilizados
por SAPIF para realizar los pronósticos, suelen ofrecer mejores
resultados para períodos a corto plazo, es decir, los valores obtenidos
de hasta tres o cuatro meses, aproximadamente, tienen mayor
precisión.
• La constante de suavizado, ofrecida por la herramienta SAPIF, para el
modelo de suavizamiento exponencial múltiple de Brown, brinda
mejores resultados para el suavizamiento exponencial de primer y
segundo orden; por otro lado, para el modelo de tercer orden, desvía
los resultados de acuerdo al comportamiento histórico de los datos,
esto se debe a que las series de los productos analizados para la
prueba y manejo del sistema no poseen un comportamiento
exponencial o curvilíneo en ninguno de los casos. No obstante, el
124
suavizamiento exponencial de tercer orden bebe mantenerse como
una opción ante la posible aparición de una serie de este tipo.
• Los datos históricos de las ventas de los productos farmacéuticos
implementados en la base de datos son reales, ya que son
proporcionadas por la compañía IMS, lo que permitió realizar un
análisis de series tiempo altamente confiable y efectivo.
• Tradicionalmente, la predicción ha sido una labor subjetiva sin base en
modelos matemáticos rigurosos. El uso de modelos matemáticos de
pronósticos ayuda a detectar los componentes específicos en la serie
de tiempo y pueden adaptarse para conjugarse con el conocimiento
intuitivo acerca de la serie que tiene el hombre de negocios; esto
último implica que el ingenio del hombre de negocios es un factor
esencial en la selección del modelo apropiado de pronóstico.
• En los pronósticos basados en modelos de series de tiempo, la
suposición inherente es que el futuro de la serie es un espejo del
comportamiento pasado. Sin embargo, los factores externos pueden
ocasionar que la serie reaccione en el futuro de manera distinta a
como lo ha hecho en el pasado, por lo que aún un modelo que se
ajuste bien a los datos pasados puede no ser un buen modelo para
125
prever el futuro. En otras palabras, ninguna herramienta de pronóstico,
incluyendo SAPIF, es infalible.
• La estadística proporciona solo un punto de partida en el análisis de
las series de tiempo y en la elección del modelo de predicción. Los
modelos matemáticos y estadísticos son limitados y no pueden
proporcionar una solución completa a los problemas de predicción
puesto que la incertidumbre (aspectos aleatorios) se encuentra
involucrada en el problema. Los juicios personales y las evaluaciones
subjetivas acerca del entorno de la predicción, deben usarse para
condicionar el modelo matemático de predicción.
• Los modelos matemáticos elegidos para el desarrollo del sistema,
suavizamiento exponencial múltiple de Brown, Holt y Holt-Winters, son
modelos muy utilizados hoy en día que analizan series de tiempo
considerando sus diferentes componentes horizontales, de tendencia
y estacionalidad para cada caso, para así poder proporcionar
resultados válidos y de apoyo para el proceso de toma de decisiones.
• El punto anterior no quiere decir que no puedan encontrarse modelos
mejores; no obstante, el costo de tiempo y dinero que representa
entrenar al personal para comprender y utilizar otros modelos
126
matemáticos más sofisticados, y generar pronósticos de forma tan
rápida y segura, desestimula su uso.
• A pesar de la utilidad del sistema, el mismo no dará por sí solo un
resultado único real en cuanto a las ventas de los productos
farmacéuticos en los meses próximos. Es simplemente un instrumento
de apoyo a las decisiones basado en pronósticos que depende de los
valores iniciales y de la cantidad de datos históricos que se posean.
Los valores iniciales de algunos métodos usados por SAPIF, fueron
seleccionados de la bibliografía consultada.
• El usuario tiene la libertad de escoger los diferentes parámetros de
entrada al sistema según sea su criterio (producto, cantidad de datos
históricos a utilizar para la predicción, constantes de suavizado,
período de tiempo a pronosticar) y, para todas estas opciones de
entrada, se muestran diversos escenarios dependiendo de cada uno
de ellos.
• El objetivo de generar distintos escenarios de pronósticos es brindarle
al usuario una amplia gama de posibilidades a considerar en el
proceso de toma de decisiones y planificación dentro de la industria
127
farmacéutica, a medida que incremente su experiencia y
conocimiento.
