Professional Documents
Culture Documents
Estudio de Mercado
Este mtodo requiere inputs provenientes de los consumidores o clientes potenciales
en lo referente a sus futuros planes de compra, es til para prever las necesidades de
los clientes con respecto al diseo del producto.
En contraste, los pronsticos cuantitativos son los que emplean uno o ms modelos
matemticos que se apoyan en datos histricos o en variables causales para
pronosticar la demanda. Existen dos modelos:
Modelos de Series de Tiempo
Los modelos de series de tiempo predicen bajo la suposicin de que el futuro es una
funcin del pasado. Los datos de series de tiempo para pronsticos implican que los
valores futuros se predicen solamente a partir de los valores pasados, y que se puedan
ignorar otras variables, sin importar que tan potencialmente valiosas sean. Una serie de
tiempo se basa en una secuencia de datos puntuales separados a intervalos iguales
(semanas, meses, trimestres). Heizer y Render (2004, p.106)
Descomposicin de una serie temporal
Puede definirse una serie temporal como datos ordenados en forma cronolgica que
pueden contener uno o ms componentes de la demanda: tendencia, estacional,
cclico, autocorrelacin o aleatorio. La descomposicin de una serie temporal significa
identificar y separar los datos de la serie temporal en estos componentes. En la
prctica, es relativamente fcil identificar la tendencia (incluso sin un anlisis
matemtico, casi siempre es sencillo trazar y ver la direccin del movimiento) y el
componente estacional (comparando el mismo periodo ao tras ao). Es mucho ms
difcil identificar los componentes de los ciclos (pueden durar varios meses o aos), la
autocorrelacin y el aleatorio. (Por lo regular, el encargado de realizar el pronstico
considera aleatorio cualquier elemento que sobre y que no sea posible identificar como
otro componente.) Cuando la demanda contiene efectos estacionales y de tendencia al
mismo tiempo, la pregunta es cmo se relacionan entre s. En esta descripcin, se
el mes prximo que los ingresos o la capacidad de la planta de hace varios meses. No
obstante, si los datos son estacionales, por ejemplo, las ponderaciones se deben
establecer en forma correspondiente. Las ventas de trajes de bao en julio del ao
pasado deben tener una ponderacin ms alta que las ventas de trajes de bao en
diciembre (en el hemisferio norte).
Alisado exponencial
Es
Modelos Asociativos
Los modelos asociativos (o causales), como regresin lineal, incorporan las variables o
factores que pueden influir en la cantidad por pronosticar. Una vez que se encuentran
estas variables relacionadas, se construye un modelo estadstico que se usa para
pronosticar el elemento de inters. Este enfoque es ms poderoso que los mtodos de
series de tiempo que incluyen solo variables histricas para la variable que se
pronostica. Heizer y Render (2004, p.106)
Anlisis de regresin lineal
Puede definirse la regresin como una relacin funcional entre dos o ms variables
correlacionadas. Se utiliza para pronosticar una variable con base en la otra. Por lo
general, la relacin se desarrolla a partir de datos observados. Primero es necesario
graficar los datos para ver si aparecen lineales o si por lo menos partes de los datos
son lineales. La regresin lineal se refiere a la clase de regresin especial en la que la
relacin entre las variables forma una recta. La recta de la regresin lineal tiene la
forma Y = a + bX, donde Y es el valor de la variable dependiente que se despeja, a es la
secante en Y, b es la pendiente y X es la variable independiente (en el anlisis de serie
de tiempo, las X son las unidades de tiempo). La regresin lineal es til para el
pronstico a largo plazo de eventos importantes, as como la planeacin agregada. Por
ejemplo, la regresin lineal sera muy til para pronosticar las demandas de familias de
productos. Aun cuando la demanda de productos individuales dentro de una familia
puede variar en gran medida durante un periodo, la demanda de toda la familia de
productos es sorprendentemente suavizada.
