Técnicas de pronóstico para la investigación de mercado
A. Técnicas cualitativas:
Las técnicas cualitativas que están bien reconocidas cinco y se hace un intento de abordarlas con el fin de familiarizar a los estudiantes con la esencia de estos como futuros pronosticadores:
I. Raíces de la hierba:
El pronóstico de 'base' construye el pronóstico agregándolo sucesivamente desde la parte inferior. La suposición subyacente aquí es que la persona más cercana al cliente o usuario final del producto sabe cuál es su mejor necesidad futura.
Aunque esto no siempre es cierto, en muchos casos es válido y es la base de este método. Los pronósticos en este nivel inferior se suman y se dan al siguiente nivel superior.
Esto suele ser un almacén del distrito, que luego agrega existencias de seguridad y cualquier efecto de pedidos de tamaños de cantidad. Esta cantidad se envía al siguiente nivel, que puede ser un almacén regional.
El procedimiento se repite hasta que se convierte en una entrada en el nivel superior, que, en el caso de una unidad de fabricación, sería la entrada al sistema de producción.
ii. Investigación de mercado:
Muy a menudo, las empresas contratan empresas externas que se especializan en estudios de mercado para realizar este tipo de pronóstico. Como sistema de apoyo, usted mismo puede haber estado involucrado en encuestas de mercado a través de una clase de marketing.
Es probable que no haya escapado a las llamadas telefónicas que le preguntan acerca de las preferencias de productos, sus ingresos y hábitos, etc. La investigación de mercado se utiliza principalmente para la investigación de productos en el sentido de buscar nuevas ideas de productos, gustos y disgustos sobre los productos existentes que se prefieren productos competitivos, dentro de una clase particular, y así sucesivamente. Nuevamente, los métodos de recolección de datos son principalmente encuestas y entrevistas.
iii. Consenso del panel:
La idea subyacente detrás del "consenso del panel" es que "dos cabezas son mejores que una". Este punto se extrapola a la idea de que un panel de personas de una variedad de posiciones puede desarrollar un pronóstico más confiable que un grupo más estrecho.
Las previsiones de los paneles se desarrollan a través de reuniones abiertas con intercambio libre de ideas de todos los niveles de administración y personas. La dificultad con este estilo abierto es que los niveles más bajos de los empleados se sienten intimidados por los niveles más altos de gestión.
Por ejemplo, un vendedor en una línea de productos en particular puede tener una buena estimación de la demanda futura de productos, pero puede no hablar para refutar una estimación muy diferente dada por el vicepresidente de marketing. Este defecto es corregido por el método de Delhi.
Cuando las decisiones de previsión se encuentran en una frontera y en un nivel superior, generalmente se utiliza el término 'Juicio Ejecutivo'. El término se explica por sí mismo porque implica un mayor nivel de gestión.
iv. Analogía histórica:
Una situación ideal sería que un producto existente o un producto genérico se pueda usar como modelo, mientras se intenta pronosticar la demanda de un nuevo producto. Hay muchas formas de clasificar tales analogías, por ejemplo, productos complementarios, sustitutos o productos y productos competitivos en función de los ingresos.
También es más claro en pedidos por correo o catálogos. Es muy natural que cuando compre un CD, a través del pedido por correo, esté seguro de recibir más y más correos que contengan información sobre CD y reproductores de CD.
Una relación casual es que la demanda de troqueles compactos se debe a la demanda de reproductores de CD. Una anología sería pronosticar la demanda de reproductores de discos de video digitales al analizar la demanda histórica de videograbadoras estéreo.
Los productos que se encuentran en la misma categoría general de productos electrónicos pueden ser comprados por consumidores a precios similares. Un ejemplo aún más simple puede ser de tostadoras y cafeteras. Una empresa que ya tiene producción de tostadoras y quiere producir cafeteras puede utilizar la historia de las tostadoras como un modelo de crecimiento probable.
v. Método Delphi:
El método de Delphi establece la limitación del método de Consenso del Panel en el sentido de que una declaración u opinión sostenida por los empleados de nivel superior se valora como más importante que los empleados de bajo nivel, aunque puede que no siempre sea así. Lo peor es que las personas de nivel inferior se sienten amenazadas y no contribuyen con sus verdaderos sentimientos o creencias.
El método Delphi elimina esto al ocultar la identidad de los individuos que participan en el estudio. Bajo este programa cada uno tiene igual peso-edad. En particular, un moderador crea un cuestionario y lo distribuye a los participantes.
Sus Reposiciones se resumen y se devuelven a todo el grupo junto con un nuevo conjunto de preguntas. El método Delphi fue desarrollado por Rand Corporation of America en la década de 1950.
Procedimiento involucrado en el método Delphi:
El procedimiento paso a paso involucrado en el método Delphi consiste en cinco pasos:
En primer lugar, elegir a los expertos para participar. Debe haber una variedad de personas informadas en diferentes áreas.
En segundo lugar, a través de un cuestionario o correo electrónico, obtenga pronósticos o cualquier premisa o calificación para los pronósticos de todos los participantes.
En tercer lugar, resuma los resultados y distribúyalos a los participantes junto con la nueva pregunta apropiada.
Cuarto, resuma nuevamente, refine los pronósticos y las condiciones, y nuevamente desarrolle nuevas preguntas.
Quinto, repita el paso cuatro si es necesario. Distribuir los resultados finales a todos los participantes.
La técnica Delphi generalmente puede lograr resultados satisfactorios en tres rondas. Lo requerido es una función de la cantidad de participantes, la cantidad de trabajo involucrado para que ellos desarrollen sus pronósticos y su velocidad de respuesta.
El método Delphi es un proceso para obtener el consenso de un grupo de expertos y mantener su anonimato. Esta forma de pronóstico es muy útil cuando no hay datos históricos para desarrollar modelos estadísticos, cuando el juicio u opinión, basados en la experiencia y el estudio del mercado, la industria o los desarrollos científicos, son las únicas bases para realizar proyecciones informadas.
El método Delphi se puede utilizar para desarrollar pronósticos a largo plazo de la demanda de productos y nuevas proyecciones de ventas de productos. Es justo a bueno identificar los puntos de inflexión en la demanda. Una de las aplicaciones más útiles para el método Delphi es la del pronóstico tecnológico.
La tasa de cambio tecnológico está aumentando mucho más rápidamente que nunca. La ciencia médica y la informática solo son los dos campos que están experimentando un cambio tecnológico explosivo.
El reemplazo del corazón humano de hígado tardío por un corazón mecánico y el hígado artificial se han convertido en un procedimiento médico aceptado.
Las computadoras se vuelven obsoletas poco después de su producción. Además, es posible una fábrica casi completamente automatizada. Por lo tanto, la pregunta es ¿qué sigue? Intentar responder a esa pregunta es el foco de la previsión tecnológica.
