Cheapter 3

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?

Proporcionar informacin apropiada Pronstico

Los gerentes necesitan previsiones para una variedad de decisiones. Entre
ellas se encuentran las decisiones estratgicas que involucran cosas tales
como la construccin de una nueva planta, el desarrollo de una mayor
capacidad de proveedor, la expansin internacional, y otras consideraciones
de toda la compaa a largo plazo. Las previsiones para este tipo de
decisiones son estimaciones altamente agregadas de las tendencias
generales de la empresa en el largo plazo. Estas previsiones basadas en
lneas generales son demasiado general para la planificacin de ventas y
operaciones, a pesar de que algunos de agregacin es necesaria para la
SOP. La previsin de las necesidades de estas dos aplicaciones
(consideraciones estratgicas y planificacin de ventas y operaciones) son
diferentes, tambin, de la

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.

El principio general indicado aqu es que la naturaleza de la previsin debe

coincidir con la naturaleza de la decisin. El nivel de agregacin, la cantidad
de revisin por la direccin, el costo, y el plazo de la previsin necesaria
realmente depende de la naturaleza de la decisin que se hizo. Por otra
parte, la fuente de la previsin puede variar por la necesidad, as, como se
indica por la lnea de tcnicas tiles en la Figura 3.1. La frecuencia y el
nmero de las previsiones necesarias para la mayora de las decisiones
operativas a corto plazo no garantizan una amplia participacin de la
administracin, por lo que las previsiones generadas por ordenador se
utilizan. Las decisiones estratgicas, por el contrario, son menos frecuentes
e implican ms riesgos, lo que justifica el uso de procedimientos ms
costosos y la participacin de la gestin.
Previsin para la Planificacin Estratgica de Negocios
Entre las decisiones que requieren a largo plazo, las previsiones basadas en
lneas generales son los relacionados con proyectos de ampliacin de
capital, propuestas para desarrollar una nueva lnea de productos y
oportunidades de fusin o adquisicin. Las previsiones son generalmente
expresadas en trminos muy generales, tales como dlares de ventas
totales o alguna medida de salida como toneladas totales, de pies tablares,
u horas de ingeniera. Este nivel de agregacin puede estar relacionado con
los indicadores econmicos y de negocios tales como el producto nacional
bruto, la renta neta disponible, o la cuota de mercado de una industria en
particular. A su vez, se relaciona con medidas de capacidad que puedan ser
necesarias para satisfacer las demandas futuras. Se requiere criterio

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:

El mtodo de mnimos cuadrados trata de encajar la lnea a los datos que

minimiza la suma de los cuadrados de la distancia vertical entre cada punto
de datos y su correspondiente punto en la lnea. Si una lnea recta se dibuja
a travs del rea general de los puntos, la diferencia entre el punto y la
lnea es y-Y. La figura 3.2 muestra estas diferencias. La suma de los
cuadrados de las diferencias entre los puntos de datos trazados y los puntos
de la lnea es:

La mejor lnea a utilizar es el que minimiza este total.

Como antes, la ecuacin de la lnea recta es:

Cheapter 3

Anteriormente se determin a y b de la grfica. En el mtodo de mnimos

cuadrados, las ecuaciones para A y B son:

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

Microsoft Excel cuenta con una herramienta de regresin muy potente

diseado para realizar estos clculos. Para utilizar la herramienta, se
necesita una tabla que contiene los datos relevantes para el problema (ver
Figura 3.4). La herramienta es parte de las herramientas para anlisis de
datos al que se accede desde el men Herramientas

