Documenti di Didattica
Documenti di Professioni
Documenti di Cultura
PRONÓSTICOS DE DEMANDA
3.1 INTRODUCCIÓN
Poder estimar cuál será la demanda para períodos futuros en la cadena de suministro, es la
tarea a desarrollar en este capitulo. Particularmente, en una empresa que comercializa
productos de consumo masivo, definir cuales pueden ser los requerimientos futuros de
productos es de suprema importancia y en este caso particular, donde se posee un extenso
portafolio de artículos bastante grande, el no tener un valor acertado de la demanda futura
puede ocasionar que con mucha facilidad varios ítems se agoten y/o que algunos otros se
queden abarrotados, generando bajos niveles de servicio y/o un incremento en los niveles
de inventarios. Para poder determinar cuál debe ser el valor del inventario, es fundamental
predecir cual será la demanda que tendrán en un futuro los ítems de este portafolio de
productos. A esta predicción se le denomina “pronóstico de demanda”.
Existen muchas técnicas para determinar la demanda futura, las cuales van desde simples
promedios o números basados en conocimientos empíricos hasta sofisticadas técnicas
matemáticas desarrolladas con la ayuda de herramientas de procesamiento de información
y cálculo computacional. La selección de la técnica de pronósticos a implementar depende
de la complejidad que exista en el manejo de la información y el recurso económico
disponible para invertir en sofisticados equipos y programas de computación.
Para la empresa objeto de este estudio, debido al gran volumen de información que se
maneja es fundamental que se adopte tecnología de punta para el manejo en “tiempo real”
de la información y por supuesto, que se implementen modelos de pronósticos de demanda
apropiados, siendo este último, uno de los objetivos propuestos en este proyecto.
Figura 7. Información Global sobre Demanda en sistema bodega y N puntos de venta (Fuente:
Adaptada de Silver, E. A., Pyke D. F. y Peterson R., Inventory Management and Production
and Scheduling, tercera edición, John Wiley & Sons, New York, 1998, Pág. 490)
6
MOINZADEH, Kamran. A Multi-Echelon Inventory System with Information Exchange. Management
Science INFORMS. Vol. 48, No. 3, p. 414–426. March 2002.
7
SILVER, OP. Cit. P. 11, 12.
*
Por sus nombres aceptados internacionalmente. ECR, es utilizado para determinar estrategias logísticas en
la cadena, VMI, es utilizado como herramienta, para que el proveedor administre los inventarios de sus
clientes y EDI es la transmisión de información común entre la empresa y sus proveedores.
34
En cuanto a los beneficios internos que se obtienen en la cadena de suministro por
conocimiento global de la demanda se pueden mencionar los siguientes, incremento en el
nivel de servicio al cliente, reducción del efecto Bullwhip, mejora en el clima
organizacional al poder tomar decisiones con información apropiada, mejor coordinación
logística en las actividades de flujo de productos y por supuesto reducción en los costos.
DATOS
HISTÓRICOS Posible modificación del
modelo o sus parámetros
Selección e
inicialización del
modelo
MODELO
MATEMATICO
Demanda real observada
Pronóstico
INTERVENCIÓN
HUMANA estadístico
CÁLCULO DE
PRONÓSTICO ERRORES DE
DE DEMANDA PRONÓSTICO
35
el error del pronóstico mínimo deberá ser seleccionado. Una vez esté el modelo en marcha,
se debe continuar calculando el error del pronóstico, con el fin de tomar decisiones, tales
como revisar los parámetros con que trabaja el modelo y/o reemplazar el modelo por uno
más eficiente o tomar decisiones administrativas, o sea, intervenir el modelo, para afectar
una situación particular. Finalmente, se calcula nuevamente el pronóstico para un próximo
período y este proceso se repite a lo largo del tiempo.
Este es el primer paso para determinar los pronósticos de demanda. En el desarrollo de esta
fase, se solicitó información acerca de la demanda histórica de cada ítem, como un registro
de ventas por ítem para cada punto de venta consolidados día a día. Esta información es
muy importante para la selección del modelo matemático que se va a seguir, pero, es de
anotarse que, hacia el futuro, los datos de ventas se deben complementar con la información
de la demanda no servida. Aunque, la medición de la demanda no servida es una actividad
que aparentemente no genera beneficio alguno es fundamental, ya que el promedio
histórico de la demanda se reduce y por lo tanto, cuando el modelo seleccionado genere un
pronóstico será de un valor inferior y a su vez, así será la provisión del ítem que se haga
para satisfacer a la demanda, corriéndose el riesgo de que se generen agotados en los
puntos de venta. Por otro lado, la entidad encargada de determinar la cantidad a ordenar, lo
hará con un pronóstico bajo y por lo tanto habrá un riesgo futuro de agotados en la bodega.
Otra situación que suele ocurrir en la medición de la demanda no servida, es ingresar por
nerviosismo u otra circunstancia datos inflados de esta. El efecto que se produce es
contrario, abarrotando demasiado los puntos de venta y realizando compras por encima de
lo necesario. Por estas situaciones, se debe generar al interior de la organización la cultura
necesaria para la medición correcta y a tiempo de la demanda no servida.
El período del pronóstico se refiere a la unidad básica de tiempo para la cual se realiza el
pronóstico.