• El uso del sistema SAPIF facilita la elaboración de informes, debido a
que los pronósticos se generan y se presentan numérica y
gráficamente.
• Debido a que SAPIF es una herramienta diseñada especialmente para
pronosticar ventas, elimina la posibilidad de generar pronósticos
negativos, lo cual representa una importante ventaja sobre algunos
sistemas comerciales. De igual forma, se redondean los decimales
para ofrecer valores consistentes con las unidades de ventas.
Recomendaciones:
Posterior a la investigación realizada, es importante destacar algunas
recomendaciones en el uso del sistema SAPIF y posibles ampliaciones del
mismo, así como de los temas de investigación asociados, esto con la
finalidad de generar nuevos estudios relacionados con el presente Trabajo de
Grado.
Entre las recomendaciones se ofrecen las siguientes:
128
• Realizar las predicciones para períodos a corto plazo (tres o cuatro
meses futuros, aproximadamente) en cualquiera de sus métodos, ya
que los modelos de suavizamiento exponencial brindan mayor
precisión para períodos cortos.
• Para un uso eficiente del sistema SAPIF, el usuario o tomador de
decisiones debe tener un conocimiento general en cuanto a
pronósticos se refiere, y debe establecer bien sus objetivos y sus
parámetros de entrada, para así poder elegir entre todos los
escenarios el que mejor se adecue a sus intereses.
• Es necesario mantener actualizada la base de datos utilizada en el
sistema SAPIF con los reportes mensuales (PM) suministrados por la
compañía IMS para, de igual forma, ofrecer pronósticos actualizados.
• Sería de gran utilidad para la industria farmacéutica, poder incentivar
al personal de trabajo a utilizar los pronósticos, ya que estos ofrecen
beneficios en diferentes áreas, como la planificación y también en la
disminución en las ventas de los productos o pérdida de participación
de mercado.
129
• Con respecto a las recomendaciones sugeridas a la compañía IMS y
la ejecución de sus reportes de ventas, se nombra lo siguiente: colocar
un único código para cada producto y presentación del mismo en el
reporte PM; expresar las concentraciones y los tipos de presentación
siempre con el mismo formato y diferenciar si un producto posee
ventas en cero o no tiene más participación en el mercado.
• Un nuevo aspecto de importancia a considerar en el uso de
pronósticos, sería mediante otro tipo de reporte proporcionado por la
compañía IMS, como lo es el Drug Distribution Data (DDD). Dicho
reporte pudiera ser utilizado para generar predicciones a nivel de
bricks de todos los productos farmacéuticos.
• Generar pronósticos de acuerdo a cada presentación de producto
farmacéutico, predicciones por área terapéutica, por clase, subclase o
clasificación de productos, todo esto para dar un enfoque más
detallado de pronóstico.
• En el sistema se pudiese programar alertas cuando un producto
disminuye sus ventas o su participación de mercado en los últimos
períodos de tiempo, o también cuando disminuye sus ventas respecto
130
a un gran competidor seleccionado; mostrando, de esta manera, una
gráfica de control con sus respectivas bandas.
• Por otra parte, se pudiese generar pronósticos con bandas de
confianza numéricas y gráficas.
• Debido a que la constante de suavizado mostrada por el sistema para
el modelo de suavizamiento exponencial de tercer orden no
proporciona predicciones ajustadas a los datos históricos, se
recomienda desarrollar un modelo que proporcione mejores resultados
de pronósticos.
• Para futuras aplicaciones, la herramienta SAPIF pudiese ser adaptada
a otros modelos matemáticos relacionados con el tema de
pronósticos, ya que mediante los mismos se logrará aumentar la
cantidad de escenarios posibles y el tomador de decisiones tendrá una
mayor gama de opciones a seleccionar. Sin embargo, de necesitar el
usuario realizar pronósticos a mediano o largo plazo, se recomienda
utilizar sistemas de pronósticos especializados que poseen los
métodos de predicción más adecuados para los mismos y no un
sistema de apoyo como lo es SAPIF.
