INGENIERIA INDUSTRIAL

INGENIERA CIVIL INDUSTRIAL

MENCION TI

M. Sc. Felipe Ulloa Fierro

f.ulloa.fierro@gmail.com
felipe.ulloaf@docente.uss.cl

Fechas

Calendarizacin de Actividades del Curso

12-03-2016

Unidad 1: Introduccin a la Produccin

19-03-2016

Unidad 2: Introduccin a Diseo de Sistemas Productivos

26-03-2016

02-04-2016

Caso Prctico Nmero 1: Diseo de Sistemas Productivos

09-04-2016

Unidad 3: Introduccin a la Planificacin de la Produccin - Pronsticos

16-04-2016

Unidad 3: Pronsticos

23-04-2016

Control 1: Pronsticos - Unidad 3: Inventarios

30-04-2016

Control 2: Inventarios - Unidad 3: Planificacin Agregada de la Produccin

07-05-2016

Control 3: Planificacin Agregada de la Produccin - Unidad 3: Planificacin Maestra de la Produccin

14-05-2016

Control 4: Planificacin Maestra de la Produccin - Unidad 3: Planificacin de Requerimiento de Materiales

21-05-2016

28-05-2016

Control 5: Planificacin de Requerimiento de Materiales - Unidad 3: Planificacin al detalle

04-06-2016

Control 6: Planificacin al Detalle - Unidad 4: Introduccin a la Gerencia de Proyectos

11-06-2016

Caso Prctico Nmero 2: Administracin de Proyectos con MS Project

18-06-2016

Unidad 5: Introduccin a la Adminsitracin y Control de Calidad

25-06-2016

Control 7: Control Estadstico de Procesos - Control Recuperativo

02-07-2016

Repaso General del Curso

09-07-2016

Prueba Final

16-07-2016

23-07-2016

Prueba de Recuperacin

30-07-2016

Examen Ordinario

06-08-2016

Examen Extraordinario

Unidad III
PRONSTICOS
Planificacin y Programacin de las
Operaciones

Objetivos de Aprendizaje
1. Entender el papel del pronstico en SCM.
2. Identificar los componentes del pronstico de
la demanda.
3. Pronosticar demanda de una cadena de
suministros dada la informacin histrica de la
demanda, empleando metodologas de series de
tiempo.
4. Analizar los pronsticos para estimar el error
de los mismos.

Pronsticos en SC.
Base de toda planificacin en la SC.
Caso Coca-Cola.
rea comercial, decide con base en el pronstico,
lanzar promociones para su prximo trimestre.
Actualizar la demanda segn lo anterior es esencial
para la seccin de embotellado.
Decisiones de capacidad y de produccin.

Productos maduros con demanda estable, son

fciles de pronosticar.
Qu pasa cuando es altamente impredecible la
oferta de materia prima (commodity) ?

Pronsticos en SC
Los bienes de moda y altamente tecnolgicos
son difciles de pronosticar.
Clave es un buen pronstico.
Si se produce mucho, o muy poco, existen
escasas posibilidades de recuperarse.
En contraste, para artculos con demanda
estable, el impacto de un error en el
pronstico es menos significativo.

Caractersticas de los pronsticos

Los pronsticos siempre estn equivocados y por tanto se
debe incluir el valor esperado del pronstico como medida
de error mismo.
Ej: Considere dos distribuidores de autos A y B
A: Espera que las ventas flucten entre 100 y 1900 unidades.
B: Espera que las ventas flucten entre 900 y 1100 unidades.
Cmo deberan ser las polticas de adquisicin de cada
distribuidor si en promedio prevn las mismas ventas?
La mayora de las compaas no mantienen ningn
estimado del error del pronstico.

Caractersticas de los pronsticos

Los pronsticos de largo plazo son menos precisos que
los de corto plazo.
Desviacin estndar mayor respecto a la media.

Caso
Seven-Eleven
Japn:
Proceso
de
reabastecimiento para surtir pedidos.
Si se coloca un pedido a las 10 am, este se entrega a
las 7 pm del mismo da.
Por lo tanto, se pronostica lo que se vender esa
noche, 12 horas antes de la venta real.
Qu ventaja tiene el tiempo de espera corto?
Considerar informacin actual.
Mayor precisin que si tuviera que pronosticar con mayor
tiempo de anticipacin.

Caractersticas de los pronsticos

Pronsticos agregados son ms precisos que los
desagregados.
La desviacin estndar del error respecto a la media
es menor.