36
El intervalo del pronóstico es la frecuencia con que se efectúan los nuevos pronósticos y
generalmente coincide con el período.
En la descripción hecha del sistema actual se mostró que la empresa realiza despachos a los
puntos de venta, basándose en una meta, la cual de alguna manera se convierte en el
pronóstico de venta para el período, que aunque no se mencionó, está definido para un día.
El horizonte de planeación dependiendo del punto de venta, puede ser de 2, 3 ó 4 días (ya
que para algunos puntos de venta los despachos se hacen 2 ó 3 veces por semana) y el
intervalo del pronóstico se puede decir que es de 2, 3 ó 4 días dependiendo del punto de
venta; esto no es exactamente lo que se espera de un sistema de pronósticos.
Por lo anterior, se debe definir primero cuál es el período del pronóstico. Para ello se
realizó una visita a la bodega, a fin de observar de manera preliminar como se realizan los
despachos a los puntos de venta, observándose que en muchos ítems solo se despachan a lo
sumo algunos SKUs, efectuando posiblemente en algunas veces un trabajo adicional al
tener que desempacar de su embalaje al ítem. Esta observación sugiere por lo tanto que, en
vez de realizar despachos 2 y 3 veces por semana, reducirlos a un solo despacho semanal
puede ser más apropiado. Se sugiere establecer el período del pronóstico igual a una
semana.
Los datos recibidos se tabularon en su totalidad por punto de venta y se graficaron para
observar su patrón de comportamiento.
Siguiendo la metodología sugerida por, Silver, Pyke y Peterson8, para lograr pronósticos
estadísticos en series de tiempos**, se sugiere seguir los siguientes pasos:
Se debe tener en cuenta, que, por tener un gran volumen de ítems en lo posible se tratará de
seleccionar modelos que sirvan para pronosticar la demanda de la mayoría de estos, ya que
*
Se decide tomar una muestra del 20% porque a “juicio de los expertos” una muestra del 20% puede ser
representativa de la población total de ítems clasificados como A en la cadena.
8
SILVER, OP. Cit. P. 82, 83.
**
La información histórica de datos de demanda, es considerada como una serie de tiempo
37
no es de manejo práctico el tener muchos modelos; además, la demanda de los ítems es
dinámica y una demanda en particular podría cambiar su patrón de comportamiento
quedando el modelo sin aplicación. Esto genera la continua revisión de los modelos, labor
bastante dispendiosa. En otras palabras, el beneficio de tener muchos modelos, no
necesariamente justificaría el costo de administrar un sistema de inventarios con tantos
ítems.
Los ítems clasificados como B, presentan datos de demanda con volúmenes bajos, en su
mayoría se observan demandas semanales de poco valor y en algunos casos son frecuentes
valores de cero “0”, dejando la duda acerca de que exista la probabilidad de la no medición
correcta de la demanda no servida, motivo por lo que se debe hacer un esfuerzo mayor en la
consecución de esta información. Además, se puede notar que en las líneas de tendencia
(graficadas mediante el programa Excel), la pendiente que muestran es muy poca, de tal
forma que se presume una gran estabilidad para estos ítems (Ver anexos 2, 3 y 4 que
presentan gráficas de patrones de demanda por cada punto de venta piloto) .
A los ítems clasificados como C, esta revisión exhaustiva no se realizó, ya que se sugiere
por parte de diversos autores, realizar un control más sencillo por un lado y por otro lado,
es un número considerable de ítems, que, demandaría un esfuerzo bastante alto su revisión
sin un beneficio razonable. Por lo anterior, de acuerdo a diversos autores se sugiere elegir
un modelo bastante sencillo para la estimación de la demanda.
Para definir el modelo que pronostica la demanda de los ítems clasificados como A o B
algunos autores sugieren utilizar modelos matemáticos tales como, promedios móviles,
suavización exponencial simple y doble y para los ítems clasificados como C, utilizar
modelos sencillos como el promedio móvil.
Para los ítems nuevos, clasificados en una categoría nueva E, en los que no existe
información histórica de demanda, no se conocen modelos matemáticos sugeridos. Más
adelante, se presentará un modelo heurístico para determinar el pronóstico de la demanda
38
durante la primeras semanas hasta que se obtenga información histórica de la suficiente
para realizar un pronóstico matemático.
El análisis gráfico de los patrones de demanda y la información brindada por los individuos
pertenecientes a la organización, permitieron reducir el modelo, ya que se pudo determinar
que no existen elementos cíclicos ni estacionales, de tal forma que se puede rescribir el
modelo de demanda mediante la siguiente expresión:
Existe una gran variedad de modelos matemáticos que pronostican la demanda y que
responden a la expresión de la ecuación (3,2). La selección del modelo apropiado para este
caso de investigación particular, depende del resultado de cuatro características, la
precisión del modelo, el costo de adoptar e implementar el modelo, la utilidad de los
resultados y la estabilidad y respuesta del modelo.
*
Tomado de Silver, Op Cit. Cap. 4 P 81.
