Professional Documents
Culture Documents
Forecasting
En este captulo, nos ocupamos principalmente en la preparacin de la
informacin de pronsticos para los vnculos de MPC en el extremo frontal
MPC (por ejemplo, las que existen entre SOP y MPS y gestin de la
demanda). Pronosticar informacin puede provenir de una variedad de
fuentes, tienen diferentes niveles de agregacin, incorporar diferentes
supuestos sobre el mercado, y se manifiestan otras diferencias que
necesitan la reconciliacin antes de que pueda ser utilizado para la
planificacin y el control. Aqu nos fijamos en algunas de las bases sobre la
que se determinan los mtodos de pronstico, algunas de las razones detrs
de las previsiones de agregacin, y algunos de los medios por los que las
previsiones se reconcilian con fines de planificacin.
Este captulo est organizado en torno a los siguientes temas:
Proporcionar informacin de previsin adecuada: Cules son las
necesidades de informacin de los pronsticos
dentro de la empresa?
Tcnicas
Anlisis de Regresin y cclica de descomposicin: Cules son los ms
utilizados
tcnicas para las previsiones a medio plazo? Cmo se considera la
estacionalidad en la previsin
modelo?
tcnicas de prediccin a corto plazo: Qu tcnicas son tiles para el
individuo corto plazo
previsiones del artculo y cules son las mtricas de calidad de previsin?
El uso de las previsiones: Qu tcnicas son tiles para mantener las
previsiones detalladas y
planes de gestin globales sincronizadas?
Cheapter 3
las previsiones necesarias para la programacin a corto plazo y decisiones
en plan maestro de produccin decisin de ejecucin. No slo es la base de
la previsin diferente para cada una de estas aplicaciones, pero la inversin
en el pronstico, la naturaleza de las tcnicas utilizadas, y la frecuencia
vara tambin. Un marco para algunas de las diferencias se proporciona en
la Figura 3.1.
Cheapter 3
gerencial sustancial en la preparacin y revisin de estas previsiones ya que
el riesgo de hacer (o no hacer) una inversin puede ser muy grande.
Modelos causales y las herramientas estadsticas de regresin y anlisis de
correlacin se pueden utilizar para aumentar la visin empresarial y el juicio
necesario para hacer estos pronsticos. Dichos modelos se relacionan los
negocios de la empresa a los indicadores que son ms fciles de pronosticar
o estn disponibles como informacin general. Por ejemplo, los accesorios
del hogar y ventas de muebles estn estrechamente relacionados con las
viviendas iniciadas. La construccin de viviendas y permisos de
construccin en un rea son informacin pblica por lo general, de fcil
acceso a la empresa. La relacin entre la construccin de nuevas viviendas
y las ventas de muebles puede ser modelado estadsticamente para
proporcionar otra previsin de la demanda. Adems, hay medidas de
precisin disponibles con las tcnicas estadsticas para ayudar a determinar
la utilidad de la previsin. Por otra parte, el uso de estos modelos puede
conducir a mejores resultados de pronstico y puede ayudar a neutralizar
cualquier emocin involucrada en la decisin.
Previsin de Ventas y Planificacin de Operaciones
Las previsiones necesarias para la planificacin de ventas y operaciones en
ltima instancia, sirven de base para los planes que por lo general estn
expresados en trminos de ventas previstas y la salida de las familias de
productos en dlares u otras medidas agregadas. Los planes se extienden
por unos meses hasta un ao en el futuro para cada una de las lneas de
productos que cubren. Las previsiones, entonces, deben tambin ser
agregados a nivel de la familia de productos y cubren el mismo (o mayor)
nmero de perodos.
Un aporte importante a las previsiones de SOP es la informacin sobre los
planes de los clientes y la informacin de la demanda actual. Miradas en
torno a los planes futuros de los clientes se obtienen a travs de las
conversaciones con el marketing y la comunicacin con los clientes a travs
de la gestin de la demanda.
Esta informacin se puede aumentar con datos actuales sobre los saldos de
inventario, los niveles de demanda y las preferencias de la mezcla de
productos a travs de programas como CRM y inventario administrado por
el vendedor (VMI). Estos son importantes fuentes de informacin para el
desarrollo de los planes de ventas y operaciones.