La principal restriccin al utilizar el pronstico de regresin lineal es, como su nombre lo
implica, que se supone que los datos pasados y los pronsticos futuros caen sobre una
recta. Aunque esto no limita su aplicacin, en ocasiones, si se utiliza un periodo ms
corto, es posible usar el anlisis de regresin lineal. Por ejemplo, puede haber
segmentos ms cortos del periodo ms largo que sean aproximadamente lineales. La
regresin lineal se utiliza tanto para pronsticos de series de tiempo como para
pronsticos de relaciones causales. Cuando la variable dependiente (que casi siempre
es el eje vertical en una grfica) cambia como resultado del tiempo (trazado como el eje
horizontal), se trata de un anlisis de serie temporal. Si una variable cambia debido al
cambio en otra, se trata de una relacin causal (como el nmero de muertes debidas al
aumento de cncer pulmonar entre la gente que fuma).
Los 8 pasos de un sistema de pronstico
1. Determinar la utilidad del pronstico (Qu objetivo perseguimos?)
2. Seleccionar los artculos de los que se va a realizar el pronstico
3. Determinar el horizonte temporal de los pronsticos (corto, medio, largo plazo)
4. Seleccionar el (los) modelo(s) de pronostico
5. Recogida de los datos necesarios para realizar el pronostico
6. Validar el modelo de previsin
7. Realizar la previsin
8. Implementar los resultados
Estos pasos presentan de una forma sistemtica el inicio, diseo e implementacin de
un sistema de pronsticos. Cuando sistema se va a utilizar para generar pronsticos
con regularidad a lo largo del tiempo, los datos deben recogerse de forma habitual.
La planificacin y el control de las actividades logsticas requieren estimaciones
precisas del volumen de producto que va a manejar el sistema logstico. Normalmente,
estas estimaciones toman la forma de previsiones y predicciones.
No obstante, no es frecuente que el personal logstico se responsabilice de dichas
previsiones generales sobre la empresa, tarea que suele asignarse al rea de ventas,
planificacin econmica o a algn grupo especial. Sin embargo, bajo ciertas
circunstancias, especialmente en planificaciones a corto plazo, como el control de
inventarios o la planificacin del transporte, los responsables logsticos pueden
encontrarse en la necesidad de tener que generar esta informacin.
La previsin de la demanda es una de las actividades generales de mayor importancia
para cualquier empresa, ya que proporciona los datos bsicos de entrada para la
condiciones
de
demanda
aleatoria
independiente.
Por
contra,
los
Existen
varias razones por las que una empresa no trata de cambiar la demanda sino
que la acepta tal como llega. Si una compaa funciona a toda su capacidad, tal
vez no quiera hacer nada en cuanto a la demanda. Otras razones pueden ser
que la compaa no tenga el poder de cambiar la demanda debido al gasto en
publicidad; es probable que el mercado sea fi jo y esttico; o que la demanda
est fuera de su control (como en el caso de un proveedor nico). Existen otras
razones competitivas, legales, ambientales, ticas y morales por las que la
demanda del mercado se acepta de manera pasiva. (Chase, Jacobs, y Aquilano,
2005)
ECONOMA DE ESCALA
ALTA
En este caso es fundamental
un pronstico preciso, porque
es necesario predecir, un
periodo extenso en el futuro
para permitir economas en la
produccin o en el transporte.
La atencin se centra en
desarrollar una produccin
precisa a corto plazo con una
intensa consideracin de las
tcticas de mercadotecnia y
competitivas
y
una
consideracin menos enftica
del historial.
de
sistemas
conducta
integrados
del
cliente
de
que
Compartir informacin
planes
de demanda futura.
Solucionar
fluctuaciones presentadas.
los
planeso
en
intercambios que
los
pronsticos
de
pedidos.
Establecer
plataformas
de
de
Procesamiento
de
rdenes:
sistemas
integrados
de
BIBLIOGRAFIA
Carranza, O. (2006). Logstica, Mejores Prcticas en Latinoamrica. (4ta ed.). Mexico.
Thomson
Daz Matalobos, N. (1999). Gerencia de Inventarios (4ta ed.). Caracas, Venezuela.
Ediciones IESA.
Heizer, J. y Render, B. (2004). Principios de Administracin de la Produccin (6 ed.).
Madrid, Espaa. Pearson Educacin.
Chase, R., Jacobs, R. y Aquilano, N. (2005). Administracin de la produccin y
operaciones. Dcima edicin. Editorial Mc Graw Hill. Mxico.
Mora Garca, Luis Anbal (2010). Gestin logstica integral. Eco Ediciones. Bogot