39
Figura 9. Componentes de un modelo de series de tiempo para pronosticar la demanda
Donde,
et : Error del pronóstico, para el período t
xt : valor real de la variable demanda en el período t
x̂ t : Pronóstico para el período t, estimado con anticipación
Para obtener mejor información acerca de la precisión del modelo, se han incluido otros
indicadores que han demostrado ser más efectivos, tales como:
)
Error absoluto et = xt − xt (3.4)
40
) 2
Error cuadrático e 2 t = ( xt − xt ) (3.5)
donde, Error absoluto es el valor absoluto del error sin signo y error cuadrático, es el error
elevado al cuadrado. En ambas ecuaciones se elimina el problema del signo.
∑X t − Xˆ
Desviación absoluta media MAD = t =1
(3.6)
n
∑ (X t − Xˆ)2
Error cuadrático medio ECM = t =1
(3.7)
n
Así entonces, en el ejemplo anterior la MAD tiene un valor de tres unidades y el ECM un
valor de 9 unidades.
Por otro lado, el análisis de los errores es un indicador que muestra la variabilidad de la
demanda con respecto a un promedio y esta información es útil al momento de establecer
los inventarios de seguridad, como se expresará más adelante.
La información del error, es también una herramienta importante en las decisiones a tomar
por parte del personal que administra el modelo, ya que ésta permite indicar si el modelo
está por fuera de control estadístico. La decisión acerca del modelo matemático que se va a
seleccionar, depende de los siguientes factores.
• La utilidad de los resultados. Se espera que los resultados obtenidos, sirvan para
establecer un sistema de control de inventarios que se pueda aplicar a la cadena de
abastecimiento de la empresa.
41
• La estabilidad y respuesta del modelo. Como se mencionó anteriormente, el
comportamiento de la demanda es dinámico, lo que significa que es cambiante con el
tiempo y por lo tanto, se requiere un modelo de pronósticos de demanda que permita
adaptarse a los constantes cambios de una forma rápida y flexible.
Los siguientes son datos de demanda semanal utilizados para la construcción y evaluación
de los modelos:
217 104 93 208 113 150 113 142 135 174 123 234 240 98 177
119 161 155 84 47 217 104 93 208 113 150 113 142 135 174
104 233 203 117 90 104 145 108 131 121 126 92 127 117 88
114 99 122 96 84 64 117 127 92 80 105 121 99 120 50
Este modelo se sugiere utilizar en aquellos casos donde la demanda tiene patrones de
comportamiento estables, con poca o ninguna tendencia. Estos modelos responden a la
forma:
Demanda en el periodo t X̂ = a + ε (3.8)
*
Como la demanda real ya ocurrió, se pretende crear un pronóstico de ésta, a fin de comparar los resultados
obtenidos contra los datos reales y así para este caso particular, calcular los indicadores de eficiencia MAD y
ECM del modelo.
42
Análogamente, se puede obtener el valor del operador Mt, como un estimador del parámetro
a en el que solo se ha determinado darle un peso igual a los últimos N períodos y un valor
de 0 a los t-N+1 períodos. Este operador se expresa mediante la ecuación:
Mt =
( X t + X t −1 + X t − 2 + L + X t − N + 1 ) (3.11),
N
El valor del parámetro a para un período t cualquiera en función del operador anterior se
puede expresar así:
M t = M t −1 +
(X t − X t−N ) (3.12).
N
El valor de N usualmente es un valor pequeño, para darle un mayor peso a los últimos datos
observados, lo que significa que el modelo podría responder mejor a los cambios de la
demanda.
Utilizando la expresión de la ecuación (3.12) se puede construir en una hoja de cálculo una
simulación, para evaluar con datos reales las bondades de este modelo, en cuanto a
pronosticar la demanda de cualquier ítem de la cadena.
43
Los siguientes datos de la simulación se calculan de igual forma. En la Figura 10, se puede
observar como el promedio móvil estima la demanda a lo largo de varios períodos futuros.
Obsérvese que el patrón de la demanda corresponde a un ítem relativamente estable, con
una pequeña tendencia decreciente, también, se puede observar cómo el modelo de
promedio móvil sigue el comportamiento de la tendencia de la demanda.
250
200
150
100
50
0
1 3 5 7 9 11 13 15 17 19 21 23 25 27 29 31 33
Semanas
La Tabla 4 muestra los datos históricos de la demanda, el pronóstico para cada período, el
cálculo de los tres tipos de error y al final de la tabla los indicadores MAD y ECM, para el
ejercicio planteado. Los valores de obtenidos de la MAD 27 y el ECM 1292, serán la base
para comparar este modelo con los otros modelos y poder determinar cuál es el que mejor
pronostica la tendencia de la demanda*.
Este modelo, al igual que el promedio móvil se utiliza en aquellos casos en que se puede
determinar que la demanda posee patrones de comportamiento estables con poca o ninguna
tendencia. De igual forma que en promedio móvil, se puede modelar mediante la ecuación
(3.8).
44
exactitud razonable. En este método, el operador utilizado para estimar el valor de a es
nombrado St, y se calcula mediante la siguiente expresión:
St = αX t + (1 − α )St −1 (3.13)
donde:
St: Operador para estimar el valor a o el pronóstico de la demanda X̂ t+1, realizado al
final del período t+1.
45
Xt: Demanda real observada al final del período actual t.