El método Delphi se puede utilizar para obtener una respuesta de consenso de un panel de expertos. Se les puede pedir a los miembros del panel que especifiquen los avances científicos que prevén, así como los cambios en las fuerzas ambientales y sociales, como la calidad de vida, las regulaciones gubernamentales y las acciones de los competidores.
El resultado de dicho proceso puede proporcionar una dirección definitiva para el personal de investigación y desarrollo de la empresa. La clave de la técnica Delphi radica en el coordinador y los expertos. Los expertos con frecuencia tienen diversos orígenes. Por lo tanto, dos médicos, un químico, un ingeniero eléctrico, un contador de costos, un experto financiero y un asistente de mercadeo podrían hacer un panel muy efectivo.
El coordinador debe ser lo suficientemente talentoso para sintetizar enunciados diversos y generalizados y llegar al conjunto estructurado de preguntas y pronósticos.
En resumen, el método de Delphi tiene un rango de precisión muy bueno tanto para el pronóstico a corto como para el largo plazo, aunque se necesita un mínimo de dos meses para desarrollar un pronóstico y una excelente coordinación entre los participantes y el coordinador del grupo.
B. Análisis de series de tiempo:
Los modelos de pronóstico de series de tiempo intentan predecir el futuro basándose en datos pasados. Por ejemplo, las cifras de ventas recopiladas para cada una de las últimas seis semanas pueden usarse para la séptima semana.
Del mismo modo, las cifras de ventas trimestrales recopiladas en los últimos años se pueden utilizar para pronosticar los trimestres futuros. Aquí, en ambos casos, las cifras de ventas son comunes, pero es probable que se utilicen diferentes modelos de series de tiempo de pronóstico, ya que el intervalo de tiempo difiere.
Es decir, en la forma más simple de análisis de series de tiempo, la única información utilizada es el registro histórico de la demanda.
El analista no está preocupado por los cambios en los factores externos e internos como se señaló anteriormente y asume que lo que ocurrió en el pasado continuará ocurriendo en el futuro.
Los métodos de análisis de series de tiempo se centran en el promedio, la tendencia y las características de influencia estacional de las series de tiempo. La tarea del analista es tratar de replicar estas características mientras se proyecta la demanda futura.
Las técnicas de las series de tiempo se explican con un ejemplo junto con la presentación gráfica :
I. Promedio móvil simple:
Si bien los promedios móviles están centrados, es más conveniente usar datos pasados para predecir el siguiente período directamente. Para tomar un caso simple, un promedio de cinco meses centrado de enero, febrero, marzo, abril y mayo da un promedio centrado en marzo. Sin embargo, todos los cinco meses de datos deben estar allí existentes.
Si nuestro objetivo es pronosticar para junio, debemos proyectar una media móvil, de algún modo, de marzo a junio. Si el promedio no está centrado pero está en el extremo delantero, se puede pronosticar más fácilmente, aunque se puede perder.
Un poco de precisión. Por lo tanto, si uno quiere pronosticar junio con un promedio móvil de cinco meses, puede tomar el promedio de enero, febrero, marzo, abril y mayo. Cuando pase junio, el pronóstico para julio sería el promedio de febrero, marzo, abril, mayo y junio.
La FÓRMULA para una media móvil simple es =
F 1 = A t - 1 + A t-2 + A t-3 + A tn / n
Dónde:
F 1 = Pronóstico para el próximo período
n = Número de períodos a promediar
A t-1 = ocurrencia real en el período pasado
A t-2, A t-3 y A tn = Ocurrencias reales en períodos, hace tres períodos y así sucesivamente hasta hace unos períodos.
El siguiente diagrama demuestra claramente los efectos de varias longitudes del período de media móvil. Es evidente que la tendencia de crecimiento se estabiliza alrededor de la semana 23.
El promedio móvil de TRES SEMANAS responde mejor en este cambio que el promedio de NUEVE SEMANAS, aunque en general, el promedio de nueve semanas es mucho más suave.
La principal desventaja al calcular un promedio móvil es que todos los elementos individuales deben ser datos transportados porque un nuevo período de pronóstico implica agregar nuevos datos y eliminar los datos más antiguos o el promedio móvil de tres o seis semanas, esto no es demasiado grave.
Sin embargo, la asignación de un promedio móvil de 60 para el uso de cada uno de los 20, 000 artículos en el inventario implicaría una buena información.
ii. Media móvil ponderada:
En el caso de una media móvil simple, otorga igual peso a cada componente de la base de datos de media móvil. A diferencia de esto, el promedio móvil ponderado permite colocar cualquier peso en cada elemento del curso, siempre que la suma de todos los pesos sea igual a 1. Por ejemplo, una tienda departamental puede encontrar que en un período de cuatro meses, se obtiene el mejor pronóstico. al usar el 40 por ciento de las ventas reales del mes más reciente, el 30 por ciento de hace dos meses, el 20 por ciento de hace tres meses y el 10 por ciento de hace cuatro meses.
Por lo tanto, la fórmula para el promedio móvil ponderado es:
F t = W 1 A t-1 + W 2 A t-2 + … + W n A tn
Dónde:
W 1 = Peso que se debe dar a la incidencia real para el período t — 1
W 2 = Peso que se debe dar a la incidencia real para el período t — 2
W n = Peso que se debe dar a la incidencia real para el período t — n
n = Número total de períodos en el pronóstico.
Lo que es importante tener en cuenta es que la suma de todos los PESOS DEBE SER IGUAL A 1, mientras que muchos períodos pueden ignorarse y el esquema de peso-edad puede estar en cualquier orden.
Es decir:
n∑i = 1 W i = 1
¿Cómo elegir los pesos?
Las formas más simples de elegir pesos son una rica experiencia y un buen ensayo y error. Como regla general, el pasado más reciente es el indicador más importante de lo que se puede esperar en el futuro y, por lo tanto, debería aumentar su peso.
El ingreso del mes pasado o la capacidad de la planta, por ejemplo, sería una mejor estimación para el próximo mes que el ingreso o la capacidad de la planta de hace varios meses.
Sin embargo, si los datos son estacionales, los pesos deben establecerse en consecuencia. Por ejemplo, las ventas de trajes de baño en julio del año pasado deberían ponderarse más que los trajes de baño en diciembre en la parte norte de la India. Es decir, el promedio móvil ponderado tiene una ventaja definida sobre el promedio móvil simple al poder variar los efectos de los datos pasados. Sin embargo, es más incómodo y costoso de usar que el método de suavizado exponencial.
iii. Suavizado exponencial:
El principal inconveniente en el caso de la media móvil simple y la media móvil ponderada es la necesidad de llevar continuamente una gran cantidad de datos históricos. Esto es igualmente cierto en el caso de las técnicas de análisis de regresión.
A medida que se agrega cada parte de los nuevos datos a estos métodos, se elimina la observación más antigua y se calcula la nueva previsión. En muchas aplicaciones, las ocurrencias más recientes son más indicativas del futuro que las del pasado más lejano.
