Previsiones

Departament d’Organització d’Empreses

ETS d’Enginyeria Industrial de Barcelona
Universitat Politècnica de Catalunya
El Rol estratégico de las previsiones en la CS
 A medio-largo plazo estimar en qué mercados competir y con
qué productos para realizar la planificación estratégica de la CS:
 Plantas
 red de distribución
 Transportes
…
 Las previsiones a corto plazo son el punto inicial de todas las
operaciones:
 Planes de producción
 Necesidades de personal
 Análisis de capacidad de secciones (máquinas, requerimientos de
materiales, componentes, servicios…)
 Nivel stock
 ….

2
 Consideraciones sobre las previsiones
 Las previsiones quieren establecer el comportamiento de un
cierto fenómeno en el futuro, pero se basa en información del
pasado.
 Muchas veces lo que se quiere prever y la información de que
se dispone no corresponde exactamente al mismo objeto (por
ejemplo demanda y ventas).
 Las previsiones no tienen porque ser exactas: deben ser útiles.
 Las previsiones optimistas llevan a invertir en recursos no
necesarios
 Las previsiones pesimistas llevan a no poder servir la demanda

 Las previsiones generan decisiones que afectarán al futuro y

por tanto al objeto de la previsión.

4
 Consideraciones sobre los pronósticos

 Se debe evaluar el entorno para entender la incertidumbre de

la demanda, los cambios tecnológicos, cambios de
tendencia…
 Se debe integrar la planificación y el pronóstico de la
demanda a través de la cadena de suministro
 Establecer el nivel de agregación apropiado
 Establecer medidas de precisión y error para el pronóstico

5
 Métodos de previsión
 Métodos cualitativos: son métodos subjetivos basados en juicios,
intenciones y opiniones contrastadas
 Técnicas de juicio: captan opiniones de una muestra de encuestados
 Analogía histórica, escenarios, taller de expertos (promedio o consenso),
Delphi,
 Técnicas de contaje: captan juicios de una muestra y proyectan la
respuesta a un universo más amplio
 investigación de mercado
 Métodos cuantitativos: son métodos objetivos basados en el
análisis de los datos históricos y la creación de un modelo de previsión
 De series temporales: determinan la tendencia de los datos históricos
y la proyectan al futuro
 Medias móviles, exponenciales, filtros aditivos, multiplicativos…
 De causalidad: determinan la relación entre los datos históricos para
determinar relaciones causa-efecto y proyectarlas.
 Correlaciones, regresiones…

7
 Series temporales
Una serie temporal, cronológica o
crónica es una sucesión de
observaciones de una misma variable, 2, 4, 6, 8, 10, 12, 14, ...?
regularmente espaciadas en el tiempo

 Los datos utilizados están sujetos a

2, 1, 4, 3, 6, 5, 8, 7, 10, ...?
errores, por tanto deben ser 1, 3, 8, 21, 55, 144, 378, ...?
convenientemente filtrados y
depurados. 1, 2, 3, 5, 7, 11, 13, 17, ...?
 En el análisis de series temporales no
se considera ninguna variable exógena 1, 6, 20, 56, 144, 352, ...?
(excepto t).
 Se supone que el comportamiento 3, 1, 4, 1, 5, 9, 2, 6, 5, ...?
pasado de la variable se proyecta al
futuro.

8
 Componentes de la demanda

Tendencia Demanda
actual
Demanda de un producto o servicio

Picos estacionales

Demanda
promedio de los
Variación 4 años
aleatoria
| | | |
1 2 3 4 Años

9
 Modelos de previsiones

Modelo
constante

Modelo con
tendencia
lineal

Curva
especial
(exponencial)

Sin estacionalidad Estacionalidad aditiva Estacionalidad multiplicativa

yi=(a+bt)+ct+et yi=(a+bt)*ct*et

11
Método para previsiones por series temporales

Notación: xi: venta en periodo i

yi: previsión en periodo i
ei: error previsión en periodo i

1. Obtener datos históricos

2. Representación gráfica (datos: x1,x2,…,xT)
3. Identificación del posible modelo (constante, tendencia, estacionalidad)
4. Estimación de los parámetros del modelo
5. Verificación del modelo. Si no, paso 3
6. Aplicación del modelo (realización de las previsiones)
7. Actualización (mantenimiento) del modelo

12
Ajuste y precisión del modelo de previsión

 Se puede calcular el error medio (ME), que debería estar en torno a 0.