S t = αX t − αS t −1 + S t −1 = S t −1 + α ( X t − S t −1 ) (3.14)
Partiendo de la ecuación (3.13), se puede reemplazar el valor de St-1 por una expresión
basada en el pronóstico anterior St-2, y así sucesivamente como se muestra a continuación:
S t = αX t + (1 − α )[αX t −1 + (1 − α ) S t − 2 ]
= αX t + α (1 − α )X t −1 + (1 − α ) St − 2
2
t −1
E ( S t ) = α ∑ (1 − α ) k Ε( X t − k ) + (1 − α ) t S 0
k =0
cuando t es bastante grande (1-α)t tiende a cero y el valor esperado de Xt-k es a, se calcula
el límite cuando t tiende a infinito, quedando la expresión como sigue:
46
∞
lim E(S t ) = αa ∑ (1 − α )
k
T →∞
k =0
1
= αa (3.16)
α
=a
de igual forma se puede demostrar que la varianza de St, es:
α
Var (S t ) =
2
σε (3.17)
2−α
47
Nótese, que el resultado de optimizar α , mejora el valor del ECM, pasando de 1291.863 a
1245.173 y que este resultado es un poco mejor que el obtenido mediante el procedimiento
de promedio móvil, aunque su comparación directa no es muy pertinente, debido a que
promedio móvil no se realizo con diferentes valores de N.
Item Item S. Simple S.E. Simple Error Error Abs Error Cuad
48
La Figura 11, representa el comportamiento del pronóstico de demanda realizado con
suavización exponencial simple con el parámetro α = 0.185987 que optimiza el modelo
versus la demanda. Obsérvese el comportamiento del pronóstico similar a la línea de
tendencia trazada.
49
Figura 11. Pronóstico de demanda realizado con suavización exponencial simple (modelo
optimizado) versus la demanda.
250
200
Unidades
150
100
50
0
1 3 5 7 9 11 13 15 17 19 21 23 25 27 29 31 33
Semanas
Las técnicas promedio móvil y suavización exponencial simple sirven para modelar el
comportamiento de la demanda en las situaciones en las que esta presenta tendencias poco
marcadas, pero, los productos a lo largo de su ciclo de vida presentan diferentes fases como
crecimiento, estabilidad y declive y en algunos casos pueden volver a crecer y/o declinar, lo
que implica cambios constantes en las tendencias. Es decir, la demanda de un producto
puede presentar crecimientos y decrecimientos a lo largo del tiempo, para lo cual, las
técnicas descritas anteriormente muy posiblemente no permiten al modelo reaccionar
rápidamente ante los cambios de tendencia en la demanda cuando esta se presenta; la
suavización exponencial doble por su parte, si permite reaccionar a los constantes cambios
de la demanda.
X t = a + bt + ε t
donde, el valor esperado del pronóstico Xt, se expresa como una función del tiempo como
sigue:
Ε( X t /t ) = a + bt
50
2
y ε es el componente aleatorio con valor esperado Ε(ε) = 0 y varianza V(t) = σ ε ,
asumiéndose que la varianza permanece constante en el tiempo. A continuación se presenta
el desarrollo presentado en el capitulo cuatro del libro de Montgomery*.
k =0
cuando t → ∞, β = 0 , se obtiene,
t
∞ ∞
Ε(S t ) = (a + bt)α ∑ β k − α ∑ kβ k
k =0 K =0
(3.19)
β
= a + bt − b
α
como Ε( X t ) = a + bt , entonces se reemplaza para obtener
β
Ε(S t ) = Ε(X t ) − b (3.20)
α
La ecuación anterior muestra que el valor esperado de St, es el valor esperado de Xt,
restándole una fracción de b, que esta relacionada con el valor de α, es decir que la
información es afectada por una fracción igual a ( β α )b .
Con los resultados anteriores se enuncia el modelo suavización exponencial doble, el cual
es el modelo de la suavización exponencial simple, presentado en la ecuación (3.13), y que
se le aplica nuevamente suavización, presentándose la siguiente expresión:
= αS t + (1 − α )St[−2 ]1
[2 ]
St (3.21),
[2 ]
donde St es un nuevo operador que calcula el pronóstico de la demanda para el próximo
período. En forma análoga a (3.20) se obtiene,
[2 ] β
Ε(S t ) = Ε(S t ) − b (3.22),
α
despejando b se obtiene,
α
b = Ε(St ) − Ε St
β
[2 ]
[ ( )] (3.23),
*
Este desarrollo lo presenta Montgomery, Op Cit. Capítulo 4, P 89 – 92.
51
α [2 ]
bˆ(t) = (St − St ) (3.24),
β
entonces de las ecuaciones (3.20) y (3.23), se obtiene
β α
Ε(X t ) = Ε(St ) + * Ε(S t ) − Ε S t
α β
[
[2 ]
( )]
[2 ]
= 2Ε(St ) − Ε(St )
por lo tanto, un estimador razonable de Ε( X t ) , realizado al final del período t, puede ser
[2 ]
Xˆ t = 2 S t − S t (3.25),
ahora, se puede expresar el pronóstico de τ períodos futuros como el pronóstico del período
t mas la tendencia b multiplicada por número τ de períodos futuros que se desee pronosticar
Xˆ t + τ (t) = Xˆ t + τb(t)
= 2St − St
[2 ]
+τ
α
β
(
St − St
[2 ]
)
ατ ατ [2 ]
= 2 + St − 1 + St
β β
) ατ ατ [2 ]
X t+τ = 2 + St − 1 + St (3.26),
1− α 1− α
) α α [2 ]
X t + 1, t = 2 + St − 1 + St (3.27)
1−α 1−α
Los valores iniciales de los operadores S0 y S0[2 ] , se pueden determinar mediante dos
métodos, uno de ellos es definir los valores de S0 y S0[2 ] en el origen del tiempo y el otro,
trasladar el origen un número de períodos τ hacia adelante. En cualquiera de los dos casos
en necesario determinar la ecuación de la línea recta que estima los valores de Xt, la cual
tiene la forma:
52
X = a + bt (3.28),
donde,
aˆ =
(∑ X ∑ t ) − (∑ t )(∑ t X )
i i
2
i i i
(3.29),
n∑ ti − (∑ ti )
2 2
bˆ =
∑ X n − aˆ i
(3.30).