Si esta premisa es válida de que la importancia de los datos disminuye a medida que el pasado se vuelve más lejano, entonces, el método más fácil de usar es el método más lógico y lógico. La razón por la que se llama "Alisado exponencial" se debe a que cada incremento en el pasado se reduce en (1 - a).
Si a es 0.05 por ejemplo, los pesos para varios períodos serían los siguientes:
Aquí, por lo tanto, los exponentes 0, 1, 2, 3, ... y así sucesivamente le dan su nombre. El suavizado exponencial es el más utilizado de todas las técnicas de pronóstico. Hay que decir que es una parte integral de prácticamente todos los programas de pronóstico computarizados y se usa ampliamente para ordenar inventarios en firmas minoristas, unidades mayoristas y agencias de servicio.
Por al menos SEIS RAZONES, las técnicas de suavizado exponencial se han vuelto más dignas de confianza.
Estos son:
(1) Los modelos exponenciales son muy precisos.
(2) La formulación de un modelo exponencial es relativamente fácil.
(3) El usuario puede entender cómo funciona el modelo.
(4) Se necesita un pequeño cálculo para usar el modelo.
(5) Los requisitos de almacenamiento de la computadora son pequeños debido al uso limitado de datos históricos y,
(6) Las pruebas de precisión en cuanto a qué tan bien se está desempeñando el modelo son fáciles de calcular. Bajo el método de Exponential Smoothening, solo se necesitan tres datos para pronosticar el futuro, a saber, el pronóstico más reciente, la demanda real que se produjo durante ese período de pronóstico y una constante de suavizado alfa (α).
Esta constante de suavizado determina el nivel de suavizado y la velocidad de reacción a las diferencias entre los pronósticos y las ocurrencias reales.
El valor de la constante se determina tanto por la naturaleza del producto como por el sentido del gerente de lo que constituye una buena tasa de respuesta. Por ejemplo, si una empresa produce un ítem estándar con una demanda relativamente estable, la tasa de reacción a las diferencias entre la demanda real y la pronosticada tendería a ser pequeña, por ejemplo, de 5 a 10 puntos porcentuales.
Sin embargo, si la empresa está experimentando un crecimiento, sería deseable tener una tasa más alta, por ejemplo de 15 a 30 puntos porcentuales, para dar mayor importancia a la experiencia de crecimiento reciente. Cuanto más rápido sea el crecimiento, mayor será la velocidad de reacción.
A veces, los usuarios de la media móvil simple cambian a un suavizado exponencial, pero prefieren mantener los pronósticos casi iguales a la media móvil simple. En este caso, el alfa (α) se aproxima a 2 + por (n + 1), donde 'n' es el número de períodos de tiempo.
La ecuación para un solo pronóstico de suavizado exponencial es:
F t = F t-1 + a (A t-1 - F t-1 )
Dónde:
F t = El pronóstico suavizado exponencial para el período t
F t-1 = El pronóstico de Exponencialmente suavizado realizado para el período anterior
A t-1 = La demanda real en el período anterior.
a = La tasa de respuesta deseada o la constante de suavizado.
Esta ecuación indica claramente que el nuevo pronóstico es igual al pronóstico anterior más una parte del error, que es la diferencia entre el pronóstico anterior y lo que realmente ocurrió, lo que algunos autores expresan "F t " en un promedio suavizado.
Para demostrar el método, supongamos que la demanda a largo plazo del producto en estudio es relativamente estable y que la constante de alisamiento (a) de 0.05 se considera aproximada. Si el método exponencial se usa como una política continua, se tendrá que hacer un pronóstico para el último mes.
Normalmente, cuando se introduce por primera vez un suavizado exponencial, el pronóstico inicial o el punto de partida se puede obtener utilizando una estimación simple o un promedio de los períodos precedentes, como el promedio de los primeros dos o tres períodos. Supongamos que el pronóstico del mes pasado (F t-1 ) fue de 1050 unidades.
Si realmente se demandaran 1000 unidades, en lugar de 1050 unidades, el pronóstico para este mes sería:
F t = F t-1 + a (A t-1 - F t-1 )
= 1050 + 0.05 (1000—1050)
= 1050 + 0.05 (—50)
= 1047.50 unidades
La reacción del nuevo pronóstico a un error de 50 unidades es disminuir el pronóstico del próximo mes en solo 2, 50 unidades debido a que el coeficiente de suavizado es pequeño.
Es importante tener en cuenta a este nivel que el suavizado exponencial único tiene el inconveniente de retrasar los cambios en la demanda. El siguiente diagrama presenta los datos reales trazados como una curva suave para mostrar los efectos retardados de los pronósticos exponenciales.
El pronóstico se retrasa durante un aumento, pero se sobrepasa cuando se produce un cambio en la dirección. Tenga en cuenta que cuanto mayor sea el valor de alfa, más estrechamente el pronóstico seguirá el real. Para seguir de cerca la demanda real, se puede agregar un factor de tendencia.
Ajustar el valor de alfa también ayuda. Esto se denomina "pronóstico adaptativo". Tanto los efectos de tendencia como el pronóstico adaptativo se explican brevemente para beneficio de los lectores.
Pronósticos exponenciales frente a las demandas reales de unidades de un producto a lo largo del tiempo que muestran la demora del pronóstico.
Efectos de la tendencia en el alisamiento exponencial:
Vale la pena recordar que una tendencia ascendente o descendente en los datos recopilados a lo largo de una secuencia de períodos de tiempo hace que el pronóstico exponencial siempre se sitúe por detrás de mayo por encima o por debajo de la ocurrencia real.
Los pronósticos suavizados exponenciales se pueden corregir de alguna manera agregando un ajuste de tendencia. Para corregir la tendencia, la ecuación de tendencia utiliza un delta “constante de suavizado” (δ) el delta reduce el impacto del error que se produce entre el real y el pronóstico.
Si no se incluyen tanto el Alfa como el delta, la tendencia reaccionaría en exceso a los errores. Para activar la ecuación de tendencia, la primera vez que se utiliza, el valor de la tendencia debe ingresarse manualmente. Este valor de tendencia inicial puede ser un resultado calculado o educado o un cálculo basado en los datos pasados observados.
La ecuación para calcular el pronóstico incluyendo la tendencia (FIT) es:
FIT = F t + T t
Tt = FIT t -1 + a (A t-1 )
Donde: T t = T t-1 + aδ (A t-1 )
Ft = el pronóstico exponencialmente suavizado para el período t.
T t = La tendencia exponencialmente suavizada para el período f.
FIT t = El pronóstico que incluye la tendencia para el período t.
FIT t-1 = La previsión incluida la tendencia realizada para el período anterior
En -1 = La demanda real para el período anterior.
α = constante de suavizado.
δ = Constante de suavizado.
Elegir el valor apropiado de alfa:
El suavizado exponencial requiere que la constante de suavizado alfa (a) tenga un valor entre 0 y 1. Si la demanda real es estable como se encuentra normalmente en el caso de los alimentos y la electricidad, se desearía un alfa pequeño para disminuir los efectos de corto plazo. o cambios aleatorios.