131
• Se pudiera implementar un módulo al sistema SAPIF, que ofrezca los
valores de participación de mercado (Market Share) para cada uno de
los productos farmacéuticos, ya que esto es de gran utilidad dentro de
la industria, ofreciendo gran flexibilidad en cuanto a las condiciones de
entrada, como por ejemplo si se desea establecer una participación en
períodos trimestrales, semestrales, o de acuerdo a un área terapéutica
seleccionada, entre otros. Por otra parte, se pudiese evaluar el índice
evolutivo de mercado (Evolution Index) (IMS Health Incorporated,
2005), el cual se obtiene mediante la relación entre el Market Share
actual y el Market Share del período anterior multiplicado por cien para
hallar un porcentaje. Si el valor del Evolution Index se encuentra por
encima de cien, el producto aumentó su participación de mercado para
el período actual. Si de lo contrario, se encuentra por debajo de cien,
el producto disminuyó su participación de mercado. Es importante
aclarar que todos estos valores son fácilmente calculados por la
herramienta conocida Microsoft Excel.
• Se recomienda la generación de pronósticos con respecto al precio de
los productos, es decir, establecer una relación entre el
comportamiento de las ventas y el precio del producto, para lograr una
mayor comprensión en cuanto a la trayectoria de las series de tiempo.
Para lograr este objetivo, se debe usar series de tiempo multivariadas.
132
• Otro aspecto a considerar, sería suministrar pronósticos en moneda
local (Bs.) o moneda extranjera ($), al igual que se realiza en el
sistema SAPIF con las unidades de ventas de los productos
farmacéuticos.
• En el área de pronósticos existe un gran ambiente de incertidumbre
asociado a los diferentes métodos de predicción. Es por esto que se
recomienda utilizar los métodos subjetivos de pronósticos en
combinación con los métodos cuantitativos, esto con el fin de ofrecer
un grado mayor de precisión en los resultados y lograr que los mismos
sean altamente satisfactorios para el usuario o pronosticador.
133
REFERENCIAS BIBLIOGRÁFICAS
134
REFERENCIAS BIBLIOGRÁFICAS
Bowerman, Bruce L. y O´Connell, Richard T. (1987) Time series forecasting.
Duxbury Press.
Brokwell, Peter J. y Davis, Richard A. (1996) Introduction to time series and
forecasting. New York: Springer-Verlag.
Business Forecast Sytems, Inc. (2005) Forecast Pro Overview, [en línea].
Belmont, MA. Disponible en:
http://www.forecastpro.com/products/fpfamily/index.html [2005, 13 de Julio]
Cohen K. Daniel y Asín L. Enrique (2000). Sistemas de Información para los
Negocios. Un enfoque de toma de decisiones (3ª. ed.). México: Mc. Graw
Hill.
De Castro, María Corina y Prado, Christian (2005). Sistema de apoyo de
decisión para la determinación del número óptimo de repuestos a tener en
inventario (a fin de maximizar la fiabilidad). Trabajo de Grado, Ingeniería de
Sistemas, Universidad Metropolitana, Caracas.
Diebold, Francis (1999). Elementos de Pronósticos. International Thomson
Editores.
135
Gamboa D. y Peña D. (2004). Sistema de apoyo para manejo de inventario
en presencia de donaciones. Trabajo de Grado, Ingeniería de Sistemas,
Universidad Metropolitana, Caracas.
Hillier y Lieberman (2001). Investigación de Operaciones (7ª. ed.) México:
Mc. Graw Hill.
Hyndman, Rob J. (2002, 29 de Agosto) Forecasting based on state space
models for exponential smoothing.
Hyndman R.J., Koehler A.B., Snyder R.D., Grose S. (2002) A state space
framework for automatic forecasting using exponential smoothing methods.
International Journal of Forecasting. 18(3), 439-454
IMS Health Incorporated (2005) Company Information, [en línea]. Fairfield,
CT. Disponible en http://www.imshealth.com [2005, 25 de junio]
Makridakis, S., Wheelright, S. C. y McGee, V. E. (1983) Forecasting: methods
and applications. John Wiley & Sons.
Makridakis y Wheelwrigth (2004). Métodos de Pronósticos. México: Limusa
Noriega Editores.
136
Mendenhall William y Reinmuth James (1981). Estadística para
Administración y Economía. México: Grupo Editorial Iberoamérica.