Es fcil pronosticar el PIB (muchas compaas) de

USA para cierto ao con un error menor al 2%.
Es difcil pronosticar el ingreso anual de una
empresa (muchas lneas de productos) con ese
error y an ms difcil pronosticar el ingreso de
un producto dado, con ese grado de precisin.

Caractersticas de los pronsticos

En general, mientras ms lejos del consumidor
una empresa de la cadena est, mayor ser la
distorsin de informacin que recibe.
El mejor y clsico ejemplo de esto es el efecto
ltigo.
Pronsticos colaborativos con base en las
ventas al cliente, ayudan a las empresa de ms
arriba de la cadena a reducir el error de
pronstico.

Componentes de un pronstico
La demanda no surge de la nada.
Las empresas deben identificar una serie de
factores que influyen sobre los clientes.
Estudiar la relacin demanda-factores.
Nuestro
enfoque
ser en
mtodos
cuantitativos, pero es bueno incluir el aspecto
humano al pronosticar.
Caso Seven Eleven.

Factores que alteran la demanda

Demanda Pasada.
Tiempo de entrega del producto.
Publicidad planeada o campaas de marketing.
Estado de la economa.
Descuentos de precios planeados.
Acciones que los competidores han tomado.
Entre otros.

Clasificacin de mtodos de
pronsticos
1. Cualitativos: Ms subjetivos y apoyados por juicios
humanos. Sirven en ausencia de informacin histrica,
pocos datos o resultados de un estudio de mercado que
afecte al pronstico. Pueden ser tiles para pronosticar
a varios aos en una nueva industria.
2. Series de tiempo: Utilizan la demanda histrica para
pronosticar. Se basan en el supuesto de que la demanda
pasada es buen indicador para demanda futura. Sirven
cuando los patrones de demanda no varan
significativamente entre periodos. Son mtodos fciles
de implementar.

Clasificacin de mtodos de
pronsticos
3. Causales: Suponen que el pronstico est altamente
correlacionado con ciertos factores ambientales (economa,
tasas de inters, etc). Por ej. La fijacin de precios de los
productos, esta fuertemente correlacionada con la
demanda, por ende, se usan estos mtodos para
determinar el impacto de promociones de precios.
4. Simulacin: Buscan imitar las elecciones del cliente que
dan origen a la demanda para llegar a un pronstico.
Combina los mtodos de series de tiempo y causales para
responder a preguntas tipo, qu pasara si? Ej: Las
aerolneas simulan comportamiento de compra de clientes
para pronosticar demanda de asientos de tarifa alta,
cuando no hay disponibilidad de los de tarifa baja.

Caractersticas de los pronsticos

Es difcil decidir cul mtodo es el ms apropiado
para pronosticar. Emplear mltiples mtodos de
pronsticos para crear un pronstico combinado es
mucho ms efectivo que emplear cualquier otro en
solitario.
En cualquier mtodo de pronstico existe siempre el
elemento aleatorio que no puede ser explicado con
los patrones de la demanda histrica.
Demanda Observada (O) = componente sistemtico (s)
+ componente aleatorio (r)

Caractersticas de los pronsticos

El componente sistemtico (s) mide el valor esperado
de la demanda a partir del estudio de las formas de las
series de tiempos.
El componente aleatorio (r) es la parte que se desva
de la parte sistemtica, no se pronostica, sino que se
busca aminorar.
El objetivo del pronstico es filtrar y eliminar el
componente aleatorio (ruido) y estimar el componente
sistemtico. El error de pronstico va a medir la
diferencia entre lo pronosticado y lo que actualmente
se tiene.

Componentes de las series de tiempo

Con frecuencia se realizan
observaciones de datos a travs del
tiempo.
Cualquier variable que conste de
datos reunidos, registrados u
observados sobre incrementos
sucesivos de tiempo se denomina
serie de tiempo.

Una serie de tiempo consta de datos que se renen,

registran u observan sobre incrementos sucesivos de
tiempo.

Cmo entender el comportamiento de una serie de

tiempo?
Existen dos mecanismos principales:
1. La descomposicin clsica es un
mtodo que se basa en la
suposicin de que se pueden
descomponer en componentes
como tendencia, ciclo,
estacionalidad e irregularidad.

Una prediccin se hace

mediante la combinacin de
las proyecciones de cada
componente individual.
2. Otro enfoque, denominado anlisis
de autocorrelacin, tambin se
puede emplear para identificar
componentes y patrones de datos.