Por el contrario, si la demanda real está aumentando o disminuyendo rápidamente, como en el caso de los productos de moda y los pequeños electrodomésticos, a uno le gusta tomar grandes cantidades de alfa para tratar de mantenerse al día con el cambio. Sería ideal si uno pudiera predecir qué alfa debería usar. En este sentido, desafortunadamente dos cosas van en contra de quien está intentando.
Primero, tomaría un poco de tiempo determinar el alfa que mejor se ajustaría a los datos de uno. Esto sería demasiado tedioso para seguir y revisar.
En segundo lugar, la selección de esta semana puede necesitar una revisión en un futuro cercano porque las demandas sí cambian. Por lo tanto, uno necesita algún método automático para rastrear y cambiar los valores alfa de uno.
Pronóstico adaptativo:
Hay dos enfoques para controlar el valor de alfa. Uno usa varios valores de alfa; el otro utiliza una señal de seguimiento.
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 los diferentes valores de alfa. Si el error es grande, alfa es 0.8, si el error es pequeño, alfa es 0.2.
2. Valores calculados para alfa:
Un alfa de seguimiento calcula si la previsión se mantiene a la par con los cambios genuinos hacia arriba o hacia abajo en la demanda en lugar de los cambios aleatorios. En esta aplicación, el alfa de seguimiento se define como el error real exponencialmente suavizado dividido por el error absoluto exponencialmente suavizado. Alpha cambia de período a período dentro del rango posible de cero a uno.
Errores de pronóstico:
Cuando uno está usando la palabra 'error', se refiere a la diferencia entre el valor de pronóstico y lo que realmente ocurrió. En las estadísticas, estos 'errores' se denominan 'residuos'. Mientras el valor de pronóstico esté dentro de los límites de confianza, esto no es realmente un error. Sin embargo, el uso común se refiere a la diferencia como un error.
Es bien sabido que las demandas de un producto se generan a través de la interacción de una serie de factores que son demasiado complejos para describirlos con precisión en un modelo dado. Por lo tanto, todos los pronósticos ciertamente contienen algún error.
Mientras se analizan los errores de pronóstico, es conveniente distinguir entre “fuentes de error” y “medición de error”.
Fuentes de error:
Los errores pueden provenir de la variedad de fuentes. Una de las fuentes más comunes es que muchos pronosticadores desconocen sus tendencias pasadas en el futuro. Los errores pueden ser clasificados como sesgos o 'aleatorios'.
Los errores de sesgo ocurren cuando se comete un error consistente. Las fuentes de sesgo incluyen no incluir las variables correctas; utilizando las relaciones erróneas entre las variables; empleando la línea de tendencia incorrecta; cambiando erróneamente la demanda estacional desde donde normalmente ocurre, y la existencia de una tendencia secular no detectada. Los errores aleatorios se pueden definir como aquellos que no pueden explicarse por el modelo de pronóstico que se está utilizando.
Medición del error:
El grado de error se expresa en varios términos alternativos, como "error estándar", "error cuadrático medio", "varianza" y "desviación media absoluta" o "desviación absoluta media".
Además, las señales de seguimiento se pueden utilizar para indicar cualquier sesgo positivo o negativo en el pronóstico. Debido a que el error estándar es la raíz cuadrada de una función, a menudo es más conveniente usar la función en sí. Esto se denomina error cuadrático medio o varianza. Consideraremos la desviación media absoluta y la señal de seguimiento.
Enojado:
La DEVIACIÓN MEDIA ABSOLUTA (MAD) estuvo en boga en el pasado, pero posteriormente se ignoró en favor de la desviación estándar y las medidas de error estándar. En los últimos años, MAD ha regresado simplemente por su simplicidad y utilidad para obtener señales de seguimiento.
MAD es el error promedio en los pronósticos, utilizando valores absolutos. La MAD es valiosa porque mide la dispersión de algún valor observado de algún valor esperado, como el de la desviación estándar.
La MAD se calcula utilizando las diferencias entre la demanda real y la demanda prevista sin tener en cuenta el signo. Es igual a la suma de las desviaciones absolutas dividida por el número de puntos de datos.
La ecuación de MAD es:
Dónde:
t = Periodo de número
A = Demanda real del periodo.
F = Demanda pronosticada para el período
n = Número total de periodos
II = Un símbolo utilizado para indicar el valor absoluto sin tener en cuenta los signos positivos y negativos.
Cuando los errores que ocurren en el pronóstico se distribuyen normalmente, la desviación media (absoluta) se relaciona con la desviación estándar como:
1 Desviación estándar = √π / 2 x MAD, o aproximadamente 1.25 MAD.
A la inversa,
1 MAD = 0, 8 desviación estándar.
La desviación estándar es la medida más grande. Si se encontró que la MAD de un conjunto de puntos es de 60 unidades, entonces la desviación estándar sería de 75 unidades. De la manera estadística habitual, si los límites de control se establecieran en más o menos 3 desviaciones estándar o ± 3.75 MADs, entonces el 99.7 por ciento de los puntos caerían dentro de estos límites.
Señal de seguimiento:
Una "señal de rastreo" es una medida que indica si el promedio del pronóstico se mantiene al ritmo de cualquier cambio genuino hacia arriba o hacia abajo en la demanda. Como se usa en el pronóstico, la señal de seguimiento es el número de desviaciones absolutas medias que el valor del pronóstico está por encima o por debajo de la ocurrencia real.
La siguiente figura muestra una distribución normal con una media de cero y MAD igual a 1. Por lo tanto, si uno calcula la señal de seguimiento y la encuentra igual a menos 2, se puede ver que el modelo de pronóstico proporciona pronósticos que están bastante por encima. La media de las ocurrencias reales. Una señal de seguimiento (TS) se puede calcular utilizando las desviaciones de pronóstico de suma aritmética divididas por la desviación absoluta media
TS = RSFE / MAD
Dónde:
RSFE es la suma acumulada de errores de pronóstico, considerando la naturaleza del error. Por ejemplo, los errores negativos cancelan los errores positivos y viceversa.
MAD es el promedio de todos los errores de pronóstico sin tener en cuenta si la desviación es positiva o negativa. Es el promedio de las desviaciones absolutas.
Tomemos un caso práctico que aclara el procedimiento para calcular la MAD y la señal de viraje durante un período de seis meses. Cuando el pronóstico se ha establecido en una constante de 1.000 y se muestra la demanda real que se produjo.
Calculemos la desviación absoluta media (MAD), los errores de pronóstico de funcionamiento (RSFE) y el formulario de señal de seguimiento (TS).
Pronóstico y datos anuales los detalles se presentan en forma de un cuadro con cálculos como en:
Para el sexto mes TS = 400 ÷ 6 = 66.70
Para el sexto mes TS = RSFE / MAD = 22 / 66.70 = 3.30 MADs.