Meyer, Peter B. (2001) Glossary of Research Economics [en línea].
Disponible en: http://econterms.com. [2005, 23 de julio]
Newbold, Paul (1998). Estadística para los Negocios y la Economía (4ª. Ed.).
España: Prentice Hall.
Object Management Group, Inc. (2005, January 19) Tutorial de UML, [en
línea]. Needham, MA. Disponible en http://www.uml.org [2005, 20 de mayo]
Taha, H. (1995). Investigación de Operaciones (5ª. ed.). México: Alfaomega.
Turban, Efraim (1993). Decision support and expert systems (3ª. ed.).
Estados Unidos.
Vademecum Vallory (2000). Ediciones Médicas S.A. Disponible en:
http://www.bibliomed.com/vademecum/ [2005, 13 de mayo]
137
APÉNDICE A
138
Apéndice A. Áreas Terapéuticas
Área terapéutica Denominación
Tracto alimentario y metabolismo A
Sangre y órganos formadores de sangre B
Sistema cardiovascular C
Dermatológicos D
Sistema genitourinario y hormonas sexuales G
Preparados hormonales sistémicos (excluye
hormonas sexuales)
H
Anti-infecciosos en general para uso sistémico J
Agentes antineoplásicos e inmuno
moduladores
L
Sistema músculo-esquelético M
Sistema nervioso N
Productos antiparasitarios, insecticidas y
repelentes
P
Sistema respiratorio R
Órganos de los sentidos S
Varios V
Fuente: Vademecum, 2005.
139
APÉNDICE B
140
141
APÉNDICE C
142
Apéndice C. Necesidades de pronósticos para la administración
Unidad Organizacional
Plazo Inmediato (menos de un mes)
Corto Plazo (de 1 a 3 meses)
Mediano Plazo (de 3 meses a 2 años)
Largo Plazo (2 años o más)
Mercadeo
Ventas de cada tipo de producto, ventas por área geográfica, por consumidor, competencia, precios, niveles de exigencia
Ventas totales, categorías de productos, precios
Ventas totales, precios, categorías de productos, condiciones económicas generales
Ventas totales, categorías de productos, introducción de nuevos productos, puntos de saturación de los productos existentes, preferencias y gustos del consumidor
Producción Demanda de cada producto, capacidad de carga de planta
Demandas totales, de categorías de productos, programación, nivel de empleo, costos
Costos, asignación presupuestaria, compra o pedidos de equipo y maquinaria, nivel de empleo
Costos, inversión en instalaciones, ampliación o pedidos de planta y equipo, demanda de instalaciones productivas, nuevas tecnologías
Inventarios
Demanda de la producción de cada producto, de material, de productos semiterminados, condiciones climáticas
Demanda de materiales, de productos semiterminados, posibles huelgas
Huelgas posibles de los proveedores o en las instalaciones de transporte
Ventas totales, ampliación de bodegas
Finanzas y Contabilidad
Ingresos por ventas, costos de producción, de inventarios, indicadores guías, entradas de efectivo, erogaciones en efectivo
Demanda total, niveles de existencias, flujos de efectivo, préstamos de corto plazo, precios
Asignaciones presupuestarias, flujos de efectivos
Ventas totales, selecciones de inversión, gastos o programación de capital, asignaciones de recursos, flujos de efectivos
Compras
Producción, disponibilidad de efectivo, compra de insumos y materiales
Demanda de productos, de materiales, tiempos rectores de compras
Demanda de productos, de materias primas y otros materiales
Contratos de compra de materias primas, preferencias y gustos del consumidor
Investigación y Desarrollo
Introducción de nuevos productos, selecciones de investigación y desarrollo
Ventas totales, condiciones tecnológicas, sociales, políticas y económicas del futuro, desarrollo de nuevos productos
Alta Gerencia
Ventas totales, segmentación de ventas, fijación de precios
Demanda de ventas, costos y otros gastos, posición de efectivo, condiciones económicas generales, objetivos de control
Ventas totales, costos y otros gastos, tendencias sociales y económicas, metas, objetivos y estrategias, nuevos productos, políticas de precios
Fuente: Makridakis y Wheelwrigth, 2004.
143
APÉNDICE D
144