Administración de la producción

Economía. Empresa. Marketing. Mercadotecnia. Pronósticos futuros. Demanda. Tipos. Enfoques. Método Delphi. Promedios. Análisis de regresión. Publicidad y ventas

  • Enviado por: Sum
  • Idioma: castellano
  • País: México México
  • 19 páginas
publicidad
cursos destacados
Cómo invertir en bolsa
Cómo invertir en bolsa
Conoce los principales mercados bursátiles colombianos, cómo funcionan y cómo invertir en ellos.
Ver más información

Certifícate PMP - Plan Platino ¡Garantizado!
Certifícate PMP - Plan Platino ¡Garantizado!
¡CURSO 100% TELEPRESENCIAL!



Otorga las 35 Horas de...
Ver más información

publicidad

INTRODUCCION

Pronosticar consiste en utilizar datos pasados para determinar acontecimientos futuros.[1]

Los pronósticos a menudo son utilizados para poder predecir la demanda del consumidor de productos o servicios, aunque se pueden predecir una amplia gama de sucesos futuros que pudieran de manera potencial influir en el éxito [1].

Pronosticar es el arte y la ciencia de predecir los eventos futuros. Puede involucrar el manejo de datos históricos para proyectarlos al futuro, mediante algún tipo de modelo matemático. Puede ser una predicción del futuro subjetiva o intuitiva. O bien una combinación de ambas, es decir, un modelo matemático ajustado por el buen juicio de un administrador.[3]

Existen diferentes técnicas de pronósticos pero rara vez hay un único modelo superior .Lo que mejor funciona en una empresa bajo un conjunto de condiciones, puede ser un desastre completo en otra organización, o incluso en otro departamento de la misma empresa. En forma tradicional, podrá advertir que existen límites sobre lo que puede esperarse de los pronósticos. Rara vez son, si acaso, perfectos; también son caros y consumen tiempo en su preparación y monitoreo.[3]

Sin embargo, pocos negocios pueden darse el lujo de evitar el proceso del pronóstico sólo en espera de lo que pueda suceder para tomar entonces las oportunidades. La planeación efectiva depende del pronóstico de la demanda para los productos de la compañía [3].

Administración de la demanda [3]

La administración de la demanda implica reconocer fuentes de demanda para los bienes y servicios de una empresa, predecir la demanda y determinar la manera como la empresa satisfará esa demanda.[4]

Las predicciones de demanda pronostican la cantidad y la duración de los bienes y servicio de una empresa. [4]

Las predicciones de recursos se utilizan para pronosticar la duración y la cantidad de la demanda de instalaciones, equipo, fuerza laboral y compra de partes y materiales para la empresa. [4]

Un administrador debe tener la habilidad de alterar la demanda. En el caso en que la demanda exceda la capacidad, la empresa debe ser capaz de reducir la demanda sencillamente con elevar los precios, programando tiempos de entrega largos (los cuales pueden ser inevitables),y desanimando los negocios con utilidad marginal. En el caso de que la capacidad exceda la demanda, la empresa quizá requiera la estimulación de la demanda a través de las reducciones de precios de mercadeo agresivo, o acomodar el mercado de una mejor manera a través de los cambios de productos.

Las instalaciones no utilizadas (esto es, exceso de capacidad) significan costos fijos excesivos; y las instalaciones inadecuadas reducen la utilidad a menos de lo que es posible. Por lo tanto, existen varias tácticas para igualar la capacidad con la demanda. Los cambios internos incluyen el ajuste del proceso para un cierto volumen a través de:

  • Cambios en el personal

  • ajuste de equipos y procesos, que pueden incluir la compra de maquinaria adicional o la venta o arrendamiento de equipo existente;

  • mejoramiento de los métodos para aumentar la salida, y/o

  • el rediseño del producto para facilitar más rendimiento

  • Las tácticas anteriores pueden ser utilizadas para ajustar la demanda a las instalaciones existentes. El tema es, desde luego, cómo construir unas instalaciones del tamaño correcto. Por lo tanto, se tratará la forma de determinar la capacidad y decidir sobre el tamaño de las instalaciones.

    Generalidades

    Horizonte de tiempo en pronósticos [3]

    Clasificación de los pronósticos:

  • Pronóstico a corto plazo. Este tiene un lapso de hasta un año, pero es generalmente menor a tres meses. Se utiliza para planear las compras, programación de planta, niveles de fuerza laboral, asignaciones de trabajo y niveles de producción.

