Pronósticos Pronóstico ¿Porqué? Factores Controlables Factores

Pronósticos Pronóstico ¿Porqué? Factores Controlables Factores

2
Pronóstico
• Es una estimación cuantitativa o cualitativa de
uno o varios factores (variables) que conforman
un evento futuro, con base en información actual
o del pasado
Pronósticos
Administración de Operaciones
Maestría en Ciencias en Administración
Otoño 2006
1
3
4
¿Porqué?
Factores Controlables
• La empresa se mueve en un contexto altamente
incierto.
• Política,
tecnología
y
medio
ambiente
repercuten sobre variables relevantes para la
empresa: costos de producción, inventarios,
volumen de ventas
• La empresa debe tomar decisiones sobre
Factores Controlables tomando en cuenta
Factores Incontrolables.
• Aquellos sobre los cuales la empresa decide su
estructura, niveles, política y modo de operar:
– Niveles de producción
– Niveles de inventario
– Capacidad
5
6
Factores Incontrolables
Objetivo
• Aquellos sobre los cuales la empresa no
puede decidir ni modificar: dependen de
factores externos a la empresa
– Demanda del producto
– Competencia
– Economía
– Comportamiento del consumidor
• Reducir la incertidumbre del futuro, mediante la
anticipación de eventos cuya probabilidad de
ocurrencia sea relativamente alta, respecto a
otros eventos posibles.
1
7
8
Clasificación de Pronósticos
Clasificación de Pronósticos
• Por horizonte de planeación:
– LARGO PLAZO: inversión en capital, localización
de planta, nuevos productos, expansión,
crecimiento del mercado, tecnología
– MEDIANO PLAZO: tamaño de la fuerza de trabajo,
ciclicidad de la demanda, requerimientos de
capacitación
– CORTO PLAZO: frecuencia de pedidos , demanda,
niveles de inventario requeridos
• Por áreas de la empresa
– MERCADOTECNIA: crecimiento del mercado,
pronósticos económicos y poblacionales
– PRODUCCIÓN: programas de expansión,
pronóstico de la demanda a mediano y largo
plazo
– FINANZAS: presupuesto de gastos, ventas del
próximo año
9
Clasificación de Pronósticos
10
Técnicas Cualitativas
• Por tipo de datos
– CUALITATIVAS: técnicas subjetivas. Utilizan
información cualitativa (experiencia de
expertos).
– CUANTITATIVAS: se basan en datos
numéricos y utilizan herramienta matemática y
estadística para su elaboración.
• La misma técnica usada por dos expertos
distintos puede producir resultados diferentes
– Investigación de mercados
– Analogías históricas
– Método delphi
– Consenso general
– Impacto cruzado
– Análisis de escenarios
11
Investigación de Mercados
• Obtener información acerca del comportamiento
real del mercado, mediante encuestas dirigidas
al público consumidor o a partir de la experiencia
de vendedores, para concluir sobre el
comportamiento futuro.
12
Analogías Históricas
• Se fundamenta en un análisis comparativo de
casos similares al que se estudia. Trata de
reconocer patrones de similitud para sacar
conclusiones y obtener un pronóstico:
– productos similares
– producto en otros mercados, etc.
2
13
Método Delphi
14
Método Delphi
• Los expertos responden un cuestionario
• Se obtiene la media y desviación de cada
pregunta.
• Se pide justificar respuesta a aquellos que se
encuentran fuera del rango de dos o mas
desviaciones, sobre la media de cada pregunta.
• Se pasa esta opinión a todos los participantes y
se vuelve a aplicar el cuestionario
• Pretende llegar a un consenso a través de la
opinión de expertos, evitando la confrontación
de los mismos, ya que no existe una interacción
directa entre los participantes. Estos expresan
libremente sus opiniones.
15
16
Método Delphi
Consenso General
• El proceso se repite hasta lograr un consenso en
las diferentes preguntas o hasta identificar
subgrupos de opiniones
• Con la información obtenida se procede a la
toma de decisiones.
• Se reúne a un grupo de expertos
• A partir de una lluvia de ideas se establecen
discusiones hasta llegar a un acuerdo que refleje
el sentir de la mayoría
17
Impacto Cruzado
• Desarrollar una matriz para estudiar los
efectos de diversos factores sobre la
probabilidad de ocurrencia de un evento, así
como el impacto que esta pueda tener en
otra serie de eventos.