∑t n i
Con los valores obtenidos de aˆ y bˆ , ya se pueden aplicar cualquiera de los dos métodos.
Se asume que el valor de Xt, es el intercepto en el eje de las ordenadas, o sea â y se expresa
así:
53
Aplicando este método al caso anterior se obtienen los siguientes resultados iniciales para
S0 y S0[2 ] los cuales se calculan así, utilizando un α igual a 0.03262*:
1 − 0.03262
S0 = 152.7095 − * ( −0.5228)
0.03262
= 168.23
1 − 0.03262
S0[2 ] = 152.7095 − 2 * * ( −0.5228)
0.03262
= 184.04
Este procedimiento se repite hasta llegar al período 31, donde estaría el nuevo origen. Los
datos obtenidos de S t y S t[2 ] , en este período son de 150.40 y 167.17.
La Tabla 7, muestra los 31 valores que toman los operadores S t y S t[2 ] a lo largo de los 31
períodos.
Para el caso que se está analizando, t toma el valor de 31. Utilizando los valores obtenidos
en la regresión, se calculan los valores de S0 y S0[2 ] , como sigue:
1 − 0.03262
S0 = 152.7195 + ( −0.5281) * 31 − * ( −0.528) = 152.01 y,
0.03262
*
El valor de α igual a 0.03262 es escogido a conveniencia, porque, es el valor que optimiza el modelo de
pronósticos basado en suavización exponencial doble.
54
[2 ]
Tabla 7. Valores de S0 y S0 , desde el origen original del tiempo hasta el
registro en que se va a realizar el cálculo del pronóstico de la demanda.
Const. a Coef. b
152,71954 -0,5281
1 217 168,382296 184,0451
2 104 166,28 183,4656
3 93 163,89 182,8271
4 208 165,33 182,2564
5 113 163,62 181,6486
6 150 163,18 181,0461
7 113 161,54 180,4099
8 142 160,90 179,7737
9 135 160,06 179,1306
10 174 160,51 178,5234
11 123 159,29 177,8960
12 234 161,73 177,3686
13 240 164,28 176,9417
14 98 162,12 176,4582
15 177 162,60 176,0063
16 119 161,18 175,5227
17 161 161,18 175,0547
18 155 160,97 174,5954
19 84 158,46 174,0692
20 47 154,83 173,4416
21 217 156,86 172,9006
22 104 155,13 172,3209
23 93 153,10 171,6941
24 208 154,90 171,1462
25 113 153,53 170,5715
26 150 153,41 170,0118
27 113 152,10 169,4274
28 142 151,77 168,8513
29 135 151,22 168,2762
30 174 151,96 167,7440
31 104 150,40 167,1782
1 − 0.03262
S0[2 ] = 152.7195 + ( −0.5281) * 31 − 2 * ( −0.528) = 167.67
0.03262
Obsérvese que para cualquiera de los dos métodos, el valor de inicio de los operadores
S t y S t[2 ] , es muy similar, lo cual indica que cualquiera de los dos métodos se puede
emplear.
55
0.03262 0.03262
Pr onóstico(1 ) = 2 + * 152.01 − 1 + * 167.67 ≅ 136
(1 − 0.03262 ) (1 − 0.03262 )
0.03262 0.03262
Pr onóstico(2 ) = 2 + * 154.65 − 1 + * 167.24 ≅ 142
(1 − 0.03262 ) (1 − 0.03262 )
La Tabla 8 muestra los resultados obtenidos para el ítem del ejemplo anterior; el valor de
α =0.03262 utilizado es el que resulta después de optimizar el modelo, se puede observar el
valor de ECM igual a 1238.61. La Figura 12, representa el comportamiento del pronóstico
realizado con suavización exponencial doble versus la demanda.
Figura 12. Comportamiento del pronóstico realizado con suavización exponencial doble
versus la demanda, para el modelo optimizado.
P r o n ó s tic o d e d e m a n d a - m o d e lo s u a v iz a c io n e x p . d o b le
dem anda S u a v. e xp . d o b le L . te n d e n c ia d e m a n d a
250
200
Unidades
150
100
50
0
1 3 5 7 9 11 13 15 17 19 21 23 25 27 29 31 33
Se m a na s
1. Se observa un ítem estable con tendencia decreciente, con dos picos en las semanas
2 y 31 de la simulación.