  • Pronóstico a mediano plazo. Un pronóstico de rango mediano, o intermedio, generalmente con un lapso de tres meses a tres años. Es valioso en la planeación de producción y presupuestos, planeación de ventas, presupuestos de efectivo, y el análisis de varios planes de operación.

  • Pronóstico a largo plazo. Generalmente con lapsos de tres años o mas, los pronósticos a largo plazo se utilizan para planear nuevos productos desembolsos de capital, localización e instalaciones o su expansión, y la investigación y el desarrollo.

  • Tipos de pronóstico[3]

  • Pronósticos económicos marcan el ciclo del negocio al predecir las tasas de inflación, oferta de dinero, nuevas construcciones, y otros indicadores de planeación.

  • Pronósticos tecnológicos tienen que ver con las tasas de progreso tecnológico, que pueden dar por resultado el nacimiento de productos novedosos, que requieren nuevas plantas y equipo

  • Pronósticos de demanda son proyecciones de la demanda para los productos o servicios de una compañía. Estos pronósticos, también llamados pronósticos de ventas, conducen la producción de una compañía, la capacidad, y los sistemas de programación, y sirven como insumos a la planeación financiera, de mercado y de personal.

  • Enfoques para pronosticar [3]

  • Pronósticos cuantitativos manejan una variedad de modelos matemáticos que utilizan datos históricos y/o variables causales para pronosticar la demanda

  • Pronósticos cualitativos o subjetivos incorporan factores importantes tales como la intuición, emociones, experiencias personales del que toma la decisión, y sistema de valores para alcanzar un pronóstico. Algunas compañías utilizan la otra; pero en la práctica una combinación o mezcla de los dos estilos es generalmente más efectivo.

  • Enfoques para pronosticar

    Tipo de Modelo

    Descripción

    Modelos Cualitativos

    • Método Delphi

    • Datos históricos

    • Técnica de Grupo Nominal

    Preguntas hechas a un grupo de expertos para recabar opiniones.

    Hace analogías con el pasado de una manera razonada.

    Proceso de grupo que permite la participación con votación forzada.

    Modelos Cuantitativos (series de tiempo)

    • Medida o promedio Móvil simple

    Promedia los datos del pasado para predecir el futuro basándose en ese promedio.

    Suavizado exponencial

    Da pesos relativos a los pronósticos anteriores y a la demanda mas reciente

    Modelos Cuantitativos Causales

    • Análisis de regresión

    • Modelos económicos

    Describe una relación funcional entre las variables.

    Proporciona un pronóstico global para variables tales como el producto nacional bruto (PNB)

    Delphi

    La técnica o método Delphi es un proceso de grupo que tiene como fin un pronóstico por consenso. El proceso necesita de un grupo de expertos internos o externos de la empresa quienes recaban opiniones por escrito sobre el punto que se discute.

    Los procedimientos que se siguen son los siguientes:

  • Cada uno de los expertos realiza una breve predicción sobre una pregunta que trata de una situación en la que se requiere un pronóstico. La pregunta es expresada de forma muy general.

  • El moderador o coordinador es quién proporciona la pregunta original, después reúne las opiniones poniéndolas en términos claros y finalmente las edita.

  • Los resúmenes hechos por los expertos dan la pauta a un conjunto de preguntas que el moderador da los expertos para ser contestadas.

  • Las respuestas son de nuevo recopiladas por el moderador, este proceso se repite hasta que el moderador este de acuerdo con la predicción general.

  • El punto neurálgico del método Delphi son las personas involucradas, esto se debe a que en la mayoría de los casos los grupos son interdisciplinarios. De esta manera el moderador quien debe poseer la habilidad para sintetizar las distintas y variadas opiniones y de esa manera elaborar un conjunto estructurado de preguntas y llegar a un pronóstico.

    Ejemplo [1]

    Durante la década de 1970 en la American Hoist and Derrick Company la administración consideró necesario incorporar sus opiniones a los pronósticos de venta. Empezando con los pronósticos de ventas para 1975, la administración quería incrementar la precisión en las predicciones para determinar específicamente qué tan rápido debería de crecer la capacidad de producción. La técnica delphi se empleó para ajustar los datos históricos con opiniones basadas en información. Fueron necesarios tres cuestionarios para sintetizar las opiniones para tres personas clave en la corporación. Los errores incurridos en los pronósticos anteriores tenían una dispersión de ± 20 por ciento. En 1975 el pronóstico delphi ascendió a 359.1 millones de dólares y las ventas reales fueron de 360.2 millones de dólares, lo que significó un error de + 0.3 por ciento. El pronóstico de 1976 fue de 410 millones de dólares y las ventas reales ascendieron a 397 millones de dólares, y el error fue de - 3.3 por ciento. Los errores anteriores de pronósticos se redujeron significativamente de 20 por ciento a menos de 4 por ciento.