Cheapter 3

(o en la ficha de datos en Excel 2007). Es posible que tenga que agregar

esto usando la opcin Add-In en Herramientas. Para utilizar la herramienta,
primera entrada de los datos en dos columnas en la hoja de clculo, a
continuacin, acceder a la opcin de regresin desde el men Herramientas
de anlisis de datos. A continuacin, especificar el rango Y, que es B2: B13,
y el X-Range, que es A2: A13 en nuestro ejemplo. Por ltimo, se especifica
un rango de salida. Aqu es donde desea que los resultados del anlisis de
regresin se coloca en la hoja de clculo. En el ejemplo, se introduce A16.
Hay un poco de informacin, siempre que va ms all de lo que hemos
cubierto, pero lo que busca es la intercepcin y X coeficientes variables que
corresponden a los valores de interseccin y de pendiente en la ecuacin
lineal. Estos son en filas 32 y 33 en la Figura 3.4. Se discute la posible
existencia de componentes estacionales en la siguiente seccin en la
descomposicin de una serie temporal.
La descomposicin de una serie temporal
Una serie de tiempo se puede definir como cronolgicamente ordenada de
datos que pueden contener uno o ms componentes de la demanda: la
tendencia, estacional, cclica, auto correlacin, y al azar. La descomposicin
de una serie de tiempo significa identificar y separar los datos de series de
tiempo en estos componentes. En la prctica, es relativamente fcil de
identificar la tendencia (incluso sin el anlisis matemtico, por lo general es
fcil de trazar y ver la direccin del movimiento) y el componente estacional
(comparando el mismo periodo del ao a ao). Es mucho ms difcil
identificar los ciclos (estos pueden ser de muchos meses o aos largos),
auto correlacin y componentes aleatorios. (La pronosticadora usualmente
llama nada al azar de sobra que no puede ser identificado como un
componente ms.)

Cheapter 3

Cuando la demanda contiene ambos efectos estacionales y de tendencia, al

mismo tiempo, la pregunta es cmo se relacionan entre s. En esta
descripcin, se examinan dos tipos de variacin estacional: aditivos y
multiplicativos.

Aditivo estacional Variacin

Variacin estacional aditivo simplemente asume que la cantidad de

temporada es una constante, no importa cul es la tendencia o cantidad
media:

Pronstico incluyendo tendencia y estacionales = Tendencia + Estacional

Figura 3.5A muestra un ejemplo de la tendencia creciente con cantidades

constantes de temporada.

Variacin estacional multiplicativa

En la variacin estacional multiplicativo, la tendencia se multiplica por los
factores estacionales.
Pronstico incluyendo tendencia y estacional? Tendencia? Estacional factor
de la Figura 3.5B muestra la variacin estacional creciente como la
tendencia aumenta debido a que su tamao depende de la tendencia.
La variacin estacional multiplicativa es la experiencia habitual.
Esencialmente, esto dice que cuanto mayor sea la cantidad de base
proyectada, mayor ser la variacin en torno a esto que podemos esperar.
Factor estacional (o ndice)

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

En primer lugar, trazamos como en la figura 3.6 y luego encajamos

visualmente una lnea recta a travs de los datos. (Naturalmente, esta lnea

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.

Descomposicin por mnimos cuadrados de regresin

La descomposicin de una serie de tiempo significa encontrar los
componentes bsicos de la serie de tendencia, estacional y cclica. Los
ndices se calculan para las estaciones y los ciclos. El procedimiento de
pronstico luego invierte el proceso mediante la proyeccin de la tendencia

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.

Paso 1. Determinar el factor estacional (o ndice). Figura 3.7 resume los

clculos necesarios. Columna 4 desarrolla un promedio para los mismos
trimestres en el perodo de tres aos.
Por ejemplo, se aaden los primeros trimestres de los tres aos juntos y
divididos por
tres. Un factor estacional se deriva entonces dividiendo ese promedio por el
promedio general para todos los 12 trimestres (33,350/12, o 2,779). Estos se
introducen en la columna 5.
Tenga en cuenta que los factores estacionales son idnticos para cuartos
similares en cada ao.

Paso 2. desestacionalizar los datos originales. Para eliminar el efecto

estacional de los datos, dividimos los datos originales por el factor
estacional. Este paso se llama la desestacionalizacin de la demanda y se
muestra en la columna 6 de la Figura 3.7.

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.

