Pronsticos de Ventas.
El motor que hace arrancar a la cadena de suministro es la demanda
de los clientes, por lo cual la estimacin de la demanda es algo
primordial para poder programar nuestro Plan Maestro de Produccin
o nuestro Plan Maestro de Compras.
Una forma comn de estimar la demanda es realizando pronsticos
de venta. Existen varias tcnicas y modelos estadsticos para hacerlo:
- Promedio mvil
- Suavizamiento exponencial simple
- Mtodo de Holt. (Suavizamiento exponencial con tendencias)
- Mtodo de Winter. (Suavizamiento exponencial con estacionalidad)
Tendencia y Estacionalidad
Como vemos en el slid anterior, los mtodo de Pronsticos hacen referencia a
estos dos trminos:
La tendencia determina el incremento o decremento histrico en las ventas.
Tendencia creciente:
Tendencia decreciente:
Estacionalidad
Cuando tenemos diferentes promedios de ventas en distintos periodos del
ao, nos encontramos con el fenmeno de la estacionalidad.
Por ejemplo, la fabricacin de suteres tendr estacionalidad ya que estos
tienden a venderse mas en la temporada de frio (otoo e invierno) y se
venden menos en la temporadas de calor (primavera, verano).
Cmo podemos estimar una
demanda si no tenemos datos
histricos?
Cuando no existen datos histricos para estimar una posible demanda es
necesario llevar a cabo encuestas para estimarla, adems de datos
adicionales como el tamao del mercado que atacaremos.
Por ejemplo si vamos a vender ropa de marca para nios en la ciudad de
Puebla, debemos determinar el nmero promedio de familias en Puebla
con poder de compra medio y alto y despus el nmero promedio de
nios entre determinadas edades que existen en los estratos medio en la
ciudad de Puebla, esto determinar el tamao de nuestro mercado.
Posteriormente determinaremos que porcentaje de este mercado
podemos atender de acuerdo con la ubicacin y cantidad de puntos de
venta con que contaremos, asi como nuestros posibles volmenes de
compra.
Primer pronstico posible.
Cuando ya tenemos un historial de venta de por lo menos un ao, podemos estimar
las posibles ventas del segundo ao, dndole un peso a la venta de cada mes sobre
las ventas totales:
Por ejemplo si tuvimos la siguiente demanda en el ao:
Mes
Ventas Peso
Mes
Ventas Peso
Venta anual = 11,033
1230
0.11157
842
0.07631
Peso = venta mensual/venta anual
1115
0.101 8
793
0.07187
El peso nos permite considerar la
728
0.066 9
902
0.08175
estacionalidad pero no tendencia,
810
0.073410 943
0.08547
por lo que cada demanda se
692
0.062 11 1050
0.09517
multiplica por el porcentaje de
756
0.068512 1172
0.10622
incremento esperado de la
demanda
Pronsticos con datos histricos
de demanda mayores a un ao.
Cuando contamos con una mayor cantidad de datos es recomendable usar otros
metdos para calcular pronsticos que funcionen mejor con un historial grande de
ventas.
Existen dos mtodos para calcular pronsticos:
Mtodos de Extrapolacin:
Se utilizan para pronosticar los valores futuros de series de tiempo a partir de valores
anteriores.
Solo se consideran los datos de ventas histricas para pronosticar y ningn otro
Suponen que los patrones anteriores y las tendencias en las ventas continuarn en los
meses futuros, por lo que no toma en cuenta que ocasion dichas tendencias y
patrones.
Metodos de Prediccin:
Se conocen tambin como mtodos de pronstico causales, porque toman en cuenta
las causas que ocasionan las tendencias y patrones, estimando una relacin entre la
variable dependiente (demanda espeada) y dependencia con una o mas variables
Mtodos de Pronstico con
promedio mvil.
Sean x1, x2, x3, ., los valores de las ventas
mensuales observados en una serie de tiempo.
Definimos a ft igual al promedio de las ltimas N
observaciones, donde N es un patrn dado y t
es el mes pronosticado.