2. Gráficamente se percibe un comportamiento muy similar en los tres modelos
56
Tabla 8. Cálculo de pronósticos de demanda para un ítem, utilizando suavización
exponencial doble y optimizado el modelo, α toma un valor de 0.03261
3. Los valores obtenidos de los indicadores MAD y ECM, son muy similares, aunque
los valores mínimos se obtuvieron con la técnica suavización exponencial doble,
como se observan el siguiente cuadro resumen:
57
Promedio M óvil Suav. Exp. Simple Suav. Exp. D oble
M AD ECM M AD ECM M AD ECM
Los resultados anteriores no dan claridad con respecto a la decisión que debe tomarse en
cuanto a qué modelo se habrá de seleccionar, ya que realmente no existen diferencias
significativas en los resultados, debido a que este ítem en particular no presenta variaciones
significativas de tendencia en la demanda. Entonces, para determinar con un mejor
argumento cuál debe ser la técnica que debe seleccionarse, se deben evaluar los otros ítems
de la muestra. Para hacer esta evaluación, se elabora una macro en Excel, la cual, es una
herramienta que permite realizar casi en forma continua el proceso de evaluación de los
modelos planteados para un gran número de ítems.
Por otro lado, obsérvese el coeficiente de variación para los ítems 9, 10 y 11, que está por
encima de 0.7, mostrando que estos ítems tiene alta variabilidad en su demanda, así que se
debe tener especial cuidado en su gestión. Nótese también, que en estos ítems hay entre sus
datos valores de cero, situación esta que invita a preguntarse si estos se deban a agotados y
cuya demanda no servida no fue reportada o que por el contrario, estos sean datos reales
(debe recordarse que aún no hay una verdadera cultura para la medición de la demanda no
servida). Sí los ceros se deben a la primera situación, es necesario hacer un énfasis especial
en la medición real de la demanda no servida y sí se deben a la segunda situación, es
posible que se puedan clasificar estos ítems como erráticos o ítems con alta variabilidad,
cuya propuesta de modelamiento y control se presentará más adelante.
58
Tabla 9. Resumen de la evaluación de 12 ítems de la cadena con diferentes técnicas
Item 1 Item 2 Item 3 Item 4 Item 5 Item 6 Item 7 Item 8 Item 9 Item 10 Item 11 Item 12
217 123 265 49 13 39 11 8 10 6 2 108
104 234 203 77 13 44 16 4 9 8 8 144
93 240 212 95 6 118 13 5 3 12 21 188
208 98 220 94 25 64 23 12 5 6 1 139
113 177 170 50 7 45 5 5 3 6 12 86
150 119 167 73 10 25 7 8 3 3 2 127
113 161 145 92 8 18 2 4 0 1 2 39
142 155 192 45 5 0 19 2 0 0 0 0
135 84 162 10 0 0 20 0 0 0 0 0
174 47 179 39 0 0 18 0 0 0 0 0
123 217 143 27 0 29 9 0 2 1 2 52
234 104 171 80 11 30 6 2 2 0 1 58
240 93 184 72 18 47 17 7 3 1 4 62
98 208 173 55 8 44 21 2 1 2 2 168
177 113 152 62 19 22 9 10 3 4 8 76
119 150 161 81 7 40 26 4 12 1 6 185
161 113 241 65 5 50 6 5 3 5 6 172
155 142 222 64 13 18 15 5 5 2 3 103
84 135 158 70 15 39 10 5 2 6 4 132
47 174 202 68 9 53 7 14 4 3 1 65
217 104 213 59 15 56 14 7 0 2 8 143
104 233 195 98 12 19 6 10 4 1 0 80
93 203 164 88 5 51 3 8 4 4 2 104
208 117 203 10 12 41 2 7 2 4 7 152
113 90 183 50 3 30 12 7 3 3 3 64
150 104 198 59 9 52 14 3 1 2 8 164
113 145 145 83 8 44 19 3 2 6 2 115
142 108 168 30 3 51 12 11 4 1 2 73
135 131 193 90 6 59 1 4 4 2 0 113
174 121 155 73 15 45 10 5 0 1 1 150
104 126 217 35 5 53 21 7 5 4 11 16
233 92 175 80 4 37 12 6 3 4 6 97
203 127 147 79 8 56 13 3 4 1 18 43
117 117 167 88 7 29 1 11 7 3 3 35
90 88 161 58 3 54 15 2 4 1 3 49
104 114 145 71 9 38 16 4 4 6 3 115
145 99 181 85 9 29 7 4 2 2 5 47
108 122 159 79 3 51 13 5 2 6 6 78
131 96 174 63 0 33 3 9 1 2 2 25
121 84 156 57 4 27 2 10 2 1 1 29
126 64 167 50 19 65 14 2 3 5 2 36
92 117 151 71 5 43 11 8 6 3 0 21
127 127 168 112 7 48 19 2 5 1 3 108
117 92 174 53 5 44 10 4 3 7 5 17
88 80 120 85 6 47 6 1 2 2 9 132
114 105 159 43 6 47 9 3 5 5 3 43
99 121 155 47 5 36 13 12 4 5 0 40
122 99 166 48 3 79 13 5 6 4 8 127
96 120 179 73 7 62 10 4 2 7 6 17
84 50 209 23 13 31 8 6 0 0 0 96
64 190 172 116 3 89 1 1 6 6 8 138
117 117 159 67 2 38 1 0 7 3 4 64
127 99 151 39 6 40 4 5 5 7 2 56
92 128 141 81 25 60 17 2 3 5 5 122
Suma 7157 6817 9492 3511 444 2309 592 283 185 183 231 4613