1 n 1 n
ME    ei    ( xi  yi )
n i 1 n i 1

 Pero el ME solo sirve para detectar si hay algún patrón en los datos.
Para dar idea de la magnitud del error de previsión se usa el MAD
(Mean Absolute Deviation) o el MSE (Mean Squared Error)

1 n 1 n 2
MAD    | ei | MSE    ei
n i 1 n i 1

13
 Ajuste y precisión del modelo de previsión
 El valor de los indicadores anteriores dependen del tamaño de la
muestra y el orden de magnitud de los datos.
 Un indicador más fácil de interpretar es si se trabaja con una medida de
Porcentaje de Error (PE).
xt  yt
PEt  ( ) 100
xt

 También se suelen usar el Error Absoluto Porcentual Medio (MAPE):

1 n
MAPE   PE t
n t 1

 EL MAPE es una buena medida del error de pronóstico cuando hay

estacionalidad significativa y la demanda varía considerablemente
de un periodo al siguiente.

14
 Modelos basados en promedios
 Adecuados si no se observan comportamientos exagerados de
tendencia o estacionalidad.

 Media: La previsión se calcula mediante el promedio de todas las

observaciones. 1 t
Yt 1    xi
t i 1

 Medias móviles: Se hace el promedio de las demandas de los k

datos más recientes. t
1
Yt 1    xi
k i t  k 1

 Medias móviles ponderadas: (para los k datos más recientes)

t
WM t 1  W  x W
i  t  k 1
i i i 1

15
 Modelos basados en promedios
 Ejemplo
Periodo Ventas
(t) (xi) Cuál es la previsión para
Enero 1 200.0 diciembre si se usa el promedio?
Febrero 2 135.0
Marzo 3 195.0 Y si se usa un modelo de medias
Abril 4 197.5 móviles, con k=3? Y con k=5?
Mayo 5 310.0 1 t
Yt 1    xi
Junio 6 175.0 k i t  k 1
Julio 7 155.0
¿Cuál de los dos modelos se
Agosto 8 130.0 ajusta mejor?
Septiembre 9 220.0 MSE
Octubre 10 277.5 MAD
Noviembre 11 235.0 MAPE
Diciembre 12

17
Ejemplo promedios
Ventas Media M. móvil (k=3) M. móvil (k=5)
350

300

250

200

150

100
1 2 3 4 5 6 Medias
7 móviles
8 9 Médias
10 móviles
11 12
n=3 n=5
MAD 69.44 51.00
MAPE 37.55 % 27.88 %
5455.09 3013.25 18
MSE
Métodos de alisado exponencial
 Supone un decrecimiento exponencial de los pesos de las
observaciones más alejadas.
 Alisado Exponencial Simple (Demanda sin tendencia ni
estacionalidad)
yt 1    xt  (1   )  yt 0  1
t
1
y1    xi
k i t  k 1
 Alisado exponencial Doble (Modelo de Holt): cuando se observa en
los datos de demanda cierta tendencia

 Alisado Exponencial Triple (Modelo de Holt-Winters): Cuando se

observa en los datos de demanda cierta tendencia y estacionalidad

19
 Ejemplo exponencial simple
 Ejemplo
Periodo Ventas Cuál es la previsión para Diciembre
(t) (xi) si se usa el alisado exponencial
Enero 1 200.0 simple con a=0,1; 0,5; 0,9 ?
Febrero 2 135.0
Marzo 3 195.0 yt 1    xt  (1   )  yt 0  1
Abril 4 197.5
Mayo 5 310.0
Junio 6 175.0 ¿Cuál de los tres modelos se ajusta
Julio 7 155.0 mejor?
Agosto 8 130.0 MSE
Septiembre MAE
9 220.0
Octubre 10 277.5
Noviembre 11 235.0
Diciembre 12
20
Ejemplo exponencial simple
Ventas Media M. móvil (k=3) M. móvil (k=5)
350