La tendencia de una serie de tiempo es el componente de

largo plazo que representa el crecimiento o disminucin en
la serie sobre un periodo amplio
Muchas variables
macroeconmicas, como el
Producto Nacional Bruto (PNB),
el empleo y la produccin
industrial estn dominadas por
una fuerte tendencia.
Las fuerzas bsicas que ayudan a
explicar la tendencia de una serie
son el crecimiento de la
poblacin, la inflacin de precios,
el cambio tecnolgico y los
incrementos en productividad.

El componente cclico es la fluctuacin en forma de onda

alrededor de la tendencia.

Esta fluctuacin es afectada por lo regular por las condiciones

econmicas generales.
Los patrones cclicos tienden a repetirse en los datos
aproximadamente cada dos, tres o ms aos.
Es comn que las fluctuaciones cclicas estn influidas por
cambios de expansin y contraccin econmica, a los que
comnmente se hace referencia como el ciclo de los negocios.

El componente estacional es un patrn de cambio que se

repite a s mismo ao tras ao
En el caso de las series
mensuales, el
componente estacional
mide la variabilidad de las
series cada enero, febrero,
etc.
En las series trimestrales
hay cuatro elementos
estacionales, uno para
cada trimestre.
La variacin estacional
puede reflejar condiciones
de clima, das festivos o la
longitud de los meses
calendario.

El componente aleatorio mide la variabilidad de las series

de tiempo despus de retirar los otros componentes

Contabiliza la variabilidad aleatoria ocasionada por factores

imprevistos y no recurrentes.
La mayora de los componentes irregulares se conforman de
variabilidad aleatoria.
Sin embargo, ciertos sucesos a veces impredecibles como huelgas,
cambios de clima (sequas, inundaciones o terremotos), elecciones,
conflictos armados o la aprobacin de asuntos legislativos, pueden
causar irregularidades en una variable.

Medicin de Error en el
Pronstico

Notacin

Se han ideado diversos mtodos para resumir los errores

generados por una tcnica particular de pronstico.
La mayora de estas mediciones implican promediar alguna
funcin de la diferencia entre el valor real y su valor de
pronstico.
A menudo se denominan residuales a estas diferencias
entre valores observados y los valores de pronstico.

Un residual es la diferencia entre un

valor real y su valor de pronstico.

Desviacin Absoluta de la Media (DAM)

Mide la precisin de un pronstico mediante el promedio de

la magnitud de los errores de pronstico (valores absolutos de
cada error).
La DAM resulta de gran utilidad cuando el analista desea
medir el error de pronstico en las mismas unidades de la
serie original.

Error Medio Cuadrado (EMC)

Cada error o residual se eleva al cuadrado; luego, estos

valores se suman y se divide entre el nmero de
observaciones.
Este enfoque penaliza los errores mayores de pronstico ya
que eleva cada uno al cuadrado.
Esto es importante pues en ocasiones pudiera ser
preferible una tcnica que produzca errores moderados a
otra que por lo regular tenga errores pequeos, pero que
ocasionalmente arroje algunos en extremo grandes.

Porcentaje de Error Medio Absoluto (PEMA)

En ocasiones, resulta ms til calcular los errores de pronstico

en trminos de porcentaje y no en cantidades.
Este enfoque es til cuando el tamao o magnitud de la variable
de pronstico es importante en la evaluacin de la precisin del
pronstico.
El PEMA proporciona una indicacin de qu tan grandes son los
errores de pronstico comparados con los valores reales de la
serie.
Tambin se puede utilizar el PEMA para comparar la precisin de
la misma u otra tcnica sobre dos series completamente
diferentes

Porcentaje Medio de Error (PME)

A veces resulta necesario determinar si un mtodo de

pronstico est sesgado (pronstico consistentemente alto
o bajo).
Si un enfoque de pronstico no est sesgado, la ecuacin
producir un porcentaje cercano a cero.
Si el resultado es un porcentaje negativo grande, el mtodo
de pronstico est sobrestimando de manera consistente.
Si el resultado es un porcentaje positivo grande, el mtodo
de pronstico est subestimando en forma consistente

Mtodos de Pronsticos

 Para que no exista duplicidad de contenidos

con otros ramos, es que dejaremos de lado los
mtodos de:
Medias Mviles.
Regresin Lineal.

Mtodos de Suavizamiento
(Atenuacin) Exponenciales
Suavizamiento Exponencial Simple ()
Suavizamiento Exponencial Doble o Mtodo
de Holt. (, ) con ajuste de tendencia.
Suavizamiento Exponencial Triple o Mtodo
de Holt-Winters. (, , ) con ajuste de
tendencia y estacionalidad.
0 , , 1

Suavizamiento Exponencial Simple

(ajusta el nivel)

Dnde:

+1 = +
+1 = +
+ = +
+1 = .
= .
= .
= .