Es necesario elaborar un pronstico de
demanda para cada uno de los artculos que
manejemos.
Tabla histrica de ventas (24 meses) de tres artculos,
TV, Reproductor de CD y Aparatos de aire
acondicionado AA
Mes TV
CD
AA
Mes TV
CD
AA
30
40
13
13
38
79
36
32
47
14
30
82
21
30
50
23
15
35
80
47
39
49
32
16
30
85
81
33
56
58
17
34
94
112
34
53
60
18
40
89
139
34
55
90
19
36
96
230
38
63
93
20
32
100
201
36
68
63
21
40
100
122
10
39
65
39
22
36
105
84
11
30
72
37
23
40
108
74
12
36
69
29
24
34
110
62
Ejemplo de Pronsticos con
Promedios Moviles
Suponga que escogemos una N = 3 y aplicamos el mtodo para pronosticar
las ventas de televisores de los primeros seis meses del ao 1 y los
comparamos con las ventas reales:
Mes
Ventas reales Pronstico
30
32
30
39 (30+32+30)/3 = 30.67
33 (32+30+39)/3 = 33.67
34 (30+39+33)/3 = 34
Eleccin de N
Primero debe definirse una medida de precisin en el pronstico.
Usaremos la desviacin media absoluta MAD como medida de precisin del pronstico
Para definir el MAD se requiere definir el concepto de un error de pronstico.
Dado el pronstico para xt se define et como el error de pronstico de xt
et = xt (pronstico para xt)xt = ventas reales en el mes t
e4 = 39 - 30.67 = 8.33 e5 = 33 33.67 = - 0.67 e6 = 34 -34 = 0
MAD = (| e4 | + | e5 | + | e6 |)/3 = (8.33+0.67+0)/3 = 3
En promedio el pronstico para las ventas de televisores es errneo por 3 televisores al mes.
Para encontrar la mejor N (cantidad de datos histrico a incluir en el clculo del pronstico)
podemos probar con diferentes tamaos de N y escoger la que tenga el menor error (MAD).
Para probar diferentes Ns podemos usar la funcin OFFSET de Excel. (Tvsales.xls)
Cuando conviene usar
promedios mviles para
pronosticar la demanda?
Cuando tenemos una cantidad base sobre la cual flucta la demanda hacia
arriba o hacia abajo.
xt = b + t
donde puede ser positiva o negativa
Es poco til cuando se tiene una clara tendencia y estacionalidad en las
ventas o ambas.
Pronsticos mediante
Suavizamiento Exponencial Simple.
Si la demanda media de un producto es generada
en forma aleatoria sobre el tiempo (sin seguir un
patrn determinado), el suavizamiento exponencial
simple proporcionar un buen pronstico de la
demanda del artculo.
Si la demanda flucta respecto a un nivel base
(algo muy comn en la realidad), conviene utilizar
el suavizamiento exponencial simple para generar
pronsticos de demanda
Funcin para generar
pronsticos por el mtodo de
suavizamiento exponencial
At = xt + (1 )At-1 xt = demanda real observada en el periodo
t
At = pronstico de demanda para el mes t
=constante de suavizamiento tal que 0 < < 1
valores pequeos de alfa dan mayor peso a las observaciones
mas recientes, conforme alfa crece se reparte el peso en mas
periodos, por ejemplo un alfa de 0.1 das mas peso al ltimo
periodo y un alfa de 0.333 incluye mas periodos, equivale a un
promedio mvil de 5 periodos.