18
Impacto Cruzado
• Determinar los eventos a incluirse en el estudio
• Estimar la probabilidad inicial de cada evento y la
probabilidad condicional de cada par de eventos
• Seleccionar eventos en forma aleatoria y calcular
su repercusión sobre los demás eventos como
resultado de la ocurrencia o no del evento
elegido.
3
19
20
Análisis de Escenarios
Técnicas Cuantitativas
• Describir diferentes escenarios futuros posibles
(mas probable, probable, poco probable)
considerando factores que los determinen
(cambios en la población, inflación, variación de
la demanda) para reconocer las implicaciones a
largo plazo de los cambios posibles.
• INFORMACIÓN: Requieren de datos históricos de
las variables involucradas
• SUPUESTO: El patrón histórico de las variables
seguirá siendo válido en el futuro analizado
21
Técnicas Cuantitativas
22
Etapas de un Pronóstico
• Definir el propósito
• Recolectar datos
– fuentes primarias o secundarias
• Preparar los datos
– ordenar y clasificar
• Seleccionar la técnica adecuada
• Ejecutar el pronóstico
– estimar errores
• Dar seguimiento
– confrontar con información actual
• Extrapolativas
– Ajustes de curvas y métodos de suavización.
Los patrones observados en el pasado se
proyectan al futuro
• Análisis de series de tiempo
– Métodos de descomposición (autorregreción,
integrados y promedios móviles)
• Modelos causales
– Modelos econométricos (regresión)
23
Selección de la Técnica
Adecuada
• Facilite la toma de decisiones en el momento
adecuado
• Que sea entendida por el que toma las
decisiones
• Pase un análisis costo-beneficio
• Cumpla con las restricciones del sistema: tiempo
disponible, datos, disponibilidad de cómputo.
• Cumpla con los criterios de: precisión,
estabilidad, objetividad
24
Tipos de Datos
• Observados en un momento preciso del tiempo:
un día, una hora, una semana, etc.
– Ejemplo: observar una característica en una
muestra de productos para controlar calidad,
ingreso de la población, grado de escolaridad
de empleados, etc.
– Objetivo: extrapolar a toda la población las
características de la muestra
4
25
26
Patrones o Componentes de una
Serie de Tiempos
Tipos de Datos
• Tendencia
– componente de
• Ciclicidad
– componente de
• Estacionalidad
– componente de
• Factor aleatorio
– componente de
• Series de tiempo: una sucesión cronológica de
observaciones de una variable a intervalos
iguales de tiempo.
– Ejemplo: ventas trimestrales de los últimos 5
años, desempleo en los últimos años, precio
de un producto en el tiempo, etc.
– Objetivo: analizar patrones del pasado que
puedan extrapolarse al futuro.
muy largo plazo
largo plazo
corto plazo
muy corto plazo
27
Tendencia
28
Tendencia: ventas de SEARS
(1955-1985)
• Componente de muy largo plazo que representa
el crecimiento o decrecimiento de los datos en
un período extendido.
• Fuerzas que afectan y explican tendencia:
– Crecimiento de la población
– Inflación
– Ventas de un producto en su etapa de
crecimiento en el ciclo de vida
50000
40000
30000
20000
10000
0
55
60
65
70
75
80
85
SEARS
29
30
Estacionalidad
• Patrón de cambio que se repite año con año en
el mismo número de períodos
• Fuerzas que afectan y explican estacionalidad:
– Períodos escolares
– Períodos vacacionales
– Productos de estación
– Estaciones del año
Estacionalidad
180
160
140
120
100
80
60
81
82
83
84
85
86
87
88
89
90
MURPHY
5
31
32
Ciclicidad
Ciclicidad
• Fluctuación alrededor de la tendencia que se
repite pero a intervalos distintos y con
amplitudes distintas
• Fuerzas que afectan y explican ciclicidad:
– Períodos de expansión y de recesión de la
economía
– Ciclos económicos
400
350
300
250
200
150
100
60
65
70
75
VENTAS
80
85
90
TENDENCIA
33
34
Factor Aleatorio
Serie Aleatoria
• Mide la variabilidad de una serie cuando los
demás componentes se han eliminado o no
existen
• Fuerzas que afectan y explican aleatoriedad:
– Cambios climáticos
– Desastres naturales
– Huelgas
– Hechos fortuitos
1000
800
600
400
200
0
5
10
15
20
25
30
ALEA
35
Serie Estacionaria
• Serie cuyo valor promedio no cambia a través
del tiempo
• Fuerzas que afectan y explican estacionariedad:
– Sistemas de producción con tasa uniforme
– Ventas de productos en su etapa de madurez
en el ciclo de vida
36
Serie Estacionaria
1000
800
600
400
200
85
86
87
88
VENTAS
89
90
91
92
TENDENCIA
6
37
38
Serie Con Varios Patrones
Correlogramas
• Una forma de saber si la serie tiene tendencia,
estacionalidad, si es una serie aleatoria o una
serie estacionaria es mediante la observación
del correlograma.