Podemos trazar las señales de seguimiento calculadas arriba en 4.6 que aparecerán como debajo.
Es evidente que a partir del gráfico anterior, el período involucrado es de seis meses en los que el pronóstico se había establecido en una cantidad constante de 1.000 unidades y las demandas reales que se han producido. El pronóstico, en este ejemplo, en un promedio, está desactivado en 66, 7 unidades y la señal de seguimiento ha sido igual a 3, 3 desviaciones absolutas medias. Uno obtiene una mejor idea de lo que significan la MAD y la señal de rastreo al trazar los puntos en una gráfica.
Aunque esto no es completamente legítimo desde el punto de vista del tamaño de la muestra, se grafica cada mes en la Fig. 3.18 para mostrar la deriva de la señal de rastreo. Vale la pena notar que se desvió de menos 1 MAD a más 3.3 MADs.
Esto sucedió porque la demanda real fue mayor que el pronóstico en cuatro de los seis períodos. Si la demanda real no cae por debajo del pronóstico para compensar la RSFE positiva continua, la señal de seguimiento continuaría aumentando y uno concluiría que suponiendo que una demanda de 1, 000 es un pronóstico malo.
Los límites aceptables para la señal de seguimiento dependen del tamaño de la demanda que se está pronosticando y de la cantidad de tiempo de personal disponible. La siguiente figura muestra el área del área de límites de control dentro de la cual para un rango de uno de los cuatro MAD.
Para continuar, en un modelo de pronóstico perfecto, la suma de los errores de pronóstico real sería cero; los errores que resultan en sobreestimaciones deben ser compensados por errores que surgen de subestimaciones. La señal de rastreo también será cero, lo que indica un modelo no sesgado, sin adelantar ni retrasar las demandas reales que se usa a menudo para predecir errores. Es deseable entonces hacer que el MAD sea más sensible a los datos recientes.
Una técnica muy útil para hacer esto es calcular un MAD suavizado exponencialmente como un pronóstico para el rango de error del siguiente período. El procedimiento es similar al del alisado exponencial simple. El valor del pronóstico de MAD es proporcionar un rango de error. Esto es más útil en caso de control de inventario al establecer niveles de stock de seguridad.
Entonces:
MAD t = a IA t-1 - F t-1 I + (1-a) MAD t-1
Dónde:
MAD t = Pronóstico MAD para el período 't
A = Constante de suavizado (normalmente en el rango de 0.05 a 0.20)
A t-1 = Demanda real en el período t — 1
F t-1 = Demanda del pronóstico para el período t — 1
iv. Análisis de regresión lineal:
La regresión es la relación funcional entre dos o más variables correlacionadas. Se utiliza para predecir una variable dada en la otra. La relación se suele desarrollar a partir de un dato observado.
Bajo el método, los datos deben representarse primero para ver si aparecen lineales o si al menos partes de los datos son lineales. La regresión lineal se refiere a la clase especial de regresión donde la relación entre las variables forma una línea recta.
La línea de regresión lineal de la forma Y = a + b X, donde Y es el valor de la variable dependiente, a es la intersección, b es la pendiente y X es la variable dependiente. En el análisis de series de tiempo, X es unidades de tiempo. La regresión lineal es muy útil para el pronóstico a largo plazo de las principales incidencias y la planificación agregada.
No puede haber mejor ejemplo que el pronóstico de la demanda de familias de productos. A pesar de que la demanda de productos individuales dentro de una familia puede variar durante un período de tiempo, la demanda de la familia total de productos es suave más allá de las expectativas.
La restricción básica en el uso del pronóstico de regresión lineal es, como sugiere su nombre, que se asume que los datos pasados y las proyecciones futuras se ubican aproximadamente en línea recta. Si bien esto limita su aplicación, a veces, uno usa un período de tiempo más corto, aún se puede usar la regresión lineal. Por ejemplo, puede haber segmentos cortos de un período más largo que sean aproximadamente lineales.
La regresión lineal se utiliza tanto para las series temporales como para el pronóstico de relaciones causales. Cuando la variable dependiente, es el análisis de series de tiempo. Si una variable cambia debido al cambio en otra variable, esta es la relación causal.
Para explicar el concepto, el siguiente ejemplo se usa para comparar los modelos de pronóstico y los tipos de análisis, por ejemplo, para ajustar una línea a mano, para el análisis de mínimos cuadrados.
Ajuste manual de una línea de tendencia:
En el caso de River Valley Products Limited, la línea de productos durante los 12 trimestres de los últimos 3 años fue la siguiente:
La compañía quiere pronosticar cada trimestre del cuarto año. Es decir, en los trimestres 13, 14, 15 y 16. Establezca una línea de tendencia ajustándola a mano con un simple globo ocular o una aproximación heurística ocular OHA.
El procedimiento en el ajuste de una línea de tendencia conjunto mano. Una es colocar una regla en los puntos de datos hasta que la línea parezca ajustarse bien y dibujar la línea. Esta línea es la línea de regresión. El siguiente paso es interceptar a y pendiente b.
Muestra la gráfica de los datos y la línea recta que se dibujó a través de los puntos. La intersección a, donde la línea corta el eje vertical, parece ser alrededor de 400.
El eje vertical parece ser alrededor de 400. La pendiente b es la "subida" dividida por la "carrera", el cambio en la altura de alguna parte de la línea dividida por el número de unidades en el eje horizontal.
Se pueden usar dos puntos cualquiera, pero dos puntos separados por cierta distancia dan la mejor precisión debido a los errores en la lectura de valores del gráfico. En la exposición anterior, al leer de los puntos de la línea, los valores de Y para el trimestre 1 y el trimestre 12 son aproximadamente 750 y 4950 rupias.
Por lo tanto:
b = (4950—750) / (12— 1) = 382
Por lo tanto, la ecuación de regresión de ajuste manual es:
Y = 400 + 382x
Los pronósticos para los cuatro trimestres 13, 14, 15 y 16 son:
Es muy importante tener en cuenta que estas previsiones se basan únicamente en la línea y no identifican ni ajustan elementos tales como elementos estacionales o cíclicos.
Lo que se hace anteriormente también se puede probar mediante el uso de LEAST SQUARE METHOD. La ecuación de mínimos cuadrados para la regresión lineal es la misma que se usa en la ilustración de ajuste manual anterior:
Y = a + be
Dónde:
Y = Variable dependiente calculada por ecuación
Y = El punto de datos de la variable dependiente real.
a = intersección con Y
b = Pendiente de la recta
x = período de tiempo.
Este método de mínimos cuadrados intenta ajustar la línea a los datos que minimiza la suma de los cuadrados de la distancia vertical entre cada punto de datos y su punto correspondiente en la línea. Los mismos datos se presentan en el siguiente diagrama que explica la magia del método de los mínimos cuadrados.