Paso 4. Proyecto de la lnea de regresin a travs del periodo que se

pronostica. Nuestro propsito es de prever perodos 13 a 16. Empezamos
por la solucin de la ecuacin para Y en cada uno de estos perodos (que se
muestran en el paso 5, columna 3)

Cheapter 3

Paso 5. Crear el pronstico final ajustando la lnea de regresin de la

temporada
factor. Recordemos que la ecuacin Y ha sido desestacionalizadas. Ahora
invertimos el procedimiento multiplicando los datos trimestrales derivamos
por el factor estacional para ese trimestre:

Nuestro pronstico se ha completado. El procedimiento es generalmente el

mismo que lo que hicimos en el ejemplo anterior en forma de mano. En el
presente ejemplo, sin embargo, seguimos un procedimiento ms formal y
calculamos la lnea de regresin de mnimos cuadrados tambin.
Rango de error
Cuando una lnea recta se ajusta a travs de puntos de datos y luego se usa
para el pronstico, los errores pueden provenir de dos fuentes. En primer
lugar, estn los errores habituales similares a la desviacin estndar de
cualquier conjunto de datos. En segundo lugar, hay errores que surgen
debido a que la lnea est mal. Figura 3.9 muestra este rango de error.
Desarrollamos la estadstica ms adelante en el captulo; aqu, vamos a
mostrar brevemente por qu la gama se ampla. En primer lugar, visualizar
que una lnea est dibujada que tiene algn error de este tipo que se inclina
demasiado abruptamente hacia arriba. Los errores estndar se calculan

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.

Tcnicas de prediccin a corto plazo

En esta seccin, vamos a introducir dos tcnicas muy comunes a corto plazo
de prediccin: las medias mviles y suavizado exponencial. Elegimos estos
procedimientos ya que son comnmente disponibles en el software
comercial y cumplen con los criterios de bajo costo y la poca participacin
de gestin. Las tcnicas son medios matemticos simples para la
conversin de la informacin pasada en pronsticos. Los procedimientos, a
menudo llamados modelos de prediccin estadstica, pueden ser fcilmente
automatizado e incorporados a la gestin de la demanda activities.There
una serie de procedimientos de prediccin ms complicadas que se han
desarrollado y que contemplan entre ellos algunos de ellos en este libro,
pero la investigacin ha demostrado la sencilla procedimientos que sean al
menos tan eficaz, especialmente para, previsiones detalladas frecuentes.
Por ejemplo, Bernard Smith desarroll un nuevo enfoque para la prediccin a
corto plazo denominada prediccin de enfoque. Se trata de evaluar varios
modelos de previsin simples y elegir la que mejor funcion en el pasado
para hacer el pronstico actual. Flores y Whybark compararon previsin
enfoque y un promedio de todas las previsiones realizadas con suavizacin
exponencial simple. Suavizado exponencial simple realizada el mejor. En
otro estudio, Spyros Makridakis y sus colegas expertos desafiaron a un
concurso de pronsticos. Un total de 21 modelos de prediccin se prob en
1001 conjuntos de datos reales.
Precisin de las previsiones se determin con cinco medidas diferentes. No
haba un modelo que super consistentemente todos los dems para todas
las series, pero una conclusin muy clara. Mtodos simples hacen mejor que

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

Previsin de suavizado de media mvil exponencial y son a la vez

preocupados por un promedio de la demanda pasado para proyectar un
pronstico para la demanda futura. Esto implica que el patrn de la
demanda subyacente, por lo menos para los prximos das o semanas, es
constante con fluctuaciones aleatorias sobre la media. As, el objetivo es
suavizar las fluctuaciones aleatorias sin dejar de ser sensible a los posibles
cambios que puedan estar teniendo lugar con el promedio subyacente. La
figura 3.10 muestra el nmero de casos de un lquido de limpieza del hogar
enviado a las tiendas minoristas de un centro de distribucin de la Costa
Este en cada una de las ltimas nueve semanas. Si hubiera peticiones de
envos que no pudo cumplirse, sera deseable capturar esa informacin para
obtener mejores estimaciones de la demanda real. Para nuestros ejemplos,
sin embargo, vamos a considerar los envos para representar a la demanda.
La demanda pasado se representa en la figura 3.11.
Un procedimiento tentador sera simplemente dibujar una lnea a travs de
los puntos de datos y el uso de esa lnea como nuestra estimacin para la
semana 33 y la semana posterior. Esto requerira la participacin de la
gestin constante en la toma de las previsiones, sin embargo. En lugar de
trazar una lnea a travs de los puntos de la figura 3.11 para encontrar la
media, podramos simplemente calcular el promedio aritmtico de los nueve
observaciones histricas. Ya que estamos interesados en los datos del
pasado promediados para proyectar hacia el futuro, podramos incluso usar
un promedio de todos los datos de la demanda ltimos disponibles para
fines de previsin. Hay varias razones, sin embargo, por qu esto puede no
ser una forma deseable de alisado. En primer lugar, puede haber tantos
perodos de datos del pasado que el almacenamiento de todos ellos es un
problema. En segundo lugar, a menudo la historia ms reciente es ms
relevante en el pronstico de demanda a corto plazo en un futuro prximo.
Los datos recientes pueden revelar condiciones actuales mejores que los
datos de varios meses o aos. Por estas razones, el procedimiento de media
mvil utiliza slo algunas de las observaciones de demanda ms recientes.