El Suavizado Exponencial asigna ponderaciones exponenciales crecientes. hay

un nico parmetro de suavizado (> ) a ser determinados (o estimados) y
estas seleccin determina las ponderaciones asignadas a las observaciones.

Suavizamiento Exponencial Doble o

Mtodo de Holt (con ajuste de tendencia)
Requiere de la especificacin de dos constantes de suavizamiento:
: Suaviza el valor de la serie (promedio-estacionario)
: Suaviza la tendencia (pendiente de los datos)
*Pueden ser el mismo valor, pero en la mayora de los casos se da
mayor estabilidad al estimado de la pendiente (tendencia) que al
de la constante de nivel, es decir , y ambos mayores que cero.
Se necesitan dos parmetros para la estimacin del pronstico,
estos son (inicializacin del mtodo):
0 =
0 = ()

Suavizamiento Exponencial Doble o

Mtodo de Holt (con ajuste de tendencia)
= + 1 1 + 1
= 1 + (1 ) 1

+ = +
: Parmetro que representa el nmero de periodos
hacia adelante para los cuales quiero pronosticar.

Ejemplo
Demanda
Meses
Observada
Enero
142
Febrero
150
Marzo
151
Abril
159
Mayo
149
Junio
163
Julio
162
Agosto
171
Septiembre
162

Suavizamiento Exponencial Triple o Mtodo de HoltWinters (con ajuste de tendencia y estacionalidad)

Los pronsticos de Suavizamiento Doble, no
consideran la componente de estacionalidad que
puede aparecer en los datos.
El mtodo Holt-Winters es una extensin del
modelo doble y considera 3 contantes.
En la mayora de problemas prcticos, el factor
estacional se considera multiplicativo (como un %
del promedio)

Holt-Winters

=
+ 1 1 + 1

= 1 + (1 ) 1
=

+ (1 )

+ = ( + ) +

Mtodo Holt-Winters
Para poder aplicar este mtodo, es necesario
tener disponibles dos estaciones de datos (2p).
Supondremos que el periodo actual es 0, con lo
cual las demandas histricas de las dos
estaciones
las
rotularemos
como
2+1 , 2+2 , , 0
Al igual que el mtodo de Holt, este mtodo
requiere de un proceso de inicializacin
necesario para poder aplicarse.

Inicializar el mtodo
1. Calcular por separado la media de cada estacin de datos:

2. Definir 0 , como el estimado inicial del factor de tendencia

(pendiente).
Si existiesen s>2 estaciones de datos disponibles
para la inicializacin, entonces calcular 1 , , como en el
paso 1 y definir 0 como:

Inicializacin del mtodo

3. Estimar el valor de nivel inicial de la serie de tiempo:

4. Los factores estacionales iniciales se calculan para cada periodo

del cual tenemos datos disponibles, y despus se promedian para
obtener un conjunto de factores estacionales. Los factores
estacionales iniciales se calculan como:

Donde i=1 para la primera estacin, i=2 para la segunda estacin y

j es el periodo de la estacin

Inicializacin del mtodo

5. Promediar los factores estacionales. Asumir que existen
exactamente dos estaciones de datos iniciales:

6. Normalizar los factores estacionales. (Estos factores siempre

deben sumar p):

Ejemplo
Supongamos que el historial de demanda real de cierto artculo
en los ltimos ocho trimestres es: 10, 20, 26, 17, 12, 23, 30, 22.
35

30

25

20
Demanda Real
15

10

0
trim. 1

trim. 2

trim. 3

trim. 4

trim. 1'

trim. 2'

trim. 3'

trim. 4'

Ejemplo
Utilice el mtodo de Holt-Winters para:
Predecir las demandas para el ao actual.
Predecir las demandas para los trimestres
anteriores sabiendo que las constantes de
suavizacin que debe usar son:
= 0.2 ,
= 0.1 ,
= 0.1
Estimar el error absoluto medio (MAD)

Ejemplo
Primero, verifiquemos el nmero de estaciones
que tienen los datos.
Luego,
aplicamos
el
procedimiento
de
inicializacin.
Pronosticamos para los 4 trimestres actuales.
Pronosticamos para todos los trimestres
anteriores para poder estimar el error absoluto
medio del mtodo.