et = xt At-1
et = error de pronstico
Ejemplo de suavizamiento
exponencial simple
Utilizaremos las ventas de televisores para pronosticar la
demanda de 6 meses con un = 0.1 y suponiendo Ao = 32
A1 = 0.1x1 + 0.9 A0 = 0.1(30) + 0.9(32) = 31.8
e1 = x1 A0 = 30 - 32 = -2
A2 = 0.1x2 + 0.9A1 = 0.1(32) + 0.9(31.8) = 31.82
e2 = x2 A1 = 32 31.8 = 0.2
Continuando de esta forma obtenemos los pronsticos para 6
meses en la tabla siguiente, estimando el mejor con Excel
que es igual a 0.25
Suavizamiento exponencial
simple para las ventas de
televisores ( = 0.1)
Mes
1
2
3
4
5
6
Ventas Pronstic
reales
o (At)
30
31.8
32
31.82
30
31.64
39
32.37
33
32.44
34
32.6
Error
(et)
-2
0.2
-1.82
7.36
0.63
1.56
MAD
0.05
0.10
0.15
0.20
0.25
0.30
0.35
0.40
0.45
0.50
3.20
3.04
2.94
2.89
2.88
2.90
2.94
2.98
3.05
3.13
Generacin de Pronsticos por el Mtodo de
Holt: suavizamiento exponencial y tendencia
Si una serie de tiempo muestra una tendencia lineal y ninguna
estacionalidad, entonces el mtodo de Holt ofrece un buen pronstico.
Por medio de las siguientes ecuaciones se encuentra la cantidad base Lt y la
tendencia Tt, que variarn conforme vara la demanda.
Lt = xt + (1 - )(Lt-1 + Tt-1)
(demanda)
Tt = (Lt Lt-1) + (1 )Tt-1
tendencia
= constante de suavizamiento para la base
= constante de suavizamiento para la
Definimos a ft,k como el pronstico para un periodo futuro k periodos alejado
del actual
ft,k = Lt + kTt
Con esta ecuacin podemos pronosticar periodos futuros alejados en el
tiempo, pero mientras mayor sea k menor ser la calidad del pronstico.
Anlisis y seleccin de
Lo mejor es que los valores de estn
entre 0 0.5
Si los valores de que minimizan el error
promedio MAD son muy altos, cercanos a
1, esto ndica que el mtodo seleccionado
para pronosticar no es el adecuado y debe
escogerse otro
Estimacin de Lo y To
Para empezar con el mtodo de Holt necesitamos un estimacin inicial (Lo) de la base
y una estimacin inicial (To) de la tendencia.
To se estima con el promedio del incremento mensual en ventas de la serie de tiempo
de la demanda
Si la demanda de reproductores de CD de los 12 meses anteriores fue 4, 6, 8, 10, 14,
18, 20, 22, 24, 28, 31 y 34 entonces
To = [(6-4)+(8-6)+(10-8)+(14-10)+(18-14)+(20-18)+(22-20)+(24-22)+(28-24)+(3128)+(34-31)]/11
To = 2.73
Lo puede estimarse como la ltima cantidad de la serie de demandas reales
disponibles a partir de la cual se va a pronosticar. O ventas promedio en el ao + 5.5To
Los valores de y deben estar entre 0 y 1 y se recomienda que sean menores a
Ejemplo de suavizamiento exponencial
con tendencia por el Mtodo de Holt
Si aplicamos el mtodo de Holt a los primeros 6 meses de ventas de reproductores de
CD con = 0.3 y = 0.1 obtenemos los resultados que se muestran en la tabla del
siguiente slide:
L1 = 0.30x1 + 0.70(L0 + T0) = 0.3(40) + 0.7(34 + 2.73) = 37.71
T1 = 0.1(L1 L0) + 0.9T0 = 0.1(37.71 34) + 0.9(2.73) = 2.83
f1,1 = L1 + T1 = 37.71 + 2.83 = 40.54
e2 = x2 f1,1 = 47 40.54 = 6.46
L2 = 0.30x2 + 0.70(L1 + T1) = 0.3(47) + 0.7(37.71 + 2.83) = 42.48
T2 = 0.1(L2 L1) + 0.9T1 = 0.1(42.48 37.71) + 0.9(2.83) = 3.02
f2,1 = L2 + T2 = 42.48 + 3.02 = 45.50
e3 = x3 f2,1 = 50 45.50 = 4.50
continuamos de esta forma para los meses restantes
Tabla de resultados de
pronsticos de 6 meses de
ventas de DC. Mtodo de Holt
El MAD para los seis meses de ventas de los aparatos DC es:
MAD = (3.27 + 6.46 + 4.5 + 1.01 + 3.17 + 4) / 6 = 3.74
Mes
1
2
3
4
5
6
Ventas
40
47
50
49
56
53
Lt
37.71
42.48
46.85
49.70
53.78
55.80
Tt
2.83
3.02
3.16
3.13
3.22
3.10
ft-1,1
36.73
40.54
45.50
50.01
52.83
57.00
et
3.27
6.46
4.50
-1.01
3.17
-4.00
Mtodo de Invierno (Winter
Method)
Se utiliza para pronosticar series temporales en las cuales estn
presentes la tendencia y la estacionalidad.