Si se dibuja una línea recta a través del área general de los puntos, la distancia entre el punto y la línea es y — Y. El diagrama de arriba muestra las diferencias. La suma de los cuadrados de las diferencias entre los puntos de datos trazados y los puntos de línea es:
(y -Y t ) 2 + (y 2 - Y 2 ) 2 +… (Y 12 -Y 12 ) 2
La mejor línea para usar es la que minimiza este total.
Como antes, la ecuación de línea recta es:
Y = a + bx
A partir de la gráfica se determinó tanto 'a como' b '.
En el método de los mínimos cuadrados, la ecuación para a y b 'son:
Dónde:
a = intersección con Y
b = Pendiente de la recta
Y = Promedio de todos ys
X = Promedio de todas las xs
x = x valor en cada punto de datos
y = valor de y en cada punto de datos
n = Número de puntos de datos
Y = Valor de la variable dependiente calculada con la
La tabla que detalla los cálculos realizados para 12 puntos en las Figuras 3.19 y 3.20. Tenga en cuenta que la ecuación final para Y muestra una intersección de 441.6 y una pendiente de 339.6. La pendiente muestra que por cada cambio de unidad en X esa Y cambia en 359.6.
Estrictamente basados en los pronósticos de ecuación para los períodos 13, 14, 15 y 16 son:
Y 13 = 441.6+ 359.6 (13) = 5116.4
Y 14 = 441.6 + 359.6 (14) = 5476.0
Y 15 = 441.6+ 359.6 (15) = 5835.6
Y 16 = 441.6+ 359.6 (16) = 6195.2
Antes de pasar al error estándar, deje que el lector se entere de los cálculos de los cálculos detallados anteriores, tal como se indica en el cuadro 4.11.
C. Pronóstico de relación causal:
Los métodos causales nos proporcionan las herramientas de pronóstico más sofisticadas. Se utilizan cuando los datos históricos están disponibles y se puede identificar la relación entre el factor a pronosticar y otros factores externos e internos. Estas relaciones se expresan en términos matemáticos que pueden ser muy complejas.
Los métodos causales son, con mucho, los mejores para predecir los puntos de inflexión en la demanda y preparar pronósticos a largo plazo. En otras palabras, para ser de valor para el pronóstico, cualquier variable independiente debe ser un indicador adelantado.
Por ejemplo, uno puede esperar que un período prolongado de días de lluvia en el aumento de las ventas de paraguas y chubasqueros. La lluvia provoca la venta de ropa de lluvia o equipo. Esta es una relación causal, donde una ocurrencia causa otra. Si el elemento causante está lo suficientemente adelantado, se puede utilizar como base para el pronóstico. Se utilizan varios métodos causales.
Sin embargo, el método más utilizado es la regresión lineal, que se explica en las siguientes páginas:
I. Método de regresión lineal:
La regresión lineal es uno de los métodos causales de pronóstico más conocidos. Este enfoque utiliza dos variables: dependiente e “independiente”. La variable dependiente, como la demanda o el costo, es la variable que el pronosticador desea pronosticar.
Se supone que las variables independientes afectaron a la variable dependiente y, por lo tanto, "causaron" los resultados observados en el pasado. El tiempo también puede ser una variable independiente como sustituto que representa un grupo no especificado de variables que contribuyen a las tendencias o patrones estacionales en los datos.
Para explicar el uso de la regresión lineal, aquí he usado el modelo más simple en el que la variable dependiente es función de una sola variable independiente.
Cualquier método de regresión lineal requiere que hipoteticemos una relación entre la variable dependiente y la variable independiente. En el caso más simple, suponemos que la relación sería una línea recta.
Por consiguiente, la fórmula es:
Y i = a + βX i + u i
Dónde:
Y i = el valor de la variable dependiente para la observación i.
X i = el valor de la variable independiente para la observación i.
a = la intersección en Y de la línea.
P = la pendiente de la recta.
u i = error aleatorio.
Aquí, no conocen los valores a 'y' β ', por lo que debemos estimarlos a partir de datos de muestra. Estos datos se utilizan para calcular 'a', la estimación de 'a' y 'β' de la utilización de una técnica de mínimos cuadrados.
El objetivo es encontrar valores de 'a' y que minimicen la suma de las desviaciones al cuadrado de los valores Y i reales de los valores estimados, o
Donde n es el número de puntos de datos en la muestra. El proceso de encontrar los valores de a y b que minimiza la suma de las desviaciones cuadradas es complejo; por lo que con el estado de la ecuación sólo como debajo de:
Vale la pena señalar aquí que los valores de a y b también minimizan la suma acumulativa de los errores de pronóstico, el error promedio (sesgo) y la desviación estándar de los errores de pronóstico. Sin embargo, no minimizan la desviación absoluta media popularmente llamada MAD.
El análisis de regresión puede proporcionar una guía útil para decisiones importantes de gestión de operaciones. Sin embargo, este enfoque es relativamente costoso debido a las grandes cantidades de datos necesarios para obtener relaciones de regresión lineal útiles.
ii. Análisis de regresión multiple:
Otro método de pronóstico es el análisis de Regresión múltiple en el que se consideran varias variables, junto con los efectos de cada una en el ítem de pronóstico. Por ejemplo, en el campo de los muebles para el hogar, los efectos del número de matrimonios, viviendas iniciadas, desechables, ingresos y la tendencia se pueden expresar en una ecuación de regresión múltiple, como
S = B + B m (M) + B h (H) + B t (T)
Dónde:
S = Ventas brutas del año.
B = Ventas base, un punto de partida a partir del cual otros factores.
M = Matrimonios durante el año.
H = La vivienda comienza durante el año.
I = renta disponible anual
T = tendencia temporal (primer año = 1, segundo = 2, tercero = 3 y así sucesivamente)
B m, B h y B t representan la influencia en las ventas esperadas de los miembros de matrimonios e inicios de vivienda, ingresos y tendencias.
El pronóstico por múltiples regresiones es un enfoque apropiado cuando una serie de factores influyen en una variable de interés en este caso, las ventas.
Su dificultad radica en la computación matemática. Afortunadamente, existen programas informáticos estándar para el análisis de regresión múltiple, que alivian la necesidad de un tedioso cálculo manual.
Elegir un método de pronóstico:
En este contexto, la primera pregunta que surge es si necesita un sistema de pronóstico. El sistema puede abarcar desde herramientas sencillas y económicas hasta programas extensos que requieren grandes compromisos de tiempo, tesoro y talento.
Una empresa utiliza la previsión en la planificación de su inventario y niveles de producción, así como para la dotación de personal y presupuestos de desarrollo de nuevos productos. A nivel del producto, es económico desarrollar pronósticos para desarrollar pronósticos utilizando un promedio móvil simple, un promedio móvil ponderado o un suavizado exponencial. Estos métodos se aplicarían a gran parte de los artículos de inventario estándar que lleva una empresa.
La elección de cuál de estos tres métodos usar se basa en las condiciones del mercado. Los promedios móviles ponderan de igual modo a cada período, los pesos de suavizado exponencial del pasado reciente y el promedio móvil ponderado permite que los pesos sean determinados por el pronosticador.