Un medio comn para producir una previsin agregada de SOP es sumar las
previsiones para los productos individuales en cada lnea de productos.
Estos totales se pueden ajustar mediante la incorporacin de conocimiento
de los planes de los clientes, las tendencias actuales, y cualquier plan de
marketing que puedan influir en la demanda. Sin embargo se desarrollan las
previsiones, la visin empresarial y el juicio son importantes en el uso de
ellos para desarrollar los planes. El desarrollo de la previsin no es el mismo
que el desarrollo del plan.
Previsin para Master Produccin Programacin y Control
Gestin de la demanda apoya las decisiones tomadas en el mdulo de plan
maestro de produccin, proporcionando previsiones detalladas de forma casi
Cheapter 3
continua. El resultado de las decisiones de MPS es una declaracin de la
cantidad de un producto terminado o un componente de hacer y cundo
hacerlo. Estas decisiones se producen constantemente a medida que
cambian las condiciones en el mercado y en la industria manufacturera.
En consecuencia, el flujo de informacin de previsin a la MPS es frecuente
y detallada. Tambin se producen constantemente son decisiones de control
que cambian las prioridades para la produccin, la asignacin de inventario,
y los destinos de los envos. Dado que los productos se mueven desde la
compra de la materia prima hasta la distribucin de los productos
terminados, cambios que requieren ajustes ocurrir en todas las reas del
proceso. Para compensar estos cambios, las decisiones de control se deben
realizar de forma rpida y eficiente para mantener el producto en
movimiento al cliente. Si la demanda para el producto depende, a
continuacin, el calendario y las cantidades se pueden calcular a partir de
los planes de sus padres (los productos que se utilizan en); si la demanda es
independiente, entonces debe ser previsin. Previsin para apoyar estos da
a da las decisiones de control deben ser frecuentes, detallada y oportuna.
Para producir estas previsiones detalladas, es ms comn el uso de
procedimientos mecnicos, procedimientos que pueden ser incorporados en
el software de gestin de la demanda. Muy a menudo estos son modelos
para "echar hacia adelante" informacin histrica para hacer que el "molde
plano." Implcito en este proceso es la creencia de que las ltimas
condiciones que produjeron la demanda histrica no cambiarn. Sin
embargo, no debemos sacar de esta la impresin de que los
administradores siempre pueden confiar en la informacin pasada para
estimar la actividad futura. En primer lugar, en algunos casos, simplemente
no tenemos los datos del pasado. Esto ocurre, por ejemplo, cuando se
introduce un nuevo producto, se planea una futura promocin de ventas,
aparece un nuevo competidor, o una nueva legislacin afecta a nuestro
negocio. Estas circunstancias todas ilustran la necesidad de una revisin y
modificacin de la previsin, donde se debe tomar en cuenta un
conocimiento especial de gestin.
Estos diferentes enfoques simplemente ponen de relieve la variedad de
fuentes, agregacin y propsitos de pronsticos. En las siguientes dos
secciones, ilustramos las tcnicas que sean apropiados para dos propsitos
diferentes de pronstico. En el primero, se aborda el tema de la previsin de
la demanda para los prximos 6 a 18 meses en el futuro. Esto podra ser
adecuado para la elaboracin de planes que se relacionan con los equipos
de ventas de personal, planificacin de la capacidad de produccin, la
estimacin de los niveles de inventarios globales, y anlisis de flujo de caja.
Aqu, presentamos un anlisis de regresin lineal y mostraremos cmo
aumentar el enfoque con ajustes por factores cclicos estacionales y otros.
Despus de esto, se discuten las tcnicas apropiadas para los pronsticos
que se extienden hacia fuera para 2 a 8 semanas en el futuro. Estas
tcnicas de prediccin a corto plazo se utilizan comnmente en los sistemas
de control de inventario para activar rdenes de reposicin para los artculos
que estn siendo controladas activamente (hablamos de este tipo de
sistemas en el Captulo 11).