Promedio 132,54 126,24 175,78 65,019 8,2222 42,759 10,963 5,2407 3,4259 3,3889 4,2778 85,426
Desv. Estándar 45,122 44,321 27,52 23,242 5,7876 20,227 6,3304 3,4088 2,5074 2,5359 4,2799 51,959
Coef. de variación 0,3404 0,3511 0,1566 0,3575 0,7039 0,473 0,5774 0,6505 0,7319 0,7483 1,0005 0,6082
MAD P.Móvil. 27,01 22,76 15,24 19,37 3,75 12,97 4,57 2,84 1,67 1,88 2,99 40,15
ECM P.Móvil. 1291,83 937,69 392,81 547,68 33,30 265,90 30,55 11,28 3,88 4,91 16,53 2117,29
MAD S.E.Simple 26,25 23,72 15,81 18,25 4,22 12,64 4,59 2,79 1,61 1,93 2,75 39,49
ECM S.E.Simple 1245,2 994,69 395,78 505,24 33,45 263,01 32,29 11,10 3,76 4,98 14,89 1962,09
α 0,186 0,210 0,294 0,010 0,050 0,108 0,081 0,040 0,029 0,062 0,010 0,174
MAD S.E.Doble 26,05 21,50 12,96 18,30 3,90 12,01 4,84 2,94 1,79 1,97 2,95 40,77
ECM S.E.Doble. 1238,6 870,18 320,76 504,16 31,96 240,96 31,44 11,97 4,51 5,70 18,43 2247,84
α 0,033 0,010 0,010 0,010 0,010 0,010 0,030 0,077 0,093 0,108 0,063 0,136
59
3.5.7 Modelo de pronósticos de ítems con clasificación C.
Los ítems clasificados como C, tal como se expresó en el capítulo número dos, deben
recibir un sistema de administración diferente por ser un número grande de ítems que
poseen una demanda muy baja o tienen un costo muy bajo o ambas cosas, de tal forma, que
realizar un exhaustivo control sobre estos ítems realmente no se justifica y por el contrario,
la organización podría estar utilizando recursos valiosos que debería utilizarlos en la
administración de los ítems clasificados como A. Se sugiere entonces, utilizar la técnica de
promedio móvil para su pronóstico y utilizar un período de pronóstico mensual. Los
resultados obtenidos en la sección 3.5.2 aplican para los ítems clasificados como C.
χt = ytzt (3.35)
y zt Es el tamaño de la transacción .
Y Prob(y = 0) = 1 - 1 (3.37)
n
Con este marco y asumiendo que los tamaños de las transacciones son normalmente
distribuidos Croston sugiere el siguiente procedimiento:
10
CROSTON, J. D., Forecasting and stock control for intermittent demands. Operational Research Quarterly,
23(3), p 289-303. 1972
60
Si χ t = 0 (Demanda no ocurre)
Si χ t = 1 (Transacción ocurre)
1. zˆt = αχ t + (1 − α)zˆt −1 (3.39)
2. nˆ t = αn t + (1 − α)nˆt-1 (3.40)
Croston sostiene, que se pueden requerir reabastecimientos normales después de que ocurre
una transacción, el muestra que el pronóstico para ese período se puede expresar mediante
la siguiente ecuación:
ẑ t (3.41)
nˆ t
Valores de inicialización.
Como no está definido por el modelo cuales deben ser los valores iniciales de n̂t y ẑ t en el
tiempo en que se inicia la simulación, estos se pueden asumir como el promedio de datos
históricos anteriores. Los resultados obtenidos para un ítem con demanda errática se
muestran en la Tabla 10.
Aunque este modelo es considerado por muchos autores como el más apropiado para
pronosticar demandas de ítems con comportamiento errático, su implementación es una
decisión que se realizará posteriormente en la fase de control, una vez se establezcan otro
tipo de decisiones referentes a si tener o no el ítem en un punto de venta, si definitivamente
el ítem se comporta errático en el total cadena.
Realizar un pronóstico de un ítem nuevo no es una tarea a la que se le pueda dar una
sustentación matemática que permita modelar el comportamiento de la demanda de un ítem
61
debido a la carencia de datos históricos de demanda. Por lo anterior, conjunto con el
profesor Carlos Julio Vidal se sugiere establecer el siguiente procedimiento:
Tabla 10. Pronóstico de demanda para ítem con comportamiento errático, simulado mediante el
modelo de Croston
1. Mediante algún método cualitativo se estima cual puede ser la demanda del ítem nuevo.
Este valor puede ser establecido de acuerdo a diversos criterios como los propuestos por
los proveedores o asignándole valores de ítems similares.
2. Se asigna al pronóstico del período siguiente el valor del promedio de la demanda.
Obviamente, el primer pronóstico será el valor de la demanda en el primer período.
62
Figura 13. Pronóstico de la demanda de un ítem con comportamiento errático, mediante
el método de Croston.