Cheapter 3

El modelo de media mvil para suavizar los ingresos histricos de demanda,

como su nombre lo indica, el promedio de un nmero seleccionado de
perodos anteriores de los datos. Los movimientos promedio debido a un
nuevo promedio pueden calcularse cada vez que se determina la demanda
de un nuevo perodo. Siempre se necesita un pronstico, la ms reciente
historia pasada de la demanda se utiliza para hacer el clculo del promedio.
La ecuacin (3.5) muestra el modelo para encontrar la media mvil. La
ecuacin muestra el pronstico promedio mvil utiliza siempre los ms
recientes perodos n de la informacin histrica disponible para el desarrollo
de la previsin. Observe la media mvil es la previsin de la demanda para
los perodos siguientes y subsiguientes. Esta convencin momento debe ser
claramente entendido. Estamos al final del perodo t; sabemos que la
demanda en el perodo t y los pronsticos hechos para perodos t + 1, o t +
X perodos en el futuro. Las previsiones no estn hechos para el periodo t,
ya se conoce la demanda de ese perodo. La figura 3.12 muestra los
clculos de la muestra para el nmero de casos enviados.

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

El resultado de este clculo es un peso de 0,21 (0,7 x 0,3) se aplica a la real

la demanda en el periodo 26Cuando el pronstico para los perodos 28 y
ms all se hace al final del perodo de 27. Por sustitucin similares, que
pueden obtener toda la lnea de los pesos del FSE en la figura 3.14. La figura
3.14 muestra, para el pronstico realizado al final del perodo de 27, 30 por
ciento del peso est unido a la demanda real en el periodo 27, 21 por ciento
para el perodo 26, y 15 por ciento para el perodo 25.El suma de
theseweights, 66 por ciento , se coloca theweight en los ltimos tres
perodos de demanda. La suma de todos los pesos dados para el modelo del
FSE en la figura 3.14 es del 94 por ciento. Si seguimos encontrando los
pesos por perodos de 19, 18, y as sucesivamente, la suma de todos los
pesos es 1,0, como intuitionwould nos dicen. Si el suavizado constantwere
0.1 en lugar de 0.3, una tabla como la figura 3.14
tendra valores de 0,1, 0,09, y 0,081 para los pesos de los perodos de 27,
26, y 25, respectivamente.

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

Como muestra la Figura 3.15 muestra, cuando los errores de pronstico

tienden a cancelar unos a los otros, la medida de sesgo tiende a ser baja.
Errores positivos en algunos perodos son compensadas por errores
negativos en otros, lo que tiende a producir un error promedio, o sesgo
cerca de cero. En la Figura 3.15, hay un sesgo y la demanda fue ms de
previsin en un promedio de 25 unidades por perodo de los cuatro
perodos.

Tener un pronstico imparcial es importante en la planificacin y control de

fabricacin, ya que las estimaciones no sesgadas, en promedio, son sobre la
derecha. Pero eso no es suficiente. Todava tenemos que estar preocupados
con la magnitud de los errores ". Nota, para el ejemplo de la Figura 3.15, se
obtiene la medida idntica de sesgo si la demanda real de los cuatro
perodos haba sido 100, 100, 5500 y 100, respectivamente. (Esto se
muestra como parte de los clculos en la figura 3.16.) Sin embargo, los
errores individuales son mucho ms grandes, y esta diferencia tendra que
reflejarse en el inventario extra si tuviramos que mantener un nivel
constante de servicio al cliente. Pasemos ahora a una medida ampliamente

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.

