Planeación de

la Producción

Luis Cervantes Pinzón, MEng

Ver el siguiente video:

https://www.youtube.com/watch?v=3cgn-PQEouc

¿Cual fue la necesidad, la solución, los retos y los resultados

que tuvo la empresa de cosméticos?
Planeación de la Producción

Recursos Producción Almacenamiento Clientes

y envío Demanda

Planeación -
Compras Mercadeo y
Programación Logística
y Control Ventas

Finanzas - TI - Gestión Humana - Calidad- Seguridad I.

Pronóstico de la Demanda
Pronóstico Clientes

Ventas

Inventario

Planeación Financiera - Planeación de Ventas -

Planeación de la Producción
 TIPOS DE DEMANDA

Demanda Dependiente

Demanda Independiente

Pasiva Activa
Composición de la demanda
 Composición de la Demanda

DEMANDA CÍCLICA DEMANDA ESTACIONAL

Elecciones Políticas, Tráfico, llamadas a Call Centers Es un Patrón que se repite cada 4 meses.
Productos de consumo en Verano, Invierno.
 Composición de la Demanda

PROCESO CONSTANTE PROCESO CON TENDENCIA

Productos Maduros y básicos Productos en tendencia: Tecnología

 Composición de la demanda

DEMANDA AUTOCORRELACIONADA

Los eventos están correlacionados con eventos anteriores.

Composición de la demanda
Pronósticos

Es la predicción de un evento futuro (Demanda) que da como resultado del estudio

y análisis de los datos históricos disponibles.
Tipos de Pronósticos
Estimaciones

Cualitativo
Juicios,
Opiniones

Pronóstico

Series de
tiempo
Cuantitativo
Regresión
Lineal
Pronósticos Cualitativos
1. Técnicas Acumulativas
Supuesto:
● El grupo de personas más cercana
al consumidor conoce sus
necesidades a futuro.

Se agrupa la información, y se escala

hasta llegar a todos los niveles de la
empresa. En nuestro caso llega a
Producción, será el input de nuestra
planeación de la Producción.
Pronósticos Cualitativos
2. Investigación de Mercados

● Compila datos para probar

hipótesis sobre el mercado:
nuevos productos, preferencias del
consumidor, entre otras.

Se hacen encuestas, entrevistas y los

resultados se usan para hacer
pronósticos de ventas de productos
existentes y de nuevos.
Pronósticos Cualitativos
3. Grupos de consenso

● Se busca obtener un intercambio

libre de ideas donde participa
desde el ejecutivo hasta el
vendedor y los clientes para hacer
pronósticos de ventas.

Se hacen reuniones abiertas y libres

participativas. El problema con esta
técnica es que los niveles más bajos se
pueden sentir intimidados y pueden
sesgar los resultados.
Pronósticos Cualitativos
4. Método de Delfos

● Es similar la técnica de consenso

sin embargo, este método busca la
libertad entre el intercambio de
ideas entre altos, medios y bajos
mandos.

Se hacen al menos 3 rondas de

encuestas y entrevistas. A todas las
respuestas se les da la misma
ponderación.
Pronósticos Cuantitativos

1. Series de Tiempo
● Buscan predecir el futuro con base a información pasada.

● Hay diferentes modelos de series de tiempo para hacer

pronósticos.

Dependiendo del horizonte de tiempo, la disponibilidad en los datos,

la exactitud, el presupuesto y recursos que se dispongan se elegirá
el tipo de modelo a usar.

El de corto plazo: aleatoriedad.

El de mediano plazo: factores estacionales.
El de largo plazo: tendencias generales
Pronósticos Cuantitativos
Promedio Móvil Simple
● Demanda no crece ni baja con rapidez.
● Demanda no presenta estacionalidad
● Horizonte de tiempo corto o mediano

Es un método a corto plazo que controla los factores de

aleatoriedad.

● Si se utiliza un horizonte de tiempo menor se manifestara

la tendencia, habrá oscilación.
● Si se utiliza un tiempo mayor habrá menos oscilación y la
tendencia se retrasará.
Pronósticos Cuantitativos
Promedio Móvil Simple
Fórmula:
Pronósticos Cuantitativos
Promedio Móvil Simple - Ejemplo 1

Queremos predecir la demanda de computadores en la

empresa MSFT en los siguientes horizontes de tiempo:

● Promedio Móvil de 3 semanas

● Promedio Móvil de 9 semanas.

