Professional Documents
Culture Documents
Administración de la demanda
Propósito: coordinar y controlar todas las fuentes de demanda, con el fin de poder usar con eficiencia el
sistema productivo y entregar el producto a tiempo.
Con respecto a la demanda dependiente no hay mucho que hacer. Con demanda independiente:
1) Adoptar un papel activo para influir en la demanda. Para aumentar o disminuir la demanda.
2) Adoptar un papel pasivo y simplemente responder a la demanda. SI opera a toda capacidad o gastos
publicidad muy altos. Si el mdo es fijo y estático o dda está fuera de su control (proveedor único)
Tipos de pronósticos
Elección de ponderaciones en promedio móvil ponderado. La experiencia y las pruebas son las formas más
sencillas de elegir las ponderaciones. Por regla general, el pasado más reciente es el indicador más importante
de lo que se espera en el futuro y, por lo tanto, debe tener una ponderación más alta. Sin embargo, hay que
tener ojo con las estacionalidades.
Las técnicas de suavización exponencial se han aceptado en forma generalizada por seis razones principales:
Constante de uniformidad alfa. Esta constante de suavización determina el nivel de uniformidad y la velocidad
de reacción a las diferencias entre los pronósticos y las ocurrencias reales. El valor de una constante se
determina tanto por la naturaleza del producto como por el sentido del gerente de lo que constituye un bien
índice de respuesta. Si dda es estable, índice de reacción a las diferencias entre la demanda real y pronosticada
presentarían una tendencia a ser pequeñas. Si la empresa experimentara un crecimiento, sería mejor tener
un índice de reacción más alto.
Elección de valor apropiado para alfa. Dos estrategias para controlar el valor e alfa
1) Dos o más valores predeterminados de alfa. Se mide la cantidad de error entre el pronóstico y la
demanda real. Dependiendo del grado de error, se utilizan distintos valores de alfa. Si el error es
grande, alfa es 0,8; si el error es pequeño, alfa es 0,2.
2) Valores calculados de alfa. Una constante de rastreo alfa calcula si el pronóstico sigue el paso a los
cambios genuinos hacia arriba o hacia abajo en la demanda (en contraste con los cambios aleatorios).
Errores de pronóstico. Diferencia entre el valor del pronóstico y lo que ocurrió en realidad. Se conocen como
residuales. Si el valor del pronóstico se encuentra dentro de los límites de confianza, esto no es realmente un
error.
Fuentes de error. Una fuente común de la que no están conscientes muchos encargados de elaborar
los pronósticos es el pronóstico de las tendencias pasadas en el futuro. Errores se pueden clasificar como
sesgados o aleatorios.
i) Errores sesgados. Ocurren cuando se comete un error consistente (no incluir variables correctas,
uso de relaciones equivocadas entre las variables, entre otros).
ii) Errores aleatorios. Aquellos que el modelo de pronóstico utilizado no puede explicar.
Medición de errores. Varios términos comunes empleados para describir el grado de error son error estándar,
error cuadrado medio (o varianza) y desviación absoluta media.
i) Desviación absoluta media (MAD). Error promedio en los pronósticos, mediante el uso de
valores absolutos. Es valiosa porque, al igual que la desviación estándar, mide la dispersión de
un valor observado en relación el valor esperado.
Señal de seguimiento. Medida que indica si el promedio pronosticado sigue el paso de cualquier
cambio hacia arriba o hacia abajo de la demanda. Como se utiliza en el pronóstico, la señal de
seguimiento es el número de desviaciones absolutas medias que el valor pronosticado se
encuentra por encima o por debajo de la ocurrencia real.
Análisis de regresión lineal. Regresión es una relación funcional entre dos o más variables correlacionadas.
Se utiliza para pronosticar una variable con base en la otra. Por lo general, la relación 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 regresión lineal se refiere a la clase de regresión especial en la que la relación
entre las variables forma una recta.
La principal restricción al utilizar el pronóstico de regresión lineal es, como su nombre lo implica, que se
supone que los datos pasados y los pronósticos futuros caen sobre una recta.
Descomposición de una serie temporal.
Serie temporal: Datos ordenados en forma cronológica que pueden contener uno o más componentes de la
demanda: tendencia, estacional, cíclico, autocorrelación o aleatorio. Descomponer una serie temporal
significa identificar y separar los datos de la serie en estos componentes.
Cuando la demanda contiene efectos estacionales y de tendencia al mismo tiempo, la pregunta es cómo se
relacionan entre sí. En esta descripción, se analizan dos tipos de variación estacional:
i) Aditiva. Supone que la cantidad estacional es una constante sin importar cuál es la tendencia o
la cantidad promedio.
ii) Multiplicativa. Aquí, la tendencia se multiplica por los factores estacionales.
Factor (o índice) estacional. Es la cantidad de corrección necesaria en una serie temporal para
ajustarse a la estación del año.
Pasos:
1. Descomponer las series de tiempo en sus componentes.
a) Encontrar el componente estacional
b) Descontar las variaciones de temporada de la demanda
c) Encontrar el componente de tendencia
2. Pronosticar valores futuros de cada componente
a) Pronosticar el componente de la tendencia en el futuro
b) Multiplicar el componente de la tendencia por el componente estacional
Análisis de regresión múltiple. Se considera cierto número de variables, junto con los efectos de cada una en
el rubro de interés.