    Técnica de grupo nominal

    Esta técnica supone que un grupo estructurado de gente conocedora será capaz de llegar a un pronóstico por consenso. El proceso funciona de la siguiente forma:

    Entre siete y diez personas son invitadas a pasar a una sala de juntas y sentarse alrededor de una mesa donde se pueden ver pero no deben cruzar palabra entre ellos. El moderador del grupo proporciona las preguntas por escrito o las escribe en el pizarrón el punto que necesita de un pronóstico. Cada uno de los miembros debe escribir ideas acerca del problema. Después de algunos minutos el moderador pide a cada uno de los participantes que exponga una de las ideas de que escribió. Mientras lo hace un ayudante escribe cada idea en un rota folio de modo que todos los demás lo puedan ver. En esta etapa no hay discusión simplemente los integrantes van dando sus ideas hasta que todas hayan sido anotadas.

    En lo general entre, 15 y 25 proposiciones resultan de la aportación. En la segunda etapa de la reunión los miembros del grupo discuten las ideas presentadas. El moderador es quien tiene la responsabilidad de que todas las ideas sean discutidas y aclarar las dudas de los participantes en caso de que existan dudas sobre alguna de las ideas escritas. Cuando concluyen todas las discusiones se pide a los miembros que voten de manera independiente. La decisión del grupo es el resultado matemáticamente obtenido a partir de los votos individuales.

    Los objetivos del proceso son: [1]

    1. Asegurar diferentes procesos para cada fase de creatividad.

    2. Balancear la participación de los miembros

    3. Incorporar las técnicas matemáticas de votación en la agregación de los juicios de grupo.

    El pronóstico que se da a través de la técnica de grupo nominal es la alternativa que recibe la mayoría de los votos del grupo. Las claves para este proceso son la identificación de la pregunta que debe ser dirigida al grupo, la creatividad es permitida y se fomenta la discusión limitada y dirigida, y en último lugar el voto.

    Modelos básicos de promedio

    Promedio simple [1]

    Un promedio simple (PS) es un promedio de los datos del pasado en el cuál las demandas de todos los períodos anteriores tienen el mismo peso relativo.[1] Se calcula de la siguiente forma:

    'Administración de la producción'

    'Administración de la producción'

    donde

    D1 = demanda del periodo más reciente

    D2 = demanda que ocurrió hace dos periodos

    Dk = demanda que ocurrió hace k periodos

    Cuando se usa un promedio simple para crear un pronóstico, las demandas de todos los periodos anteriores tienen la misma influencia (equipesada) al determinar el promedio. De hecho un factor de peso de 1/k se aplica a cada demanda anterior.

    'Administración de la producción'

    La razón de la obtención del promedio es que si se obtiene el promedio de todas las demandas anteriores, las demandas elevadas que se tuvieran en diversos periodos tenderán a ser equilibradas por las bajas demandas de otros periodos, Los resultados serán un promedio que representa el verdadero modelo subyacente, especialmente cuando se incrementa el número de periodos empleados en el promedio. Al promediar se obtiene una reducción de las posibilidades de error al dejarse llevar por fluctuaciones aleatorias que pueden ocurrir en un periodo. Pero si el modelo subyacente cambia en el tiempo, el promedio no permite detectar este cambio.

    Ejemplo [1]

    En Welds Supplies la demanda total para un nuevo electrodo ha sido de 50,60, y 40 docenas en cada uno de los últimos trimestres. La demanda promedio ha sido:

    'Administración de la producción'

    'Administración de la producción'

    = 50

    Media móvil simple[1]

    Una medida móvil simple (MMS) combina los datos de demanda de la mayor parte de los periodos recientes, siendo su promedio el pronóstico para el periodo siguiente. Una vez calculado el número de periodos anteriores a ser empleado en las operaciones, se debe de mantener constante. Se puede emplear una medida móvil de tres periodos de 20, pero una vez que se toma la decisión hay que continuar usando el mismo número de periodos. Después de seleccionar el número de periodos a ser usados, se dan pesos iguales a las demandas para determinar el promedio. El promedio se “mueve” en el tiempo en el sentido de que al transcurrir un periodo, la demanda del periodo más antiguo se descarta, y se agrega la demanda para el periodo mas reciente para la siguiente operación, superando así la principal limitación del modelo del promedio simple.