Se define dos patrones adicionales:
c = nmero de periodos en la duracin del patrn estacional
c = 4 para estacionalidad trimestral, c = 12 para estacionalidad
mensual
st = estimacin de un factor multiplicativo estacional
Por ejemplo, suponga que para el 7 mes o sea Julio s 7 = 2 y
para diciembre s12 = 0.5, esto quiere decir que en Julio las
ventas promedio sern el doble de las ventas promedio
mensuales y en diciembre sern la mitad del promedio.
Mtodo de Invierno (Winter
Method)
El
mtodo Winter toma en cuenta la estacionalidad y la tendencia, por lo cual los
patrones para estimar la base del pronstico Lt y la tendencia Tt tambin se
utilizan en este mtodo.
= constante de suavizamiento para la base
Tt = (Lt Lt-1) + (1 )Tt-1
tendencia
= constante de suavizamiento para la
= constante de suavizamiento para estacionalidad
Se actualiza la estimacin de la base de la serie de tiempo, tomando el promedio
ponderado de las dos cantidades siguientes. Lt-1 + Tt-1
La prediccin ft,k para el mes t+k se obtiene con : ft,k = (Lt + kTt)st+k-c
Estimacin de los patrones del
Pronstico Lo, To
Para que los resultados de los pronsticos sean confiables, es necesario realizar buenas
estimaciones de los factores base, tendencia y estacionalidad Lo, To y st
Suponemos que las ventas de los dos aos anteriores a los 2 actuales fue de:
Ao -2 : 4, 3, 10, 14, 25, 26, 38, 40, 28, 17, 16, 13
Total = 234
Ao -1 : 9, 6, 18, 27, 48, 50, 75, 77, 52, 33, 31, 24
Total = 450
Estimamos a To de la siguiente forma:
To = Ventas promedio mensuales del ao -1 Ventas promedio mensuales del ao -2
12
To = 450/12 234/12 = 1.5
12
Si tomamos el promedio de ventas mensuales del ao para estimar la base Lo, esta
estar estimada a mitad del ao (mes 6.5), para llevarla hasta el final del ao (mes 12) es
necesario incluirle la tendencia acumulada en los 5.5 meses restantes:
Lo = 450/12 + 5.5*1.5 = 45.75
Estimacin de los patrones del
Pronstico para estacionalidad st
Se utiliza el subndice t para determinar le antigedad del mes hacia atrs, es decir, como
diciembre es el ltimo mes del ao su antigedad es cero, para noviembre su antigedad es -1,
para octubre -2 y as sucesivamente hasta enero que ser s -11
Es recomendable tener un mnimo de 2 aos de datos para establecer la estacionalidad.