La desviacin media absoluta expresa el tamao del error promedio

independientemente de si es positivo o negativo. Es la combinacin de
sesgo y MAD que nos permite evaluar los resultados de prediccin. El sesgo
es tal vez el ms importante, ya que podemos compensar los errores de
prediccin a travs de inventarios, agilizar, medios de entrega ms rpidos,
y otros tipos de respuestas. MAD indica el tamao de la indemnizacin
esperada (por ejemplo, la velocidad requerida). Sin embargo, si la previsin
es consistentemente inferior a la demanda, toda la tubera de material-flow
funcione en seco; ser necesario volver a empezar de nuevo con las
materias primas. Acumulaciones de inventario pueden surgir con un alto
pronstico.
Antes de pasar a algunas cuestiones de gestin relativas a la previsin, nos
gustara proporcionar otra relacin que es muy til. La medida ms utilizada
de la desviacin o dispersin en las estadsticas es la desviacin estndar.
MAD tambin mide la desviacin (error) de un resultado esperado (la
previsin). Cuando los errores de pronstico se distribuyen normalmente,
existe una relacin directa entre las dos medidas que pueden utilizarse para
desarrollar conocimientos estadsticos y conclusiones. La desviacin
estndar de los errores se aritmticamente relacionado con MAD por la
ecuacin (3.10):
La desviacin estndar de los errores de prediccin = 1,25 MAD (3,10).
En el mdulo de gestin de la demanda que estamos interesados en
proporcionar el nivel apropiado de detalle y la frecuencia de la previsin de
los otros mdulos de la parte delantera del sistema MPC. Esto puede
requerir la modificacin de las previsiones o la reconciliacin con otras
fuentes de pronstico antes de que puedan ser utilizados para la toma de
decisiones.
El uso de los pronsticos
Utilizando las previsiones requiere una gran dosis de sentido comn, as
como la aplicacin de tcnicas. En esta seccin, vamos a ver algunas de las
razones tcnicas para la agregacin de los pronsticos y algunos de los
mtodos para prepara las previsiones para su uso en la planificacin de
ventas y operaciones. Tendremos tambin reviewsome significa para la
incorporacin de la informacin de gestin en los pronsticos.

Consideraciones para la agregacin de Previsiones

Cheapter 3

En la Figura 3.1 sealamos diferentes medios para desarrollar las

previsiones para los diferentes usos en la empresa. Para ventas y
operaciones de planificacin, una fuente de pronstico podra ser la
agregacin por familia de productos de las previsiones detalladas para
productos individuales. Otras entradas pueden provenir de la
comercializacin y el conocimiento de los clientes. El resultado de la
conciliacin de todas estas fuentes es un pronstico de la demanda
agregada que se utiliza para el desarrollo de los planes de ventas y
operaciones.

Hay varias razones para la agregacin de artculos de productos en tiempo y

nivel de detalle para fines de previsin. Debemos hacerlo con precaucin,
sin embargo. La agregacin de los distintos productos en lneas de
productos, zonas geogrficas o tipos de clientes, por ejemplo, debe hacerse
de manera que sean compatibles con los sistemas de planificacin.
Agrupaciones de productos tambin deben desarrollarse, por lo que la
unidad de previsin es sensible a los meteorlogos. A condicin de que
seguimos estas pautas, podemos utilizar grupos de productos para facilitar
la tarea de prediccin.
Es un fenmeno bien conocido que los pronsticos a largo plazo o de la lnea
de producto son ms precisos que los de corto plazo y / o previsiones
detalladas. Esto simplemente verbaliza una verdad estadstica. Considere el
ejemplo de la Figura 3.17. Las ventas mensuales promedio de 20 unidades,
pero varan aleatoriamente con una desviacin estndar de dos unidades.
Esto significa el 95 por ciento de las demandas mensuales se encuentran
entre 16 y 24 unidades, cuando la demanda se distribuye normalmente.
Esto corresponde a un error de pronstico de ms o menos 20 por ciento
alrededor de la previsin de 20 unidades por mes.