– Correlograma: gráfica que muestra los
coeficientes de autocorrelación de la serie
500
400
300
200
100
60
65
70
75
80
85
90
VENTAS
CICLO
TENDENCIA
39
40
Autocorrelación
Tendencia
• Si la serie tiene tendencia los coeficientes de
autocorrelación son significativamente distintos
de cero en los primeros rezagos y caen
gradualmente a cero.
• Correlación de la serie con ella misma
rezagada uno o varios períodos
50000
40000
30000
– rk = Coeficiente de correlación de orden k
– Yi = Demanda en el periodo i
20000
10000
0
55
60
65
70
75
80
85
SEARS
41
42
Serie de Diferencias
Estacionalidad
180
• Para quitar la tendencia a la serie se usa el
Método de Diferencias: se genera una nueva
serie en la cual cada observación es la
diferencia de la observación t y la observación t1 de la serie original.
160
140
120
100
80
60
81
82
83
84
85
86
87
88
89
90
MURPHY
Dif t = Yt - Yt-1
Si la serie tiene un patrón estacional el coeficiente de
autocorrelación correspondiente a cierto rezago (4 si
la serie es trimestral, 12 si es anual, etc.) es
significativamente distinto de cero.
7
43
44
Estacionalidad
Serie Aleatoria
40
20
1000
0
800
-20
600
-40
400
200
-60
81
82
83
84
85
86
87
88
89
90
0
D(MURPHY)
5
10
15
20
25
30
ALEA
Quitando la tendencia a la serie Murphy (serie
D(Murphy)),
se
observa
una
correlación
significativamente distinta de cero en el rezago
número 12 (observar que la serie es mensual)
Si la serie es aleatoria los coeficientes de autocorrelación
son todos significativamente cero
45
Serie Estacionaria
46
Técnicas Extrapolativas
50000
• Notación
Yt : observación en el período t
Ft: pronóstico para el período t
et= Yt - Ft : residuo en el período t
• Los residuos permiten observar que tan bueno
es el modelo para pronosticar períodos pasados
40000
30000
20000
10000
0
-10000
55
60
65
70
SEARS
75
80
85
DSEARS
Los coeficientes de autocorrelación de una serie
estacionaria son cero excepto para los dos o tres
primeros rezagos
47
48
Medidas de Error
Medidas de Error
• Sirven para evaluar la utilidad de una técnica de
pronósticos, calculando una medida global de
los residuos.
• RESIDUOS: la diferencia entre el valor real de la
variable y el valor estimado por el modelo
• Las medidas de error se calculan sobre una
rango de datos de prueba común (a todos los
modelos) constituido por k observaciones
históricas
y
realizando
los
pronósticos
correspondientes con la técnica seleccionada
8
49
50
Medidas de Error
SERIE DE VENTAS: ACME
Σ ei
OBS TRIM. 1
ME =
• Error Medio (ME)
k
– Identifica sesgo
Σ |ei |
• Error Medio Absoluto (MAD)
MAD = k
– Distancia promedio
Σ (ei)2
• Error Medio Cuadrático (MSE)
MSE =
k
– Penaliza errores Grandes
• Error Medio Absoluto Porcentual
Σ |ei / y |
MAPE =
– Proporción del error
1984
1985
1986
1988
1989
1990
1991
1992
1993
1994
k
TRIM. 2
500.0000
450.0000
350.0000
550.0000
550.0000
750.0000
850.0000
550.0000
NA
NA
TRIM. 3
350.0000
350.0000
200.0000
350.0000
400.0000
500.0000
600.0000
400.0000
NA
TRIM. 4
250.0000
200.0000
150.0000
250.0000
350.0000
400.0000
450.0000
500.0000
NA
400.0000
300.0000
400.0000
550.0000
600.0000
650.0000
700.0000
NA
NA
51
52
MODELOS NAIVE
MODELOS NAIVE: F t+1= Yt
ACME
• Útiles cuando la información mas relevante es la
de los períodos mas recientes.