    'Administración de la producción'

    'Administración de la producción'

    donde

    t = 1 en el periodo más antiguo en el promedio de n periodos

    t = n es el periodo más reciente

    Ejemplo [1]

    Frigerware ha experimentado la siguiente demanda de productos para sus neveras durante los últimos seis meses:

    Mes

    Demanda total de neveras

    Enero

    200

    Febrero

    300

    Marzo

    200

    Abril

    400

    Mayo

    500

    Junio

    600

    El gerente de planta ha solicitado que se prepare un pronóstico usando una medida móvil de seis periodos para pronosticar las ventas del mes de Julio. El 2 de Julio está por dar principio la corrida de producción de neveras.

    'Administración de la producción'

    = 367

    Usando una media móvil de seis meses el pronóstico para julio es de 367. Si se examinan los datos, es posible que una media móvil de tres meses pudiera ser mejor que una de seis meses. Sise toman en cuenta tres meses obtenemos:

    'Administración de la producción'

    = 500

    Si se hubiera utilizado una media móvil de un mes, las ventas del mes siguiente serían iguales a la demanda real del último mes y el pronóstico para julio sería de 600.

    Es necesario hacer una recomendación al gerente de planta Frigerware. Baste recomendar usar una medida móvil de tres meses de 500 neveras para Julio, pues el número parece ser mas representativo de la serie de tiempo que una medida móvil de seis meses y se basa en mas datos que en el caso de una medida móvil de un mes.

    Media móvil ponderada [1]

    Algunas veces quien hace los pronósticos desea utilizar una media móvil pero no quiere que todos los n periodos tengan el mismo peso. Una medida móvil ponderada (MMP) es un modelo de media móvil que incorpora algún peso de la demanda anterior distinto a un peso igual para todos los periodos anteriores bajo consideración, la representación de este modelo es el siguiente:

    Demanda de cada periodo por un peso

    MMP = determinado, sumada a los largo de todos los

    Periodos en la media móvil.

    'Administración de la producción'

    donde

    0" Ct " 1.0

    'Administración de la producción'

    Este es un modelo que permite un peso desigual de la demanda. Si son tres n periodos, es posible dar peso al periodo más reciente del doble de los otros periodos, al hacer C1 =.25, C2 = .25 y C3 = .50

    Ejemplo [1]

    Para Frigerware, un pronóstico de la demanda para julio usando un modelo de tres periodos en donde la demanda del periodo más reciente tenga un peso del doble de los dos periodos anteriores, tendrá la siguiente forma.

    'Administración de la producción'

    MMP = 525

    Suavizado Exponencial [1]

    Este modelo permite efectuar compensaciones para algunas tendencias o para cierta temporada al calcular cuidadosamente los coeficientes Ct. Si se desea se puede dar a los meses más recientes pesos mayores y amortiguar en parte los efectos del ruido al dar pesos pequeños a las demandas más antiguas. El coordinador o el administrador debe escoger los valores de los coeficientes, de su elección dependerá el éxito o fracaso del modelo.

    Los modelos de suavizado exponencial se encuentran disponibles en los paquetes para computadora, estos modelos requieren relativamente poco almacenamiento de datos y unas cuantas operaciones.

    El suavizado exponencial se distingue por la manera tan especial de dar pesos a cada una de las demandas anteriores al calcular el promedio. El modelo de los pesos es de forma exponencial. La demanda de los periodos más recientes recibe un peso mayor; los pesos de los periodos sucesivamente anteriores decaen de una manera exponencial. En otras palabras, los pesos decrecen en su magnitud a medida que se aplican datos anteriores, siendo el decremento no lineal (exponencial).

    Suavizado exponencial de primer orden

    La ecuación para crear un pronóstico nuevo o actualizado utiliza dos fuentes de información:

    • La demanda real para el periodo más reciente y,

    • El pronóstico más reciente.

    A medida que termina cada periodo se realiza un nuevo pronóstico.

    'Administración de la producción'

    Ft =  D t-1 + (1 - )F t-1

    donde

    0 "  " 1.0 y t es el periodo

    Después que termina el periodo t - 1 se conoce la demanda actual (D t-1). Al inicio del periodo t - 1 se hizo un pronóstico (F t-1) de la demanda durante t - 1. Por lo tanto, al final de t - 1 se tienen las informaciones necesarias para calcular el pronóstico de la demanda para el próximo periodo.