Tcnicas de Anlisis de regresin y cclica de descomposicin
Cheapter 3
Regresin puede ser definida como una relacin funcional entre dos o ms
correlacionados variables. Se utiliza para predecir una variable dada la otra.
La relacin generalmente se desarrolla a partir de los datos observados. Los
datos deben ser trazados primero para ver si aparecen lineal o si al menos
partes de los datos son lineales. La regresin lineal se refiere a la clase
especial de regresin donde la relacin entre variables forma una lnea
recta. La lnea de regresin lineal es de la forma Y =? C? + BX, donde Y es el
valor de la variable dependiente que estamos resolviendo para, a es el
intercepto, b es la pendiente, y X es la variable independiente. (En el
anlisis de series de tiempo, X es unidades de tiempo.) La regresin lineal
es til para el pronstico a largo plazo de los principales acontecimientos y
la planificacin agregada. Por ejemplo, la regresin lineal sera muy til para
pronosticar la demanda de las familias de productos. A pesar de que la
demanda de productos individuales dentro de una familia puede variar
ampliamente durante un perodo de tiempo, la demanda de la familia de
producto total es sorprendentemente suave.
La principal restriccin en el uso de la previsin de regresin lineal es, como
su nombre lo indica, que los datos del pasado y las proyecciones futuras se
asumen a caer sobre una lnea recta. Aunque esto no limitar su aplicacin, a
veces, si usamos un corto periodo de tiempo, el anlisis de regresin lineal
se puede seguir utilizando. Por ejemplo, puede haber segmentos cortos de
la perodo ms largo que son aproximadamente lineal. La regresin lineal se
utiliza tanto para la prediccin de series de tiempo y para la relacin causal
de pronstico. Cuando la variable dependiente (normalmente el eje vertical
en un grfico) cambia como resultado de tiempo (trazada como el eje
horizontal), es el anlisis de series de tiempo. Si una variable cambia debido
al cambio en otra variable, esta es una relacin causal (tales como el
nmero de muertes por cncer de pulmn cada vez mayores con el nmero
de personas que fuman).
Utilizamos el siguiente ejemplo para demostrar anlisis lineal de mnimos
cuadrados de regresin:
Example
Least Squares Method
A firms sales for a product line during the 12 quarters of the past three
years were as
follows:
Cheapter 3
La empresa quiere pronosticar cada trimestre del cuarto ao, es decir, 13
cuartos, 14, 15 y 16
solucin
La ecuacin de mnimos cuadrados para la regresin lineal es:
Cheapter 3
Figura 3.3 muestra estos clculos realizados por los 12 puntos de datos en
el problema. Tenga en cuenta que la ecuacin final para Y muestra una
interseccin de 441.6 y una pendiente de 359,6. La pendiente muestra que
por cada unidad de cambio en X, Y cambia por 359,6.
Cheapter 3
Cheapter 3
Cheapter 3
Cheapter 3
Un factor estacional es la cantidad de correccin necesaria en una serie de
tiempo para ajustarse a la temporada del ao.
Por lo general asociamos temporada con un periodo del ao caracterizado
por una actividad en particular. Usamos la palabra cclica para indicar que
no sean recurrentes perodos anuales de actividad repetitiva.
Los siguientes ejemplos muestran cmo los ndices de temporada se
determinan y se usa para pronosticar
(1) un simple clculo basado en los datos de temporada pasado y
(2) la tendencia y el ndice estacional de una lnea de regresin ajuste a
mano. Seguimos esto con un procedimiento ms formal para la
descomposicin de los datos y la previsin de uso de regresin de mnimos
cuadrados.
ejemplo
Proporcin simple
Supongamos que en aos anteriores, una empresa vende un promedio de
1.000 unidades de una determinada lnea de productos cada ao. En
promedio, 200 unidades fueron vendidas en la primavera, en el verano de
350, 300 en el otoo, y 150 en el invierno. El factor estacional (o ndice) es
la relacin entre la cantidad vendida durante cada temporada, dividido por
la media de todas las estaciones.