Si ya pasaron las 30 semanas del período pronosticado, evalúe

ambos pronósticos vs real. ¿Cual de los dos horizontes es más
recomendable?
Pronósticos Cuantitativos
Promedio Móvil Simple - Ejemplo 1
Pronósticos Cuantitativos
Promedio Móvil Simple - Ejemplo 1

El promedio de movimientos de 3 semanas responde mejor, sin embargo el de 9 es más uniforme.

Pronósticos Cuantitativos

B. Promedio Móvil Ponderado (PMP)

Este método asigna una ponderación a cada elemento, la suma de las
ponderaciones debe ser igual a 1 o al 100%. La experiencia y las pruebas nos
ayudarán a obtener esta ponderación.
Ejemplo 2 Una tienda de Ropa desde pronosticar sus ventas para el mes 5. Debidos a otros estimados
el departamento de ventas encontró que para poder hacer la mejor estimación debe usar el 40% de las
ventas reales del mes anterior, 30% de hace 2 meses, 20% de hace tres meses, y 10% de hace cuatro
meses.
Pronósticos Cuantitativos

B. Promedio Móvil Ponderado

Ejemplo 2

Fórmula PMP
Pronósticos Cuantitativos
C. Suavización Exponencial (SE)
SE es una de las técnicas más usadas para hacer pronósticos siempre y
cuando la demanda sea estacionaria.

La desventaja de los métodos anteriores (PM-PMP) es que se necesita

manejar de forma continua gran cantidad de datos históricos.

Supuesto SE

● No se le da tanto peso a la información histórica, sólo se utiliza la

información más reciente para hacer el pronóstico y es a la que se le
da mayor peso. El peso está determinado por un coeficiente Alpha
(α).
 Pronósticos Cuantitativos
C. Suavización Exponencial (SE)

Para aplicar este método voy a necesitar 3 componentes:

1. El pronóstico más reciente (𝐹𝑡−1 )

2. La demanda real que ocurrió en el período del pronóstico más reciente (𝐴𝑡−1 )
3. Una constante de uniformidad Alpha (α)

La constante α nos indica el nivel de uniformidad y la velocidad de reacción ante las diferencias entre el
pronóstico y lo real. Es decir nos indica la diferencia entre lo pronosticado y lo real.

Escogencia del α

● Si una empresa tiene un producto maduro con una demanda estable , el índice Alpha debería ser
pequeño en 5% y 10%.
● En cambio, si la empresa presenta un crecimiento mayor es preferible colocar un Alpha más alto
entre 15% y 30%.
Pronósticos Cuantitativos
C. Suavización Exponencial (SE)
Fórmula

donde,

Esta fórmula nos indica que el pronóstico para el próximo período es igual al
anterior más una porción del error.
Pronósticos Cuantitativos
C. Suavización Exponencial (SE)
Ejemplo 3

Se tiene una demanda estable y una constante de suavización α de 0,05. El

pronóstico del mes pasado fue de 1050 unidades. Si la demanda real fue de
1000, cuál debería ser la demanda para este mes:

R/ 1047,5 unidades
Pronósticos Cuantitativos
C. Suavización Exponencial (SE)
Pronósticos Cuantitativos
C. Suavización Exponencial (SE)
Efectos de la tendencia en la SE:

Una tendencia hacia arriba o hacia abajo hace que el pronóstico exponencial
se quede por arriba o por debajo del real.