    Ejemplo [1]

    El hospital general de Phoenix ha experimentado una demanda irregular y a menudo creciente de material médico desechable en todo el hospital. La demanda de tubos desechables durante los dos últimos meses ha sido de 300 unidades en septiembre y de 350 unidades en octubre. El antiguo procedimiento de pronóstico consistió en utilizar la demanda promedio del año anterior como pronóstico para cada uno de los meses de ese año. La demanda mensual del año anterior fue de 200 unidades. Utilizando 200 unidades como el pronóstico de la demanda de septiembre y un coeficiente de suavización de 0.7 para dar un mayor peso a la demanda más reciente, el pronóstico para el mes de octubre debería haber sido (t = octubre)

    F t =  Dt-1 + (1 - ) F t-1

    = .7(300) + (1 - .7)200

    = 210 + 60

    = 270

    El pronóstico para el mes de noviembre sería (t = noviembre)

    F t =  Dt-1 + (1 - ) F t-1

    = .7(350) + (1 - .7)270

    = 245 + 81

    = 326

    En vez de la demanda mensual del año pasado de 200 unidades, es pronóstico para el mes de noviembre es de 326 unidades. El método antiguo de pronóstico, la heurística basada en un promedio simple, proporcionó un pronóstico considerablemente diferente del que se obtuvo con el suavizado exponencial.

    Selección del coeficiente de suavización

    Para empezar con el pronóstico es necesario tener un buen cálculo derivado de algún otro método, lo que se denomina pronóstico inicial o de arranque así como seleccionar un coeficiente de suavización . Un valor elevado de  da un gran peso a la demanda más reciente y un valor bajo de  dará un peso menor a la demanda mas reciente. U elevado coeficiente de suavización sería mas adecuado para los nuevos productos o para casos en los que la demanda subyacente está en proceso de cambio (ésta es dinámica, o bien inestable). Un valor de  de 0,7, 0.8 ó 0.9 puede resultar el más apropiado para estas condiciones, aun cuando el uso del suavizado exponencial es cuestionable si no se sabe que existen o no condiciones de inestabilidad. Si la demanda es muy estable y se piensa que puede ser representativa del futuro, el pronosticador podrá optar por un valor bajo de  para disminuir cualquier ruido que hubiera podido presentarse en forma súbita.

    En condiciones de estabilidad, el coeficiente de suavización podría ser de 0.1, 0.2, ó 0.3. Cuando la demanda es ligeramente inestable, coeficientes de suavización de 0.4, 0.5, ó 0.6 pueden proporcionar datos más precisos.

    Doble suavizado exponencial

    El doble suavizado exponencial tiende a suavizar el ruido en series de demanda estables.

    El modelo es directo; suaviza el pronóstico obtenido con un modelo de suavizado exponencial de primer orden y el pronóstico obtenido mediante un modelo de suavizado exponencial doble.

    'Administración de la producción'

    FD1 =  F t + (1 - )FD t-1

    donde

    0 "  " 1.0

    Ft es el modelo suavizado exponencial de primer orden y debe ser calculado antes de encontrar la FDt.

    Ejemplo [1]

    Milo Inc. Tiene un modelo de modelo de suavizado exponencial que ha proporcionado un pronóstico de 103,500 bushels para un trigo de grado # 3del año anterior, en el mes de junio, fue de 70,500 bushels. Esta cifra empleará como estimación de pronóstico más reciente obtenida mediante un suavizado exponencial doble. Dado que  = 0.20 parece ser un buen coeficiente de suavizado para Milo Inc., obtener un pronóstico con un modelo exponencial doble para el mes de julio.

    Sea t = julio

    Entonces

    FD1 =  F t + (1 - )FD t-1

    =.2(103,500) + (1 - .2)(70,500)

    = 20,700 + 56,400

    =77,100

    El pronóstico para julio será de 77,100 bushels.

    Análisis de regresión [1]

    Regresión lineal

    El análisis de regresión es una técnica de pronóstico que establece una relación entre variables. Una variable se conoce y se usa para pronosticar el valor de una variable aleatoria conocida. De los datos anteriores se establece una relación funcional entre las variables. Se considera en este momento la situación de regresión más sencilla sólo para dos variables y para una relación funcional lineal entre ellas.

    El pronóstico para la demanda del periodo siguiente Ft se puede expresar mediante:

    Ft = a + bXt

    Donde Ft es el pronóstico para el periodo t, dado el valor de la variable X en el periodo t. Los coeficientes a y b son constantes; a es la ordenada al origen de la variable (F) y b es la pendiente de la recta. A menudo esta ecuación se expresa de una manera conocida.