Ahora supongamos que, en lugar de la previsin de la demanda sobre una

base mensual, preparamos una previsin anual de la demanda en este caso,
240 (12 meses x 20 unidades / mes) unidades para el ao. Si las ventas
mensuales son independientes, la desviacin estndar resultante es 6,9
unidades. Esto se encuentra observando que la varianza de la distribucin
mensual es de 4 unidades (22). La varianza de la distribucin anual es de 48
(12 meses x 4), por lo que la desviacin estndar es de 6.9 (). Esto
corresponde a un rango de 95 por ciento de 226 a 254 unidades o una
desviacin por ciento. La reduccin de ciento a ciento es debido al uso de un
perodo de tiempo mucho ms largo. El mismo efecto se puede ver en la
previsin de la demanda de las lneas de productos en vez de por artculos
individuales. En el entorno de armar a la orden, la ecuacin (2.1) muestra el
nmero de elementos que se deben prever cuando los productos
terminados se utilizan en lugar de los componentes. Esto es a menudo un
aumento sustancial en el nmero y, debido a los detalles, a menudo resulta
en un rendimiento muy pobre pronstico. Por ejemplo, cul es el pronstico
para el rojo, dos puertas, pequeo motor, coches antibloqueo-freno con

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

Figura 3.18 proporciona el marco bsico para el pronstico pirmide. El

procedimiento utilizado en la aplicacin del enfoque a menudo se inicia con
las previsiones del artculo de productos individuales a nivel 3, que estn
enrolladas en las previsiones para las lneas de productos que se muestran
como el nivel 2. Nosotros los pronsticos entonces agregados para las lneas
de productos en una previsin total de negocio (en dlares) a nivel 1 en la
Figura 3.18. Una vez que las previsiones de elementos y lneas de productos
individuales se han enrollado y considerado en la finalizacin de las
previsiones de la alta direccin (plan), el siguiente paso es forzar a la baja
(limitar) la lnea de productos y las previsiones de elementos individuales,
por lo que son compatibles con el plan. En el ejemplo mostrado en la figura
3.19, los 11 elementos individuales de productos se dividen en dos lneas de
productos. Dos de estos artculos, X1 y X2, la lnea de productos forma X
(que estudiaremos en detalle), mientras que los productos restantes, Z1
travs Z9, estn incluidos en la lnea de productos Z. Estas dos lneas de
productos, X y Z, representan la toda la gama de la firma de productos. La
figura 3.19 muestra los precios unitarios y los pronsticos iniciales para
cada nivel. El proceso de roll-up inician sumando las previsiones de artculos
individuales (nivel 3) para proporcionar un total para cada lnea (nivel 2).
Para la lnea X, la previsin del roll-up es 13.045 unidades (8200 + 4845).

Cheapter 3

La suma de las partidas individuales Z da una previsin de 28.050 unidades.

Tenga en cuenta que la lnea X enrollable no se corresponde con la previsin
de 15.000 unidades para la lnea. Si hay desacuerdo sustancial en esta
etapa, la reconciliacin puede ocurrir o puede ser descubierto un error. Si
hay que haber reconciliacin en este nivel, no tenemos que prepararnos
pronsticos independientes para las lneas. Si se requieren las previsiones
de dlares en el nivel 2, los precios en el nivel 3 pueden utilizarse para
calcular un precio medio.
Para rodar hasta las previsiones de nivel 1 dlar, los precios medios en el
nivel de lnea se combinan con las previsiones del roll-up de la lnea. El total
de $ 778,460:
$ 778.460 = (13045 16.67) + (28 050 20,00)
es inferior a la previsin de negocio independiente de $ 950.000. Para fines
ilustrativos,
vamos a asumir la administracin ha evaluado la previsin del negocio y la
previsin del roll-up y ha decidido utilizar $ 900.000 como la previsin en el
nivel 1. La siguiente tarea es hacer que las previsiones de lnea y de
elementos individuales consistentes con esta cantidad. Para llevar a cabo
las consistencias, utilizamos el proceso de forzar hacia abajo. La relacin
entre el pronstico del roll-up en el nivel 1 ($ 778.460) y el total de la
gestin de ($ 900.000) se utiliza para hacer el ajuste.

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.