Por ejemplo se estima un factor estacional en el mes de enero del ao -2 y en el mes de enero
del ao -1 y se promedian para obtener el factor
Estacionalidad de enero en el ao -2 = Venta de enero/Venta promedio mensual = 4/19.5
=0.205
Estacionalidad de enero en el ao -1 = Venta de enero/Venta promedio mensual = 9/37.5 =0.24
s-11 = (0.205 + 0.24)/2 = 0.22
De la misma forma se llega a: s-10 = 0.16, s-9 = 0.5, s-8 = 0.72, s-7 = 1.28,
s-6 = 1.33, s-5 = 1.97, s-4 = 2.05, s-3 = 1.41, s-2= 0.88, s-1= 0.82, s-0= 0.65
Como realizar pronsticos para cualquier
mes, partiendo de una base dada
La prediccin
ft,k
para el mes t+k se obtiene con:
ft,k = (Lt + kTt)st+k-c
Por tanto si queremos pronosticar por ejemplo las ventas para el mes 7 (Julio) partiendo
de diciembre
f0,7 = (L0 + 7T0)s0+7-12
f0,7 = (45.75 + 7*1.5)*1.97 = 110.81
Si queremos pronosticar en febrero las ventas de octubre entonces febrero es el
mes 2 y octubre es el mes 10 y k=8 pues hay ocho meses entre ellos
f2,8 = (L2 + 8T2)s2+8-12
F2,8 = (50.394 + 8*1.21)*0.88 = 52.86
Conclusiones para Winter
En Winter los valores de , , si pueden tener valores superiores
a 0.5 para ayudar a mejorar los pronsticos disminuyendo el error
estndar promedio, debido a que en este mtodo se controlan
todos los factores posibles, si el error es alto en todos los mtodos
vistos hasta ahora, entonces debe pronosticarse con otras opciones
como regresin mltiple.
Utilizando Solver de Excel es posible encontrar los valores ptimos
para las tres constantes de suavizamiento (base , tendencia y
estacionalidad ). Estos tres factores son las variables que se
movern en Solver y la funcin objetivo es minimizar el MAD.
Regresin Lineal Simple
En ocasiones es preferible pronosticar el comportamiento de la demanda en
relacin con otra variable diferente a las ventas histricas, por ejemplo
ventas vs gastos de mercadotecnia.
Los mtodos que hemos visto: Pesos ponderados, Promedios Mviles,
Suavizamiento Exponencial, Mtodo Holt y Mtodo Winter utilizan a los datos
histricos de ventas para pronosticar las demandas futuras.
En la regresin habr una variable dependiente que en nuestro caso ser el
pronstico de ventas, y una independiente que no necesariamente tiene que
ser datos histricos de ventas, podran ser los gastos en mercadotecnia por
ejemplo.
El resultado de la variable dependiente, depender de los cambios que haya
en la variable independiente, es decir que nuestra demanda estar en
relacin con la inversin en mercadotecnia, mientras mas gastos de
mercadotecnia mayor ser la demanda, la cual disminuir a medida que
gastemos menos en mercadotecnia.
Ecuacin de Regresin
yi = 0 + ixi + i
ajustados los datos
yi
esta ecuacin genera una recta a la cual son
Variable dependiente
xi
Variable independiente
0 = cantidad base
i = crecimiento de yi ocasionado por el crecimiento en xi (pendiente
de la recta de regresin)
i = representa la medida del error al ajustar los datos a la recta.
La regresin ajusta los datos a una recta, por ello recibe el nombre de
Regresin Lineal
Los datos reales estarn por arriba o por debajo de la recta, por tanto
todos tienen un margen de error al ser ajustados hacia arriba o hacia
abajo para posicionarse en la recta de regresin, la suma de estos
Datos importantes obtenidos
con la regresin
Suma
de los errores cuadrticos:
Suma de los cuadrados de regresin:
Suma del total de cuadrados:
Ejemplo de Regresin Lineal Simple:
Variable dependiente contra una sola independiente
Supongamos que queremos pronosticar las ventas futuras de casas en
relacin con los gastos en mercadotecnia que se tuvieron en los ltimos 10
meses:
Gasto
Mes
Ventas
Mercadotecnia
$
257,400
10
20
30
40
765,400
45
895,500
50
$ 1,133,000
60
$ 1,152,800
55
$ 1,132,700
70
$ 1,459,200
10
40
$
$
601,600
782,000
970,100
Resultado de la regresin simple.
Observamos que R2 tiene un valor de 0.94, por tanto los gastos en
mercadotecnia explican el 94% de la variabilidad de la demanda.
SUMMARY OUTPUT
Regression Statistics
Multiple R
0.969334
R Square
0.939609
Adjusted R Square
Standard Error
0.93206
4.766775
Observations
10
ANOVA
df
SS
MS
Regression
2828.223
2828.223
Residual
181.7772
22.72214
Total
3010
Significance F
124.4699
3.73E-06
Ecuacin de Regresin
Por
tanto la ecuacin de la regresin es:
Pronstico (y) = - 6.13 + 0.0000526
Si deseamos pronosticar las ventas del prximo mes, en el que
invertiremos $ 950,000 pesos en publicidad.