solucin
En este ejemplo, la cantidad anual dividida por igual en todas las estaciones
es de 1.000 4 = 250. Los factores estacionales, por lo tanto son
Cheapter 3
El factor estacional puede ser actualizado peridicamente a medida que se
disponga de nuevos datos. El siguiente ejemplo muestra el factor estacional
y la variacin estacional multiplicativo.
ejemplo
Clculo de tendencia y estacionalidad de la lnea recta a mano Fit Aqu hay
que calcular la tendencia, as como los factores estacionales.
solucin
Solucionamos este problema simplemente a mano ajustando una lnea recta
a travs de los puntos de datos y la medicin de la tendencia y la
interseccin de la grfica. Suponga que la historia de los datos es
Cheapter 3
y la ecuacin resultante estn sujetos a variacin.) La ecuacin para la lnea
es:
Tendencia = 170+55t
Nuestra ecuacin se deriva de la interseccin 170 adems de un aumento
de (610? 170) 8 perodos. A continuacin podemos derivar un ndice
estacional mediante la comparacin de los datos reales con la lnea de
tendencia
como en la Figura 3.7. El factor estacional fue desarrollado por un promedio
de los mismos trimestres de cada ao.
Cheapter 3
y el ajuste por los ndices estacionales y cclicos, que se determinaron en el
proceso de descomposicin. Ms formalmente, el proceso es
1. Descomponer la serie temporal en sus componentes.
a. Encuentra componente estacional.
b. Desestacionalizar la demanda.
c. Encuentra componente tendencial.
2. Previsin valores futuros de cada componente.
a. Componente de tendencia proyecto en el futuro.
b. Componente de tendencia Multiplicar por componente estacional.
Tenga en cuenta que el componente aleatorio no est incluido en esta lista.
Nos quitamos el implcitamente
componente aleatorio de la serie de tiempo en el que la media, como en el
paso 1. No tiene sentido intentar una proyeccin del componente aleatorio
en el paso 2 si no tenemos informacin sobre algn evento inusual, como un
importante conflicto laboral, que podran afectar negativamente a la
demanda del producto (y esto no sera realmente aleatorio).
La figura 3.7 muestra la descomposicin de una serie de tiempo utilizando
regresin de mnimos cuadrados y los mismos datos bsicos que utilizamos
en nuestros ejemplos anteriores. Cada punto de datos corresponde a la
utilizacin de un solo trimestre de tres meses del perodo de tres aos (12
trimestres). Nuestro objetivo es pronosticar la demanda para los cuatro
trimestres del cuarto ao.
Cheapter 3
Paso 3. Desarrollar una lnea de regresin de mnimos cuadrados para los
datos desestacionalizados. El propsito aqu es desarrollar una ecuacin
para la lnea de tendencia de Y, que luego modificamos con el factor
estacional. El procedimiento es el mismo que hemos utilizado antes:
Y = a + bx
donde
km = demanda desestacionalizada (ver Figura 3.8)
x = trimestre
Y? = Demanda calcula utilizando la ecuacin de regresin Y = a? + Bx
un? = interseccin
b? = pendiente de la lnea
Los clculos de mnimos cuadrados utilizando columnas 1, 7 y 8 de la figura
3.7 se muestran en la parte inferior de la exhibicin. La ecuacin
desestacionalizada final para nuestros datos es
Y = 554,9 + 342.2x. Esta recta se muestra en la Figura 3.8.
Cheapter 3
Cheapter 3
para esta lnea. Ahora visualiza otra lnea que se inclina demasiado
abruptamente hacia abajo. Tambin tiene un error estndar. El rango de
error total, para este anlisis, se compone de errores resultantes de ambas
lneas, as como todas las dems lneas posibles. Incluimos esta exposicin
para mostrar cmo el margen de error se ensancha a medida que
avanzamos hacia el futuro.
Cheapter 3
los modelos ms sofisticados para la previsin detallada, especialmente en
perodos cortos. Otra conclusin fue que ningn conocimiento especial
acerca de los patrones de demanda se debe utilizar para desarrollar las
previsiones. Si ignora el comportamiento de las ventas de temporada de
trajes de bao, lo hace bajo su propio riesgo.