¿Cual es mejor? Una prueba sería usar cada método en datos de muestra y medir los errores utilizando MAD y RSFE como lo hicimos nosotros. En cualquier caso, todos los pronósticos se deben pasar al área apropiada para que alguien familiarizado con el producto ajuste o modifique el pronóstico.
Al utilizar el análisis de regresión, es fundamental asegurar que los datos se ajusten al modelo. Si no lo hacen, las exploraciones crearán errores graves. La opinión ejecutiva, la fuerza de ventas y la encuesta de clientes cerca del tope de la lista debido al énfasis del marketing y los valiosos indicadores de pronóstico son tendencias y participación de mercado.
Al comparar las firmas de manufactura y servicios, las firmas de manufactura tienden a ser más exhaustivas y brindan más interacciones en la circulación y el ajuste del pronóstico. Los pronósticos más significativos son las líneas de subproductos y los ciclos de vida del producto.
Los fabricantes tienden a usar técnicas más cuantitativas y están más satisfechos con el proceso de pronóstico. También tienden a calificar la previsión, así como el nivel de precisión más importante que la calificación de las empresas de servicios.
Las empresas de servicios tienden a involucrar a más personas en los pronósticos y tienen un mayor porcentaje de participación ejecutiva.
Las empresas de servicios también tienden a:
(1) Ver la media móvil ponderada como una técnica importante y
(2) Utilice el pronóstico subjetivo mucho más que los fabricantes. Debido a las diferentes técnicas que utiliza cada uno, las empresas de servicios también informaron que su proceso de pronóstico es más engorroso que el de los fabricantes. Además, las empresas de servicios están menos satisfechas con el pronóstico.
Pronóstico de enfoque:
El pronóstico de enfoque es el hijo del cerebro de Berine Smith. B. Smith lo utiliza principalmente en la gestión de inventario de productos terminados. El Sr. B. Smith fundamenta los sólidos argumentos de que los enfoques estadísticos utilizados en el pronóstico no dan los mejores resultados.
Afirma que las técnicas simples que funcionan bien con datos del pasado también son las mejores para pronosticar el futuro. ¿Qué es? ¿Y su metodología? "Enfoque de pronóstico" simplemente intenta varias reglas que parecen lógicas y fáciles de entender para proyectar datos pasados en el futuro. Cada una de estas reglas se usa en un programa de simulación por computadora para proyectar la demanda y luego medir qué tan bien se cumplió esa regla en comparación con lo que realmente sucedió.
Por lo tanto, los dos componentes del sistema de pronóstico de enfoque son:
(1) Varias reglas simples de pronóstico y
(2) Simulación por computadora de estas reglas sobre datos pasados.
Estas son reglas simples de sentido común, compuestas y luego probadas para ver si deben mantenerse. Los ejemplos de reglas de pronóstico simples podrían incluir:
(a) Lo que vendimos en los últimos tres meses es lo que probablemente venderemos en los próximos tres meses.
(b) Lo que se vendió en el mismo período de tres meses del año pasado, y probablemente se venda en ese período de tres meses de este año.
(c) Probablemente venderemos un 10 por ciento más en los próximos tres meses que lo que vendimos en los últimos tres meses.
(d) Probablemente venderemos un 50 por ciento más en los próximos tres meses que lo que vendimos durante los mismos tres meses del año pasado.
(e) Cualquier cambio porcentual que tengamos en los últimos tres meses de este año en comparación con los mismos tres meses del año pasado será probablemente el mismo cambio porcentual que tendremos en los próximos tres meses de este año.
Una cosa es segura de que estas reglas de pronóstico no son duras y rápidas. Si una nueva regla parece funcionar bien, se agrega. Si no lo hace, se elimina.
La segunda parte del proceso es la simulación por computadora. Para usar el sistema, un historial de datos debe estar disponible durante al menos 18 a 24 meses. El proceso de simulación, luego utiliza cada una de las reglas de pronóstico para predecir algunos datos pasados recientes. La regla que hizo mejor predecir el pasado es la regla utilizada para predecir el futuro.
Desarrollar un sistema de pronóstico de enfoque :
¿Cómo desarrollar un sistema de pronóstico de enfoque? Aquí hay algunas sugerencias o guías que ayudan a diseñar un sistema de pronóstico de enfoque. Estos son:
1. No intentes agregar el índice de estacionalidad:
Uno no debe agregar un índice de estacionalidad. Deje que el sistema de pronóstico descubra la estacionalidad por sí mismo, especialmente con elementos nuevos, ya que la estacionalidad puede no aplicarse hasta que la tubería se llene y el sistema esté estable. Las reglas de previsión pueden manejarlo.
2. No hagas caso omiso de las demandas inusuales:
Cuando un pronóstico suele ser alto o bajo, por ejemplo, dos o tres veces el período anterior, o el año anterior si hay estacionalidad, imprima un indicador como la letra 'R' que le dice a la persona afectada por esta demanda que lo revise. No solo ignore las demandas inusuales porque, de hecho, pueden ser cambios válidos en el patrón de demanda.
3. Fomentar la participación de los meteorólogos:
Deje que las personas que utilizarán los pronósticos, es decir, los compradores o los planificadores de inventario, participen en la creación de reglas. B. Smith juega su juego con todos los compradores de la compañía porque "uno no puede y no puede adivinar el pronóstico de enfoque".
El uso de datos de dos años y la previsión de 2000 elementos se centra en los pronósticos de los últimos seis meses. Se les pide a los compradores que pronostiquen los últimos seis meses usando cualquier regla que prefieran. Si son consistentemente mejores que las reglas de pronóstico existentes, sus reglas se agregarán a la lista.
4. Mantenga las reglas simples:
Al mantener las reglas simples, los usuarios de la previsión comprenderán y confiarán fácilmente, lo que aumenta el valor de la previsión de enfoque.
En pocas palabras, parece que el pronóstico de enfoque tiene un mérito significativo cuando la demanda se genera fuera del sistema, como en el pronóstico de la demanda de artículos finales, repuestos y materiales y suministros utilizados en una variedad de productos. También es económico, ya que B. Smith informa que la melodía de la computadora aparentemente no es muy grande ya que 1, 00, 000 artículos pronostican cada mes usando las reglas de oro de la predicción de enfoque.
D. Modelos de simulación:
Como se dijo anteriormente, los modelos dinámicos, usualmente basados en computadora, permiten que el pronosticador haga suposiciones sobre las variables internas y el entorno externo en el modelo. Muchos programas de pronóstico comercial están disponibles.
La mayoría están disponibles para microordenadores y utilizan bases de datos de trabajo en red compartidas. Las principales empresas de América como Wal-Mart ahora están usando programas que funcionan a través de Internet.
El futuro es mejorar los estándares de rendimiento y los paquetes se estandarizarán para satisfacer las necesidades específicas de los fabricantes y comerciantes en el pronóstico. Todas las fórmulas de pronóstico, excepto las más sofisticadas, son bastante fáciles de entender.