    Y = a + bX

    Se ha sustituido F por Y para indicar que F es el valor pronosticado, la demanda pronosticada Ft indica el futuro. Para encontrar los coeficientes a y b se utiliza la demanda anterior (o histórica) en vez del pronóstico anterior. Se emplea Dt para indicar la demanda histórica y para encontrar los coeficientes a y b. Entonces, cuando se desea pronosticar la nueva demanda, se emplea Ft para representar el pronóstico de la demanda. Los coeficientes a y b pueden calcularse mediante las dos ecuaciones siguientes:

    'Administración de la producción'

    'Administración de la producción'

    en donde

    D = a + bX

    Ejemplo [1]

    Una empresa que fabrica cajas de cartón hace cajas de pizzas. El departamento de planeación de operaciones sabe que un pronóstico adecuado y preciso de cajas de pizza de un cliente está en relación estrecha con los gastos de promoción de éste, el cual se puede obtener por adelantado antes de realizar el gasto. El departamento de planeación de operaciones está interesado en establecer la relación entre la promoción de la empresa de pizzas y las ventas. Una vez que eso se haya establecido, las órdenes de compra de las cajas para pizzas, en dólares, pueden expresarse como porcentaje fijo de ventas.

    Publicidad y ventas trimestrales

    Trimestre

    Publicidad ($1000,000)

    Ventas ($ Millones)

    1

    4

    1

    2

    10

    4

    3

    15

    5

    4

    12

    4

    5

    8

    3

    6

    16

    4

    7

    5

    2

    8

    7

    1

    9

    9

    4

    10

    10

    2

    Haciendo el cálculo de b y a, donde la publicidad es Xt para el trimestre t, las ventas son Dt para el trimestre t y Ft es el pronóstico para el futuro periodo t.

    Trimestre

    Publicidad (X)

    Ventas (D)

    X2

    D2

    XD

    1

    4

    1

    16

    1

    4

    2

    10

    4

    100

    16

    40

    3

    15

    5

    225

    25

    75

    4

    12

    4

    144

    16

    48

    5

    8

    3

    64

    9

    24

    6

    16

    4

    256

    16

    64

    7

    5

    2

    25

    4

    10

    8

    7

    1

    49

    1

    7

    9

    9

    4

    81

    16

    36

    10

    10

    2

    100

    4

    20

    "

    96

    30

    1060

    108

    328

    'Administración de la producción'

    'Administración de la producción'

    Por lo tanto, la recta estimada de regresión, la relación entre las ventas futuras (Ft) y la publicidad (Xi) es:

    Ft = .22 + .29Xt

    En el ejemplo, quien hace la planeación de las operaciones puede investigar los gastos planeados en publicidad y sobre esas ventas puede hacer el pronóstico. Por ejemplo, la publicidad del próximo trimestre se espera que tenga un monto de 1 100 000 dólares. Sustituyendo 11 para Xt en la ecuación anterior se tendrá:

    Ft = .22 + .29(11) = 3.41

    El pronóstico de las ventas es de 3.41 millones de dólares. Si los pedidos de cajas representan el 5 por ciento de las ventas, quien planea las operaciones podría esperar que un monto total por concepto de pedidos sería de 170, 500 dólares para el trimestre (.05 X 3.41). Tal estimación puede ser de gran utilidad en la planeación global de las operaciones.

    Error en el pronóstico

    El error en el pronóstico es la diferencia numérica entre la demanda pronosticada y la real [1] es la medida que nos indica la efectividad al utilizar alguno de los métodos de pronóstico.

    La desviación media absoluta (MAD) es una medida de error de sume importancia y se expresa de la siguiente forma:

    1

    'Administración de la producción'

    En cada uno de los periodos (i) se compara la demanda actual contra la pronosticada. Si la predicción fue perfecta lo que significa que lo actual es igual a la predicción el error es nulo. Como el pronóstico sigue le grado de error se acumula y se registra período a periodo. Después de cualquier periodo (n) transcurrido se puede usar la ecuación 1 para calcular el tamaño promedio es decir la media del error en el pronóstico hasta ese momento. El MAD es un promedio de las desviaciones absolutas esto quiere decir que los errores son medidos sin tomar en consideración el signo algebraico, el MAD solo expresa la dimensión pero no la dirección del error.