Previsin de media mvil
Cheapter 3
Cheapter 3
Se habr dado cuenta el modelo de media mvil hace suavizar los datos
histricos, pero lo hace con un peso igual en cada pieza de informacin
histrica. Podramos ajustar esto, por supuesto, mediante la incorporacin
de diferentes pesos en perodos anteriores. De hecho el modelo ponderado
de movimiento promedio hace exactamente eso, pero a costa de
complejidad y ms datos de almacenamiento. Adems, algunos datos no
juegan ningn papel en la toma de un pronstico promedio mvil. Por
ejemplo, la demanda de 900 en la semana 27 no tiene peso en los tres
periodos en movimiento pronstico promedio para el perodo 33.
exponencial suavizado direcciones tanto de estas consideraciones en hacer
pronsticos.
Forecasting suavizado exponencial
El modelo de suavizado exponencial para el pronstico no elimina ninguna
informacin pasada, pero tambin lo ajusta los pesos dados a los datos del
pasado que los datos de ms edad reciben cada vez menos peso (de ah el
nombre de suavizacin exponencial). La idea bsica es bastante simple y
tiene una gran cantidad de atractivo intuitivo. Cada nuevo pronstico se
basa en un promedio que se ajusta cada vez que hay un nuevo error de
pronstico. Por ejemplo, si nos pronostican 90 unidades de demanda de un
elemento en un determinado perodo y la demanda real de que el tema
resulta ser 100 unidades, una idea atractiva sera aumentar nuestra
previsin de una parte del error de 10 unidades en la fabricacin del
Previsin del prximo perodo. De esta manera, si el error de la demanda
indicada estaba cambiando, queremos empezar a cambiar el pronstico. Es
posible que no desee incorporar todo el error (es decir, aadir 10 unidades),
ya que el error puede haber sido debido a las variaciones aleatorias
alrededor de la media.
La proporcin del error que se incorpora en el pronstico se denomina la
constante de alisamiento exponencial y se identifica como?. El modelo para
el clculo de la nueva media aparece en la ecuacin (3.6), como acabamos
de describimos. La ecuacin (3.7) da la forma ms comn de clculo de la
media exponencial suavizada. El nuevo promedio exponencial suavizado es
de nuevo el pronstico para los prximos perodos y posteriores.
La misma convencin de temporizacin se utiliza; es decir, la previsin se
realiza al final del perodo t para el perodo t + X en el futuro. La figura 3.13
muestra ejemplos de clculo para el nmero de casos enviados.
Pronstico suavizado exponencial (FSE) al final del perodo t:
Cheapter 3
Cheapter 3
La suma de estos tres (27 por ciento) se coloca theweight en los ltimos tres
periodos. Por otra parte, (1-27% = 73%) es el peso que se da a todos los
datos reales de ms de tres perodos de edad. Este resultado muestra
mayores valores de? dar ms peso a las demandas recientes y utilizar los
datos de demanda de ms edad menos que en el caso de los valores ms
pequeos de?; es decir, valores mayores de? proporcionar previsiones ms
sensibles, y los valores ms pequeos producen pronsticos ms estables.
El mismo argumento se puede hacer para el nmero de periodos en un
modelo de MAF. Esta es la disyuntiva bsica en la determinacin de lo
constante de suavizado (o longitud de media mvil) para su uso en un
procedimiento de pronstico. Cuanto mayor es el de la media mvil
constante o la ms corta suavizado, las previsiones son ms receptivas a los
cambios en la demanda subyacente, pero el ms "nervioso" que estn en la
presencia de aleatoriedad. De manera similar, las constantes de suavizado
ms pequeas o medias ya en movimiento proporcionan estabilidad en la
cara de la aleatoriedad pero las reacciones ms lentas a los cambios en la
demanda subyacente. En ltima instancia, sin embargo, el equilibrio entre la
estabilidad y la capacidad de respuesta se refleja en la calidad de las
previsiones, un tema al que nos dirigimos ahora.