Cualquiera que pueda usar una hoja de cálculo como Microsoft Excel puede crear un programa de pronóstico en una computadora personal. Según el conocimiento que tenga la hoja de cálculo, se puede escribir un programa simple desde unos minutos hasta un par de horas. Cómo este pronóstico debe ser utilizado por la empresa podría ser el mayor desafío.
Si hay que pronosticar la demanda de muchos artículos, esto se convierte en un problema de manejo de datos, no en un problema en la lógica de pronóstico.
Diseñando el sistema de pronóstico:
El contenido de este capítulo sacó a la superficie el número de métodos y técnicas de pronóstico. El problema antes que el gerente es seleccionar un método mejor y adecuado para que pueda hacer pronósticos y pasar a la siguiente etapa de análisis de problemas de administración de operaciones.
Desafortunadamente, no es tan fácil como se dice. La elección más bien correcta de un método en particular es ciertamente un aspecto importante del diseño de un sistema de pronóstico, pero existen otras consideraciones importantes.
Al diseñar un sistema de pronóstico, el gerente debe decidir sobre:
(1) ¿Qué pronosticar?
(2) ¿Qué paquete de software usar para un programa computarizado?
(3) ¿Cómo puede el sistema ayudar a la toma de decisiones gerenciales?
Vamos a tocar estos tres puntos clave:
Decidir qué pronosticar:
Es bastante común escuchar a los gerentes de operaciones que dicen que se deben hacer pronósticos de demanda para todos los bienes o servicios producidos por sus compañías. A través de algún tipo de estimación de la demanda es necesaria para todos los artículos, puede ser más fácil pronosticar cierta agregación de los productos y luego derivar las previsiones de productos individuales.
También es importante seleccionar la unidad de medida correcta, ya que los pronósticos pueden ser tan importantes como elegir el mejor método. Esto debería considerar dos puntos, a saber, el nivel de agregación y las unidades de medida.
1. Nivel de Agregación:
En la práctica real, muy pocas empresas tienen errores de más del 5 por ciento en sus pronósticos de demanda total para todos los productos. Sin embargo, los errores en los pronósticos para artículos individuales varían de 100 por ciento a + 300 por ciento o más. Por lo tanto, cuanto mayor es la agregación, más precisos son los pronósticos.
Muchas compañías emplean un sistema de previsión de dos niveles en el que las previsiones se hacen por primera vez para 'familias de productos', un grupo de bienes o servicios que tienen requisitos de demanda similares y requisitos comunes de procesamiento, mano de obra y materiales.
Los pronósticos para artículos individuales se dividen de tal manera que su suma es igual al pronóstico total para la familia. Dicho enfoque mantiene la coherencia entre la planificación para las etapas finales de fabricación y la planificación a largo plazo para ventas, ganancias y capacidad.
Unidades de medida:
Los pronósticos que sirven como insumo para la planificación y el análisis de los problemas de operaciones son más útiles si se basan en unidades de producto en lugar de valores de rupia. Las previsiones de los ingresos por ventas no son muy útiles porque los precios pueden fluctuar, ya menudo lo hacen.
Por lo tanto, aunque las ventas totales en rupias pueden ser iguales de un mes a otro, el número real de unidades de demanda variará ampliamente.
El pronóstico del número de unidades de demanda y luego su conversión en estimaciones de ingresos de ventas por multiplicación suele ser un método mucho mejor. Sin embargo, puede suceder que no sea posible pronosticar el número de unidades de demanda de un producto.
Las empresas productoras de bienes o servicios a pedido del cliente, se enfrentan a este problema. En tales casos, es mejor, pronosticar la mano de obra estándar o las horas de máquina requeridas de cada uno de los recursos críticos, en base a patrones históricos. Para tales compañías, las estimaciones de horas de mano de obra o maquinaria son importantes para la programación y la planificación de la capacidad.
2. Seleccionando un paquete de software:
Siendo esta la era de la tecnología informática y la gran revolución de la información, muchos paquetes de software de pronóstico están disponibles para todos los tamaños de computadoras. Estos paquetes están disponibles para todos los tamaños de computadoras. Estos paquetes ofrecen una amplia variedad de capacidades de pronóstico y formatos de informe. Paquetes como el Sistema de pronóstico de servicios de tiempo de General Electric (GETSFS) e IBM.
El Sistema de Bienes de Consumo (COGS) y el Programa de Gestión de Inventarios y la Técnica de Control (IMPACT) contienen módulos de pronóstico utilizados por muchas empresas que cuentan con grandes instalaciones informáticas.
Desde la introducción de los microcomputadores, se han desarrollado numerosos paquetes de software para prácticamente todas las computadoras personales populares. Las aplicaciones van desde programas simples hasta programas muy sofisticados.
El precio de estos paquetes de microcomputadoras es una alternativa atractiva a los paquetes tradicionales de marco principal.
Teniendo en cuenta la rentabilidad de las técnicas, algunas son preferibles a corto plazo y otras a largo plazo. Por lo tanto, la selección del paquete de software de pronóstico es una decisión conjunta del gerente de marketing y el gerente de operaciones. O bien, un equipo puede ser estos representando departamentos importantes.
La selección final del paquete se basa en:
(1) ¿Qué tan bien el paquete satisface los requisitos y necesidades?
(2) El costo de comprar o arrendar el paquete.
(3) El nivel de apoyo administrativo requerido y
(4) La cantidad de período de mantenimiento del programador requerido.
3. Uso gerencial del sistema:
Hay dos aspectos importantes que deben mencionarse con respecto al uso del sistema de pronóstico computarizado:
(1) Los pronósticos de números únicos rara vez son útiles porque los pronósticos casi siempre son erróneos. Como resultado, los gerentes saben que si se trata de un solo número de demanda de producto pronosticada, la demanda real no será esa cifra. Por lo tanto, un enfoque mucho más útil es proporcionar al administrador un valor pronosticado y un rango de error, que se puede hacer usando MAD. Esta información ajustada le da al gerente una mejor idea de la incertidumbre en el pronóstico y le permite planificar mejor los inventarios, los niveles de personal y demás.
(2) Se ocupa de la cantidad esperada de interfaz de gestión con el sistema. Las señales de seguimiento deben calcularse para cada pronóstico y los mensajes deben generarse cuando las señales superan el rango seleccionado.
Los gerentes deben tener la autoridad para anular un pronóstico generado por computadora con un pronóstico propio o modificar el método utilizado cuando los cambios en el patrón de demanda lo exijan. Es decir, los gerentes deben tener plena libertad para utilizar cualquiera de los pronósticos, lo que les ayuda a ganar confianza en el sistema de pronóstico.
Por lo tanto, en conclusión, se puede decir que desarrollar un avance en el sistema de pronóstico no es fácil. Sin embargo, eso no es necesario, debe hacerse porque la previsión es fundamental para cualquier esfuerzo de planificación.