El pronstico es
y = - 6.13 + 0.0000526*(950,000) = 43.84
Es decir que el prximo mes esperamos una venta de 44 casas
aproximadamente, si invertimos $950,000 pesos en
publicidad.
Regresin Lineal Mltiple
En
muchas ocasiones mas de una variable independiente podra ser til para
pronosticar el valor de una variable dependiente. Por ejemplo, con el objeto de
predecir las ventas mensuales de una cadena que comercializa bocadillos de
pollo, podramos pensar en usar las variables independientes siguientes: Ingreso
nacional, precio del pollo, dlares gastados en publicidad durante el mes actual y
dlares gastados en publicidad en los meses anteriores.
Para ello necesitamos una Regresin Mltiple cuya ecuacin es:
0 = cantidad base
i = crecimiento de yi ocasionado por el crecimiento en x i (pendiente de la recta
de regresin)
i = representa la medida del error al ajustar los datos a la recta.
Ejemplo de Regresin Mltiple
Deseamos predecir el gasto por mantenimiento (y) durante el ao actual de
un camin, a partir de las variables independientes x1 = millas recorridas
durante el presente ao (en miles) y x2 = antiguedad del camion (en aos) al
principio
actual.
Los datos son los siguientes:
x del
x ao SUMMARY
y
OUTPUT
1
$ 832.00
$ 733.00
Multiple R
0.999973
$ 647.00
R Square
0.999947
$ 553.00
11
Adjusted R
Square
0.999929
$ 467.00
13
Standard
Error
2.106157
$ 373.00
15
Observations
$ 283.00
17
ANOVA
$ 189.00
18
19
96.00
Regression Statistics
df
SS
MS
Regression
501267.4
250633.7
Residual
26.61538
4.435897
F
56501.24
Significance
F
1.5E-13
Ecuacin de Regresin:
De
acuerdo con los resultados de la regresin mltiple la
ecuacin es:
Pronstico (y) = 17.74 + 4.06+ 98.51
Para pronosticar los costos de mantenimiento de un
vehculo con 5 mil millas y 6 aos de antigedad es:
Y = 17.74 + 4.06*5 + 98.51*6 = 629
Por tanto los gastos de mantenimiento de un auto con 5
mil millas y 6 aos de antigedad, seran de $ 629.00
pesos.
Modelos para control de
inventarios:
Comenzamos por pronosticar nuestras demandas, pues con base en
ellas se programar la operacin de toda la cadena de suministro.
Una vez conocidas nuestras demandas, podemos saber cuanto
debemos producir o comprar, ya sea que fabriquemos o no.
Si producimos los artculos que vendemos, tendremos que establecer
las fechas en que pediremos a nuestros proveedores la materia
prima, tomando en cuenta su plazo de entrega de los insumos y
nuestros tiempos de fabricacin de los productos a fin de coordinar
todas las fechas para evitar retrasos en la entrega final al cliente.
Recordemos que la calidad de un producto o servicio tambin es
medida por la puntualidad en la entrega.
Modelo de Wagner Whitin:
El modelo de Wagner Whitin permite establecer un plan para comprar o
producir basado en nuestras demandas.
Controla la cantidad a comprar o producir y la cantidad a inventariar en cada
periodo de tiempo, que puede ser turno, da, semana, mes, etc. Sus
requisitos son:
Reglas para el modelo de
Wagner Whitin
Ejemplo de programa de compras.
Debemos planear las compras para cinco periodos con
demandas de 220, 280, 360, 140 y 270 unidades. El
nivel de inventario inicial es 0, el costo de ordenar es k
= $250, y el costo de almacn es de $2 por unidad por
periodo.
El precio de venta del artculo por parte de nuestros
proveedores es de $30 pesos por unidad.
Heurstica de Silver Male