• Modelo 1:
F t+1= Yt
• Modelo 2:
F t+1= Yt + (Yt - Yt-1)
• Modelo 3:
F t+1= Yt-3
• Serie con tendencia y
estacionalidad
1000
800
600
400
200
0
85
86
87
88
89
ACME
90
91
92
ACME1
500.0000
350.0000
250.0000
400.0000
450.0000
350.0000
200.0000
300.0000
350.0000
200.0000
150.0000
400.0000
550.0000
350.0000
250.0000
550.0000
550.0000
400.0000
350.0000
600.0000
750.0000
93
NA
500.0000
350.0000
250.0000
400.0000
450.0000
350.0000
200.0000
300.0000
350.0000
200.0000
150.0000
400.0000
550.0000
350.0000
250.0000
550.0000
550.0000
400.0000
350.0000
600.0000
ACME1
53
MODELOS NAIVE
F t+1= Yt +(Yt- Yt-1)
ACME
500.0000
350.0000
250.0000
400.0000
450.0000
350.0000
200.0000
300.0000
350.0000
200.0000
150.0000
400.0000
550.0000
350.0000
250.0000
550.0000
550.0000
400.0000
MODELOS NAIVE: Ft+1=Yt-3
ACME2
NA
NA
200.0000
150.0000
550.0000
500.0000
250.0000
50.00000
400.0000
400.0000
50.00000
100.0000
650.0000
700.0000
150.0000
150.0000
850.0000
550.0000
1200
1000
800
600
400
200
0
85
86
87
88
89
ACME
90
54
91
ACME2
92
93
ACME
500.0000
350.0000
250.0000
400.0000
450.0000
350.0000
200.0000
300.0000
350.0000
200.0000
150.0000
400.0000
550.0000
350.0000
250.0000
550.0000
550.0000
400.0000
350.0000
600.0000
ACME3
NA
NA
NA
NA
500.0000
350.0000
250.0000
400.0000
450.0000
350.0000
200.0000
300.0000
350.0000
200.0000
150.0000
400.0000
550.0000
350.0000
250.0000
550.0000
1000
800
600
400
200
0
85
86
87
88
89
ACME
90
91
92
93
ACME3
9
55
56
MEDIDAS DE ERROR
Modelo de la Media Total
ME
MSE
MAD
MAPE
3.7037 29074.07
151.85
0.3548
-1.8518 61759.26
209.25
0.4809
24.074 14166.67
98.148
0.2427
MODELO1
MODELO2
MODELO3
• Útil cuando la serie es estacionaria.
• Se obtiene del promedio de todas las
observaciones históricas.
• El modelo 3 tiene menor medida de error
excepto para me. Es el mejor modelo
• El modelo 1 tiene mejor me porque los errores
se cancelan. No hay sesgo. No es el mejor
modelo.
Ft+1 =
Σ Yt
n
57
58
Modelos de Promedios Móviles
(simples de orden 3)
Promedio Móvil de Orden 2
1000
• Se promedian solo las últimas observaciones.
• Un orden grande elimina los picos (suaviza).
• Un orden pequeño permite seguir muy de
cerca los cambios de corto plazo.
800
600
400
Ft+1
=
Yt + Yt-1 + Yt-2
200
3
0
85
86
87
88
89
90
ACME
91
92
93
MA(2)
59
60
Promedio Móvil de Orden 3
Promedio Móvil de Orden 4
1000
1000
800
800
600
600
400
400
200
200
0
85
86
87
88
89
ACME
90
91
MA(3)
92
93
85
86
87
88
89
ACME
90
91
92
93
MA(4)
10
61
Suavización Exponencial
Suavización Exponencial (α = 0.2620)
• Promedia los valores históricos hasta el
período t, con ponderaciones que decrecen
exponencialmente
• Incluye un parámetro alpha que define la
velocidad de decaimiento
• Ft incluye las ponderaciones de observaciones
anteriores
Ft+1 = α Yt + ( 1- α ) Ft
62
1000
800
600
400
200
0
0≤α≤1
85
86
87
88
89
ACME
90
91
92
93
FOR
63
Suavización Exponencial Ajustada
a la Tendencia
•
•
•
•
At = αDt + (1-α)(At-1+Tt-1)
Tt = β(At-At-1) + (1-β)Tt-1
Ft+1 = At + Tt
At = promedio suavizado de la serie
Tt =promedio suavizado de la tendencia
α = parámetro de suavización para el promedio
β = parámetro de suavización para la tendencia
11