La evaluacin de pronsticos
En ltima instancia, por supuesto, la calidad de cualquier previsin se refleja
en la calidad de las decisiones sobre la base de la previsin. Esto conduce a
lo que sugiere la comparacin ideal de procedimientos de prediccin se
basara en los costes de produccin de la previsin y el valor de la previsin
de la decisin. A partir de estos datos, el equilibrio adecuado entre el coste
de desarrollo y el costo de la toma de decisiones con las previsiones de
diversa calidad se podra hacer. Lamentablemente, ni el costo se mide
fcilmente. Adems, tal esquema sugiere que un procedimiento de
prediccin diferente podra ser necesario para cada decisin, una posibilidad
indeseablemente complejo. Como resultado de estas complicaciones,
confiamos en algunas medidas directas de la calidad prevista.
Para cualquier procedimiento de prediccin que desarrollamos, un criterio
importante es la honestidad, o la falta de sesgo; es decir, el procedimiento
debe generar predicciones que no son ni consistentemente alto ni
consistentemente baja. Las previsiones no deben ser demasiado optimista o
pesimista, sino que deben "decir las cosas como son." Debido a que
estamos tratando con la proyeccin de los datos del pasado, la falta de
sesgo significa suavizar la aleatoriedad de los datos del pasado de manera
que las previsiones que son demasiado altos se ven compensados por
previsiones que son demasiado low.To medir el sesgo, usaremos el error
medio como se define por la ecuacin (3.8). En esta ecuacin, el error de
pronstico en cada perodo es la demanda real en cada perodo, menos
demanda prevista para ese perodo. La figura 3.15 muestra un ejemplo de
clculo de sesgo.
Cheapter 3
Cheapter 3
utilizada de la magnitud del error de prediccin, la desviacin media
absoluta (MAD). La ecuacin para calcular MAD se proporciona en la
ecuacin (3.9), mientras que la Figura 3.16 muestra un ejemplo de los
clculos.
Cheapter 3
Cheapter 3
rayas deportivas. Es mucho ms fcil para pronosticar la demanda para los
componentes que las combinaciones de componentes detallados. Muchas
de las mismas ventajas de reduccin de error que se acumulan a la
agregacin son posibles aqu tambin.
Surge un problema cuando se utilizan agregaciones de productos, regiones
o perodos de tiempo para desarrollar planes de ventas y operaciones
estratgicas o. La previsin total debe ser coherente con las previsiones de
productos individuales. El conjunto debe ser igual a la suma de las partes.
Muy a menudo la accin de un producto individual de los agregados totales
de la lnea de productos se mantiene bastante constante. Es decir, hay ms
incertidumbre en la demanda del da a da para el elemento que por su
participacin en la demanda de la lnea total. Podemos usar este
conocimiento para desagregar las previsiones globales y por lo tanto
mantener la coherencia entre el detalle y los totales. Podemos incluso ser
capaz de mostrar las mejoras en la precisin de los pronsticos de detalle
por hacerlo de esta manera. Un mtodo formal para lograr la coherencia se
describe a continuacin.
Forecasting Pirmide
Cuando la base de la previsin agregada de ventas y operaciones de
planificacin es la suma de las previsiones a nivel de productos producidos
por, digamos, suavizacin exponencial, es poco probable que esta suma se
correspondera con las previsiones globales desarrolladas por otra
sources.Yet, por ejemplo, el conocimiento de hay que tener en cuenta a
nivel elemento individual de los clientes y planes de marketing. Adems,
puede haber restricciones presupuestarias, las metas de ingresos, u otras
consideraciones empresa que dan forma a las previsiones globales que
deben ser tenidos en cuenta en el desarrollo de las previsiones definitivas
en el plano material. Uno de los procedimientos para hacer esto es la
previsin pirmide. Ella
proporciona un medio de coordinar, integrar y asegurar la coherencia entre
las distintas fuentes de los pronsticos y todas las restricciones de la
empresa o metas.
Cheapter 3
Cheapter 3
Cheapter 3
Las previsiones de todos los niveles aparecen en la figura 3.20. Los
resultados son consistentes previsiones
en toda la organizacin, y la suma de las partes se ve obligado a ser igual a
la totalidad. Tenga en cuenta, sin embargo, el proceso de forzar la
consistencia debe ser abordado con precaucin. En el ejemplo, las
previsiones en el nivel inferior son ahora ms altos de lo que eran
originalmente e incorporan los planes en los niveles superiores. A pesar de
que la suma de las partes es igual al conjunto, es posible que los
responsables de la previsin no "poseer" el nmero. No se deben hacer para
sentir que estn siendo simplemente les da una asignacin de lista de
deseos de otra persona.
