¿Que es previsiones?

, Previsión de acontecimientos futuros

,Datos históricos

, Modelos matemáticos

Corto plazo Tiene un periodo de

cobertura de hasta unaño, aunque

generalmente es inferior a los tres

meses.

Mediano plazo Abarca generalmente

entre tres meses y tres años.

Largo Plazo Abarcan periodos de

tres años o más,

Diferencias entre a corto y mediano-largo plazo

CORTO PLAZO• METODOLOGÍAS DIFERNTES• Medias Móviles• Alisado Exponencial• Extrapolación de tendencia

• -SON MÁS EXACTAS

MEDIANO-LARGO PLAZO• TRATAN DE CUESTIONES MÁS GLOBALES, PARA

DECISIONES COMO:• Planificación • Producción• Plantas• Procesos

La influencia del ciclo de vida del producto

Conocer la fase del ciclo en la que se encuentra nuestro producto o servicio nos permitirá diseñar la estrategia más eficaz para alargar su vida en un mercado cada vez más cambiante y rápido

TIPOS DE PREVISIONES

ECONOMICAS

• Previsiones a mediano y largo plazo• Variables económicas

TECNOLOGIA

• Previsiones a largo plazo• Progreso tecnológico

DEMANDA

• Demanda de los productos o servicios de la empresa• Conduce sistemas de producción

Importancia estratégica de las previsiones

Recursos Humanos

Capacidad

Gestión de la cadena de

suministros

La previsión es la única estimación de la demanda hasta que se conozca la demanda real.Las previsiones de la demanda determinan las decisiones en muchas áreas

SIETE ETAPAS EN EL SISTEMA DE PREVISION

DETERMINAR EL USO DE LA PREVISION

SELECCIONAR A LOS ARTICULOS PARA LOS

QUE SE VA A REALIZAR LA PREVISION

DEFINIR EL HORIZONTE TEMPORAL DE LA

PREVISION

SELECCIONAR EL MODELO O LOS MODELOS DE PREVISION

RECOPILAR LOS DATOS NECESARIOS PARA LA

PREVISION

REALIZAR LA PREVISION

VALIDAR E IMPLEMENTAR RESULTADOS

Enfoques de la previsión

Previsiones

Previsiones Cuantitativos

Se emplean diferentes modelos matemáticos para prever la demanda

Previsiones Cualitativos

Es una combinación entre: intuición, toma de decisiones, emociones,

experiencias y sistemas de valores

Revisión de los métodos cualitativos

Jurado de opinión ejecutiva

Método Dephi

Propuesta del personal de ventas

Estudio de mercado

• Reunión de un grupo directivo o expertos de alto nivel

• Los que toman decisiones• El personal de soporte• Los encuestados

• Cada vendedor estima las ventas que habrá en su zona

• Solicitud de los consumidores o clientes potenciales

Revisión de los métodos cuantitativos

Modelos de series temporales

Enfoque simple

Medias Móviles

Alisado exponencial

Modelos asociativos (o

casuales)

Proyección de tendencia

Regresión lineal

Todos ellos utilizan datos históricos

El futuro es una función

del pasado.

Variables o factores que

pueden influir en la cantidad

que se va a predecir

PREVISIONES DE SERIES TEMPORALES

BASADA EN SECUENCIA DE

DATOSTECNICA DE

PREVISION QUE USA DATOS PASADOS

LOS VALORES FUTUROS DEPENDEN

DE LOS HECHOS PASADOS

DESCOMPOSICION DE UNA

SERIE TEMPORAL

TENDENCIAS

ESTACIONALIDAD

CICLOS

VARIACIONES IRREGULARES

O ALEATORIAS

DESCOMPOSICION DE UNA SERIE TEMPORAL

• Movimientos graduales• Cambios en los ingresos, población, gustos, etc.Tendencias

• Es un patrón de variabilidad que se repite cada cierto numero de días Estacionalidad

• Patrones que ocurren cada cierto numero de años.Ciclos

• Son causadas por datos o situaciones inusuales• No siguen un patron

Variación irregular o aleatorias

Enfoque simple y Media móvil

Enfoque Simple

Supone que la demanda del

periodo anterior se mantiene

Media móvil

Utiliza un grupo de valores recientes

Supone que la demanda del mercado es

estable

Ayuda a suavizar las irregularidades

de corto plazo

Matemáticamente:

Ejemplos media móvil

• Media móvilMes Ventas reales Media móvil (3 meses)

Enero 10

Febrero 12

Marzo 16

Abril 19 =(10+12+16)/3=12,6

Mayo 23 =(12+16+19)/3=15,6

Junio 21

Julio 25

Medias Móviles

• Cuando existen tendencias o patrones detectables se puede utilizar ponderaciones para valores recientes.

• Se debe tener cierta experiencia para ponderar y que ponderación se va a usar.

Medias Móviles

• Cuando existen tendencias o patrones detectables se puede utilizar ponderaciones para valores recientes.

• Se debe tener cierta experiencia para ponderar y que ponderación se va a usar.