300

250

200

150

100
1 2 3 4 5 6 7 8 9 10 11 12
MAD 43.58 52.04 56.01
MAPE % 22.60 26.72 28.15
MSE 3127.94 3962.50 4584.88
21
Alisado exponencial doble (con tendencia)
 Holt (1957) extendió el alisado exponencial simple al alisado
exponencial con tendencia, más adecuado cuando se observa que los
datos muestran cierta tendencia.

at+1=αxt+1+(1-α)(at +bt) 0 ≤ α ≤1
bt+1=β(at+1-at)+(1- β)bt 0 ≤ β ≤1
yt+m=at +btm

  = constante de alisado para la posicionar la recta

  = constante de alisado para la tendencia
 Inicialización:
• Si se dispone de Excel calcular la recta de tendencia con los datos
• Otra aproximación:
1 t  x  xt  k 1 
a0    xi b0   t 
k i t  k 1  k  1  k: número de datos considerados

22
 Ejemplo exponencial doble
 Ejemplo
t Ventas
¿Cuál es la previsión para Julio si se
Enero 1 8 415 usa un modelo de alisado
Febrero 2 8 732 exponencial con tendencia
Marzo 3 9 014 considerando α= 0,1 y con β= 0,2?
Abril 4 9 808
Mayo 5 10 413 ¿Y para agosto?
Junio 6 11 961
Julio 7

at+1=αxt+1+(1-α)(at +bt) 0 ≤ α ≤1
bt+1=β(at+1-at)+(1- β)bt 0 ≤ β ≤1
yt+m=at +btm

23
Ejemplo exponencial doble

Periodo Ventas α β

t xt 0,1 0,2 yt
0 7367,1 673,3
Enero 1 8415 8077,9 680,8 8040
Febrero 2 8732 8756,1 680,3 8759
Marzo 3 9014 9394,1 671,9 9436

Abril 4 9808 10040,2 666,7 10066

Mayo 5 10413 10677,5 660,8 10707

Junio 6 11961 11400,6 673,3 11338

Julio 7 12074

24
 Modelos con tendencia y estacionalidad
Estacionalidad multiplicativa Estacionalidad aditiva
yt  f t   ct  t yt  (a  b  t )  ct  t
ct  ct  L ct  ct  L
L

 ct i  L
L

i 1 c
i 1
t i 0

t 1 ( L / 2 ) t [( L 1) / 2 ]

[ xt ( L / 2 )  xt  ( L / 2)   2x ]
i t 1 ( L / 2 )
i [ x i
i t [( L 1) / 2 ]
]
xt  si L par ; xt  si L impar
2L L

r es el número
r 1 r 1

 c'  c'
de datos
jL  i considerados jL  i
x j 0 j 0
c't  t , ci  1 i  L c't  xt  x't , ci  1 i  L
x't r r 25
 Alisado exponencial triple (tendencia y
estacionalidad)
 Estacionalidad multiplicativa:  Estacionaldad aditiva

at   
xt
 (1   )  (at 1  bt 1 ) at    ( xt  ct  L )  (1   )  (at 1  bt 1 )
ct  L bt    (at  at 1 )  (1   )  bt 1
bt    (at  at 1 )  (1   )  bt 1 ct    ( xt  at )  (1   )  ct  L
ct   
xt
 (1   )  ct  L yt  m  at  bt  m  ct  L  m
at
yt  m  (at  bt  m)ct  L  m

 Inicialización:
Se inicializa con el método estático

26
Ejemplo Alisado exponencial triple
t Demanda
1 362 α=0.822 β=0.055 γ=0
2 385
3 432
4 341
5 382
6 409
7 498
8 387
9 473
10 513
11 582
12 474
13 544
14 582
15 681
16 557
17 628
18 707
19 773
20 592
21 627
22 725
23 854
24 661 27
Ejemplo Alisado exponencial triple
t Demanda Estático Triple
1 362 334 334
2 385 371 397
3 432 433 452
4 341 346 348
5 382 403 398
6 409 444 423
7 498 514 476
8 387 408 392
9 473 471 448
10 513 516 513
11 582 594 591
12 474 470 461
13 544 540 543
14 582 588 593
15 681 675 670
16 557 531 535
17 628 608 634
18 707 661 684
19 773 755 805
20 592 593 611
21 627 677 680
22 725 733 688
23 854 836 818
24 661 654 664 28