    Si el pronóstico está funcionando adecuadamente quiere decir que los errores de predicción están distribuidos normalmente. Cuando esto sucede la desviación media absoluta suavizada (SMAD) puede emplearse para calcular la desviación estándar. La relación se representa como:

    e = 1.25 SMAD

    La MAD suavizada exponencialmente puede ser vista como un promedio de la MAD en el tiempo.

    El sesgo es una medida de error que se utiliza con menor frecuencia.

    'Administración de la producción'

    'Administración de la producción'

    A diferencia de MAD, el sesgo indica la tendencia direccional de los errores de predicción. Si el procedimiento de predicción sobreestima constantemente la demanda actual, el sesgo tendrá un valor positivo; si la subestimación muestra una tendencia constante, entonces el sesgo tendrá un valor negativo.

    Ejemplo

    Una máquina para extrusión de aluminio estima que la demanda de cabezas para regaderas de baño es de 500 por mes para cada uno de los tres meses próximos. Posteriormente la demanda real resulto ser de 400, 560 y 700. Los errores de predicción son calculados a continuación por los métodos de la MAD y el sesgo [1].

    'Administración de la producción'

    'Administración de la producción'

    = 120 unidades

    'Administración de la producción'

    'Administración de la producción'

    = -53 unidades

    Del resultado de la MAD se puede decir que la empresa no cuenta con un modelo muy preciso ya que la MAD es una medida de la precisión global del método de pronóstico, el error absoluto promedio es alto ya que representa el 24 % del número de cabezas para regadera. El sesgo indica la tendencia sub o sobreestimada. En el ejemplo se subestimo la demanda actual en 53 unidades, pues el promedio de ésta es de 553 unidades.

    Paquetes de cómputo para pronóstico [2]

    En la actualidad existen muchos sistemas computarizados para ayudar al gerente y al analista de pronósticos. A continuación se describen algunos de manera breve.

    El programa denominado CENSUS X-11, que maneja la U.S. Census Bureau (Oficina del Censo de Estados Unidos). Utiliza el método del promedio móvil con tendencias y factores de estacionalidad para descomponer y proyectar una serie de tiempos. Se ha descubierto que el programa CENSUS X-11 es bastante útil siempre y cuando se disponga de una cantidad razonable de datos históricos.

    Existe una biblioteca de programas de pronósticos computarizados interactivos denominada SBYL/RUNNER; contiene 20 de las técnicas de pronósticos más comúnmente utilizadas. Estos programas se dividen en los que ayudan a identificar los patrones subyacentes en las series de tiempo y los que pronostican utilizando un patrón dado.

    El sistema MAPICS de IBM para el control de la producción y de inventarios, incluye un módulo para pronosticar. Este módulo utiliza una técnica de pronóstico adaptable que se ajusta debido a variables como la estacionalidad y la tendencia. El módulo además calcula MAD y una señal de seguimiento como base para evaluar el error de pronóstico y volver a colocar en ceros el método de pronóstico cuando se necesita. Los métodos de pronóstico se diseñaron especialmente para manejar miles de artículos que casi siempre se encuentran en el ambiente de la manufactura.

    Los métodos causales de pronóstico están muy bien cubiertos por los paquetes estadísticos normales como el SPSS, SAS y BMDP así como por muchos paquetes distintos para microcomputadoras. Sin embargo, estos métodos tendrán que ajustarse de manera sustancial a la situación individual de cada caso.

    Selección de un método de pronóstico [2]

    El siguiente es un marco conceptual para seleccionar entre los métodos cualitativos, por series de tiempo y causales. El marco se asa en gran parte en el estudio realizado por Wheelwright y Clarke (1976), quienes identificaron los factores que las compañías consideran importantes al seleccionar el método de pronóstico. Los factores mas importantes son los siguientes:

  • Sofisticación del usuario y del sistema: El método de pronóstico debe ajustarse a los conocimientos y sofisticación del usuario. Debido a que los gerentes se rehúsan a utilizar los datos de técnicas que no comprenden.

  • El método que se elige no debe ser demasiado desarrollado ni sofisticado para sus usuarios y tampoco debe estar demasiado alejado del sistema de pronóstico actual. En ocasiones los modelos mas simples pueden tener mejores resultados, por lo que la sofisticación no es el objetivo definitivo.

  • Tiempo y recursos disponibles: La selección del método de pronóstico, dependerá del tiempo disponible para reunir los datos y preparar el pronóstico. La preparación de un pronóstico complicado para el que se deba obtener una gran cantidad de datos puede tardar varios meses y costar miles de dólares. En el caso de pronósticos rutinarios hechos por sistemas computarizados, tanto el costo como la cantidad de tiempo requerido podrían ser pequeños.