La incorporacin de informacin externa
Muchos tipos de informacin pueden y deben ser utilizados para hacer
buenos pronsticos. Por ejemplo, en una ciudad universitaria en el da de un
partido de ftbol, el trfico alrededor del estadio es un desastre. Un
pronosticador inteligente ajusta planes de viaje los das de partido para
evitar el trfico estadio, si es posible. l o ella modifica el pronstico,
sabiendo el impacto del juego en el trfico. Un procedimiento mecnico
basado en observaciones durante la semana probablemente pronosticar
muy poco trfico alrededor del estadio. Desde luego, no usaramos tal
previsin sin ajustar para el da del partido. Ese sencillo principio es
aplicable a la prediccin de negocios, as, pero es sorprendente la frecuencia
con la gente no puede hacer estos ajustes.
Ejemplos de actividades que influirn en la demanda y quizs invalidar el
uso de un
modelo de pronstico exponencial rutina son promociones especiales,
cambios de productos, acciones de los competidores y los cambios
econmicos. Una de las principales formas de incorporar la informacin
sobre este tipo de actividades futuras en el pronstico es cambiar el
pronstico directamente. Podramos hacer esto si supiramos, por ejemplo,
iba a haber una promocin de un producto en el futuro, o nos va a abrir
puntos de venta al por menor ms, o nos va a introducir un nuevo producto
que canibalizar las ventas de un producto existente. En estos casos,
podramos ajustar el pronstico directamente para dar cuenta de las
actividades, tal como lo hacemos para el da del partido. Al reconocer
explcitamente que las condiciones futuras no reflejarn las condiciones del
pasado, podemos modificar la previsin directamente a reflejar nuestra
evaluacin del futuro.
Es posible que tengamos que cambiar el mtodo de pronstico tambin. Si
la tecnologa se ha prolongado la vida de nuestros productos, es posible que
tenga que cambiar los parmetros en el modelo que relaciona las ventas de
reemplazo a la vida media de los productos en el campo. Si, por ejemplo,
sabemos que uno de nuestros competidores se va a introducir un nuevo
producto, sospechamos que el mercado va a cambiar, pero no podemos
estar seguros de la direccin o la magnitud del cambio. En este caso, es
posible que desee hacer la previsin frecuentes, y pruebas modelo para
evaluar el efecto del nuevo producto. Tambin podramos hacer la constante
Cheapter 3
de alisamiento ms grande en un modelo de suavizado exponencial y ser
ms sensible a cualquier cambio. Puede haber circunstancias en las que
nuestro conocimiento nos llevara a cambiar tanto el pronstico y los
parmetros de pronstico. Clave en todos estos ajustes es que la
inteligencia debe ser incluido en las previsiones, y las previsiones debe ser
preparado para su uso en la preparacin y el control de los planes de la
firma.
La determinacin del nivel adecuado de agregacin y la conciliacin de los
diversos enfoques de previsin (tal vez con la previsin pirmide) son pasos
importantes en la toma de las modificaciones.
concluyendo Principios
En este captulo, hemos revisado algunas de las tcnicas ms bsicas de
previsin. Tambin hemos cubierto el razonamiento detrs de la agregacin
de las previsiones y cmo estamos reconciliados previsiones
para fines de planificacin.
Los modelos de pronstico no deben ser ms complicado de lo necesario.
Los modelos simples a menudo funcionan mejor que las ms complicadas.
Los datos de entrada y las previsiones de salida deben ser controlados
rutinariamente por la calidad y pertinencia.
Informacin sobre las fuentes de variacin en las ventas, tales como la
estacionalidad, las tendencias del mercado y polticas de la empresa, debe
ser incorporado en el sistema de previsin.
Previsiones de diferentes fuentes deben reconciliarse e hicieron
consistentes con los planes y las limitaciones de la empresa.