Este efecto se puede corregir por medio de ajustes a las tendencias. Para
realizar este ajuste recurriremos a otra constante de suavización llamada
delta (δ)

La constante delta nos ayuda a reducir el error de

tendencia.
Pronósticos Cuantitativos
C. Suavización Exponencial (SE) - Efectos de la tendencia
Pronósticos Cuantitativos
C. Suavización Exponencial (SE) - Efectos en la tendencia
Ejemplo 4

R/ 121.3
Pronósticos Cuantitativos
C. Suavización Exponencial (SE)
Bondades del modelo de SE

1. Precisión
2. Modelo fácil de entender y de formular
3. Requiere pocos cálculos
4. Requerimientos de almacenamiento bajos ya que se necesitan menos datos
5. Incorpora factores de tendencia, constante de suavización delta
6. Incorpora una corrección del error con respecto a los datos reales : alpha
Error
El Error hace referencia a la diferencia entre el valor real de la demanda y el pronóstico realizado. Si el
pronóstico se encuentra de los límites de confianza este no se considera un Error.

Error Sesgado

Fuentes de Error
No se incluyen las variables correctas, o se coloca la línea de tendencia incorrecta

O hay un cambio incorrecto en la demanda estacional

Error Aleatorio

Son aquellos que no se pueden explicar por medio del modelo de pronóstico.
Medición de Errores
Se usan 2 indicadores que nos hacen una señal de rastreo del Error en el
pronóstico. Estos nos revelaran algún sesgo positivo o negativo en nuestro
pronóstico :MAD y TS

1. Desviación Absoluta Media (MAD)

Este indicador nos mide la dispersión de un valor observado en relación con el valor esperado
(pronóstico).

A hace referencia At La demanda por cada período y F a Ft El pronóstico hecho por cada período.
Medición de Errores
Ejemplo 5

Tenemos los siguientes datos reales de la demanda y su valor pronosticado.

Calcule el índice MAD.
Medición de Errores
Ejemplo 5: MAD: 153
MAD y Desviación Estándar
Si los errores siguen una distribución Normal. Entonces, el índice de dispersión
MAD se relaciona con la Desviación Estándar:

1 Des. Standar = 1,25 MAD

1 MAD = 0,8 Desv. Estandar.

Ejemplo 6

Calcule la Desv. Estandar :

Para MAD: 1, 2, 3, 4
2. Señal de Seguimiento - Error
Este indicador nos muestra si el Pronóstico sigue el camino de un cambio hacia
arriba o hacia abajo en la demanda.

TS=RSFE/MAD

Calcule para los siguientes datos Datos el Índice de Seguimiento TS:

2. Señal de Seguimiento - Error
Este indicador nos muestra si el promedio pronosticado sigue el camino de un
cambio hacia arriba o hacia abajo en la demanda.

TS=RSFE/MAD
Regresión Lineal Simple
Este método es útil para pronosticar series de tiempo con tendencia lineal.

Se pronostica una Variable dependiente con una variable independiente (tiempo).

El tiempo tendrá una relación lineal con la dependiente (demanda), por esta razón
es necesario graficar los datos previamente.

La recta de la RLS sigue la siguiente ecuación:

• Para estimar esta relación es necesario calcular los parámetros:

Intercepto con el eje y de la línea de tendencia

Pendiente de la línea de tendencia lineal

Regresión Lineal Simple (RLS)
Comportamiento de las ventas de bicicletas durante 12 años (Ejemplo 8)
Serie de tiempo -Bicicletas
34

32

30

28

26

24

22

20
0 2 4 6 8 10 12
Regresión Lineal Simple (RLS)
Ecuación de la línea de tendencia lineal:

Para resolverla usamos el método de mínimos cuadrados, minimiza la diferencia entre los puntos de
demanda y la línea recta.
Regresión Lineal Simple (RLS)
Ventas (en Pronóstico Ventas Bicicletas
Año miles)
38
t Yt
36
1 21.6
2 22.9 34
3 25.5 32
4 21.9 30
5 23.9 28
6 27.5
26
7 31.5
24
8 29.7
9 28.6 22
10 31.4 20
0 2 4 6 8 10 12 14 16

Para resolverla usamos el método de mínimos cuadrados, minimiza la diferencia entre los puntos de
demanda y la línea recta. (Ejemplo 8)
Regresión Lineal Simple (RLS)
Error estándar del estimado:

Me indica que tanto se adapta la recta a los datos.

Ejemplo: Calcule el error estándar del estimado para el ejercicio de bicicletas entre el período 1 y 10.
Pronósticos Cuantitativos
¿Cómo selecciono el modelo adecuado?