  • Disponibilidad de datos: Los datos disponibles pueden en ocasiones limitar la elección del método de pronóstico. Los modelos econométricos pueden requerir datos que simplemente no pueden obtenerse a corto plazo, por lo tanto debe seleccionarse otro tipo de método. El método por series de tiempo Box-Jenkins requiere aproximadamente 60 datos (5 años de datos mensuales). También se debe tomar en cuenta la calidad de los datos disponibles. Si los datos son erróneos se llegará a pronósticos equivocados. Se deben revisar los datos en busca de factores extraños o puntos poco usuales.

  • Patrón de datos: El patrón de datos afectará el tipo de método de pronóstico que se seleccione. Si la serie de tiempo es plana, se utilizará un método de primer orden. En los casos en que los datos muestren tendencias o patrones de estacionalidad, se necesitarán métodos más avanzados. El patrón de los datos también determina si es suficiente un método por series de tiempo o si se necesitan modelos causales. Si el patrón de es inestable en el tiempo, un método cualitativo será necesario. El patrón de datos es uno de los factores más importantes que afectan la selección de un método de pronóstico. Una manera de detectar el patrón es trazar los datos sobre una gráfica. Esto debe hacerse como primer paso en la actividad de pronosticar.

  • La diferencia entre el ajuste y la predicción es un tema que se relaciona con la selección de los métodos de pronóstico. Cuando se prueban modelos diferentes con frecuencia el modelo que mejor se ajusta a los datos históricos (el que tiene menor margen de error) también es el mejor modelo de predicción. Lo cuál no es verdad. Por ejemplo, suponga que las observaciones de la demanda se obtienen en los últimos ocho periodos y que se desea ajustar el mejor modelo por series de tiempo a estos datos. Se puede hacer que un modelo de polinomios de séptimo grado se ajuste exactamente a través de cada uno de los anteriores ocho puntos de datos (El modelo sería Y = a1 + a2 + a3t2 = a8t7 + … + a8t7, en donde t = tiempo). Sin embargo este modelo no es necesariamente la mejor herramienta para predecir el futuro.

    El mejor método predictivo es aquel que describe la serie de tiempo subyacente pero que no se ajusta “a fuerza” con los datos. La manera correcta de ajustar los modelos basándose en los datos del pasado es separar el modelo de ajuste y el modelo de predicción. Primero se divide el grupo de datos en dos partes. Después se ajustan varios modelos basándose en estimaciones racionales sobre la estacionalidad, tendencias y ciclicidad con el primer grupo de datos. Se utilizan estos modelos para predecir los valores para el segundo grupo de datos y el mejor modelo será aquel que tenga el mejor margen de error sobre el segundo grupo de datos. Este enfoque utiliza el ajuste sobre el primer grupo de datos y la predicción sobre el segundo como base para seleccionar un modelo.

    Los modelos Cuantitativos no siempre proporcionan mejores pronósticos que los elaborados por los seres humanos según un estudio de Ebert en 1976.

    Conclusiones:

    Podemos decir que la Administración de la demanda implica reconocer las fuentes de demanda tanto para bienes como para servicios de una empresa y se debe determinar como la empresa puede satisfacer esa demanda.

    Al trabajar con predicciones la empresa tendrá una visión de lo que necesitara en el futuro para satisfacer la demanda además de que tendrá información de la cantidad y duración de esta, con estas predicciones la empresa es capaz de desarrollar pronósticos de recursos (tiempo, equipos, fuerza de trabajo, compra de partes y materiales).

    Otro factor a destacar es que si la predicción es precisa la empresa utilizara con más eficacia sus recursos para satisfacer la demanda.

    Dependiendo del método que la empresa utilice esta será capaz de tener pronósticos a corto, mediano y largo plazo.

    Bibliografía

    [1] Adam Everett E Jr., et. al. Administración de la Producción y las Operaciones, cuarta edición Prentice Hall Hispanoamericana, S.A., México, 1991.

    [2] Schroeder Roger G. Administración de Operaciones. Toma de decisiones en la función de Operaciones, tercera edición, Mc Graw Hill, México, 1993.

    [3] Render Barry, et. Al., Principios de Administración de Operacioenes, Prentice Hall Hispanoamericana; México, 1996.

    [4] Noori Hamid et., al., Administración de Operaciones y Producción: Calidad total y Respuesta Sensible Rápida. Mc Graw Hill, México, 1998.