• Media móvil ponderadaPonderación Período

3 Último

2 Hace 2 meses

1 Hace 3 meses

6Suma de

ponderaciones

Mes Ventas reales Media móvil (3 meses)

Enero 10

Febrero 12

Marzo 16

Abril 19 =(10*1+12*2+16*3)/6= 13,6

Mayo 23 =(12*1+16*2+19*3)/6= 19,5

Junio 21

Julio 25

Si n aumenta hace que el método sea menos sensible a

cambios reales

La medias móviles no son buenas al

momento de captar tendencias.

Requieren de un gran numero de datos históricos

Tanto la media móvil simple como la ponderada son eficaces en el aislamiento de fluctuaciones;

presentan tres problemas

Aislado Exponencial

Método de previsión de medias móviles

ponderadas

Los datos se ponderan por medio de una

función exponencial

Necesita un reducido numero de datos

Ft= nueva previsiónFt-1= previa previsiónα=constante aislado o ponderación entre 0 – 1At-1= demanda real del periodo previo

Constante de alisadoα (α)Es el factor de

ponderación que seutiliza en un pronósticode alisado

exponencial;es un número entre 0

y1.

Cuando alcanza el valor extremo de 1,0; desaparecen todos los valores antiguos, y la previsión es idéntica a la del modelo simple

Cuando asume valores elevados se da mayor ponderación a los valores recientes

Para las aplicaciones empresariales está en elintervalo comprendido entre 0,05 y 0,50.

Cuando asume valores menores se da mayor ponderación a los valores mas antiguos

Ejercicio• En enero, un concesionario de automóviles predijo para febrero

una demanda de 142 Ford Mustang. La demanda real en febrero fue de 153 vehículos. Utilizando una constante de alisado escogida por la dirección de 0,2 se puede predecir la demanda de marzo utilizando el modelo del alisado exponencial. Sustituyendo estos datos en la fórmula, se obtiene:

• Nueva previsión (para la demanda de marzo) = 142 + 0,2(153 - 142)

=142 + 2,2 144,2• Por tanto, la demanda prevista de Ford Mustang para el mes de

marzo es de 144.

Medición del error de previsión

El error de previsión indica como se

comporto el modelo comparando con los

datos pasados

Desviación absoluta media (DAM)

Error cuadrado medio (ECM)

Error porcentual absoluto (EPAM)

Ft= la previsión en el periodo t.

At= la demanda real en el periodo t.

Desviación absoluta media

Este valor se calcula sumando los valores absolutos de los errores

de previsión individualesy dividiendo por el número de

periodos de los datos (n):

Durante los ocho últimos trimestres, en el puerto de Baltimore se han descargado grandes cantidades de grano de los barcos. El director de operaciones portuarias quiere analizar la utilización de la técnica de alisado exponencial para constatar qué tal funciona en la previsión de tonelaje descargado.Para ello, supone que la previsión de grano descargado en el primer trimestre fue de175 toneladas. Dos son los valores de examinados: 0,10 y 0,50.

TrimestreToneladas realmente

descargadas

Previsión redondeada

utilizando (0,1)Desviación

absoluta con (0,1)

Previsión redondeada

utilizando (0,5)

Desviación absoluta con

(0,5)

1 180 175 =(180-175)=5 175 5

2 168 176 8 178 10

3 159 175 16 173 14

4 175 173 2 166 9

5 190 173 17 170 20

6 205 175 30 180 25

7 180 178 2 193 13

8 182 178 4 186 4

9 Suma: 84 Suma=100

DAM 1: 84/8=10,5DAM 2: 100/8=12,5

Por en cuanto, es preferible un constante de aislado de 0,1 porque su DAM es menor.

Error cuadrado medio

Es la media de lasdiferencias al cuadrado

entre los valores previstos y los observados.

Se busca minimizar el error.

En ocasiones este análisis revalida los

resultados de la DAM

Error porcentual absoluto medio

La media de las diferencias, en valor absoluto, entre los valores reales y los previstos, expresada como porcentaje de los valores reales.

Alisado exponencial con ajuste de tendencia

Con el alisado exponencial con ajuste de tendencia, las

estimaciones, tanto para la mediacomo para la tendencia, están alisadas. Este procedimiento requiere dos constantes de

alisado,para la media, y para la

tendencia.

Análisis de Previsión CausalA diferencia de previsiones temporales ; aquí se toma en cuenta otras variables relacionadas con las que se van a predecir.Cuando se identifica las variables relacionadas entre si se utiliza los modelos estadísticos para hacer la previsión de la variable que interesa.

1) Análisis de regresión linealLa variable dependiente que se

quiere prever continuará siendo yˆ. Pero ahora la variable

independiente, x, no tiene por qué seguir siendo el tiempo.

Coeficientes de correlación para las rectas de regresión

Es una medida de la intensidad de la

relación entre dos variables.

Identificadonormalmente como r, el

coeficiente de correlación puede ser cualquier número

entre +1 y-1.

Análisis de regresión múltiple

Permite construir un modelo con varias

variables independientes en lugar de una sola

variable.