D a to s _ d e m a n d a p r o n ó s t ic o
40
35
30
25
Unidades
20
15
10
0
22 23 24 25 26 27 28 29 30 31 32 33 34 35 36 37 38 39 40 41 42 43 44 45 46 47 48 49 50
Sem anas
Hasta ahora, se han descrito técnicas que pronostican la demanda para el período siguiente.
Pero es muy importante desde el concepto planeación de la gestión de inventarios,
establecer un modelo que permita pronosticar la demanda para un lapso de tiempo u
horizonte de planeación igual a τ períodos de tiempo futuro y poder establecer un
pronóstico acumulado de la demanda L períodos futuros en el tiempo. Esta información se
convierte en una valiosa herramienta que permitirá al personal de compras de la cadena
realizar acuerdos y negocios con los proveedores para el suministro adecuado de productos.
63
Tabla 11. Cálculo de pronósticos de demanda de un ítem nuevo de la
cadena, utilizando sistema heurístico
64
presentado a lo largo de este capítulo. Los valores de S0 y S0[2 ] , corresponden a la
información extraída de la última fila de la Tabla 8, con un valor de α óptimo de 0.03262.
Pronóstico : Xˆ
[
Varianza : Var Xˆ (T ) ]
Pronóstico para τ períodos futuros : Xˆ T + τ (T)
[
Varianza del pronóstico τ períodos futuros : Var Xˆ T + τ (T) ]
Varianza del pronóstico acumulado L Períodos L
[
: Var Xˆ L (T) ]
Pronóstico acumulado L Períodos : Xˆ L (T) = ∑ X T + τ (T)
τ =1
Donde τ, como se mencionó representa un número de periodos adelante del período actual
T y τ puede tomar valores desde 1 hasta L.
de (3.26), (3.42), haciendo L igual a 12, 24, 36 y 48 períodos futuros y con los datos del
ejemplo se calcularon los pronósticos futuros; los resultados se muestran en la Tabla 12.
11
MONTGOMERY, OP. Cit. Cap. 7, P 165.
65
Para el caso de los pronósticos futuros, puede ocurrir que si el parámetro α es alto y el
último dato de demanda real observado nos muestra un incremento o un decremento que no
corresponde a una verdadera tendencia en la demanda, hace que el pronóstico tenga una
desviación significativa y por lo tanto, es probable que se generen excesos de inventarios o
que ocurran agotados.
Tabla 12. Cálculo de pronósticos futuros y acumulados con los datos del ejemplo
para horizontes de 12, 24, 36 y 48 semanas
Operador Operador Pronóstico S.E Doble Señal de Rastreo Alpha_2
S.Doblet S.E. Doble Error Error Abs Error Cuad MAD(T) Err. suav. Q(T) Q(T)/MAD(T) 0,0326
126,11 146,73 103,95 24,05 24,05 578,49 25,71 6,07 0,24
Tao τ
1 2 3 4 5 6 7 8 9 10 11
Pronóstico
104,8 104,1 103,4 102,7 102,0 101,3 100,6 99,9 99,2 98,5 97,8
Tao τ
13 14 15 16 17 18 19 20 21 22 23
Pronóstico
96,5 95,8 95,1 94,4 93,7 93,0 92,3 91,6 90,9 90,2 89,5
Tao τ
25 26 27 28 29 30 31 32 33 34 35
Pronóstico
88,1 87,4 86,7 86,0 85,3 84,6 83,9 83,2 82,5 81,9 81,2
Tao τ
37 38 39 40 41 42 43 44 45 46 47
Pronóstico
79,8 79,1 78,4 77,7 77,0 76,3 75,6 74,9 74,2 73,5 72,8
De los resultados obtenidos en las tablas 13 y 14, se puede concluir, que tener valores altos
del parámetro α al momento de realizar los cálculos para pronosticar la demanda acumulada
*
Las ventas de productos en promoción usualmente son registradas bajo un código SKU diferente, de tal
manera que se afecta la demanda registrada del producto sin promoción y por esta razón se puede presentar
una disminución en su demanda.
66
puede no ser tan significativo. Sin embargo, cuando el último dato fue cambiado por 76, y
al parámetro α se le asignaron valores de 0.20, 0.25 y 0.30 , los resultados obtenidos en la
tabla 14 muestran que realizar pronósticos para demasiados períodos futuros con un valor
alto del parámetro α pueden llevar a errores tales como pronosticar demandas negativas,
(ver pronóstico del cuarto trimestre). Así pues, es preciso antes de tomar una decisión,
evaluar lo que realmente ocurriría cuando se establezcan los inventarios de seguridad, los
cuales serán determinados teniendo en cuenta la variabilidad de la demanda. Esto será
objeto de estudio en el próximo capítulo.
Finalmente, como una conclusión importante, se debe tener especial cuidado al realizar
pronósticos para períodos futuros, ya que estos son una excelente herramienta para planear
y realizar compras a medio plazo, pero, por su naturaleza, pueden conducir a decisiones
erróneas. Se sugiere entonces por parte de las personas encargadas del control, verificar
período a período los resultados que se estén dando, a fin de tomar decisiones que corrijan
cualquier variación significativa. Por lo tanto, es pertinente calcular el error del pronóstico
para períodos futuros.
67
pudo haberse calculado en septiembre, octubre, o noviembre; así pues, en este sentido se
expresa el error del pronóstico futuro en los siguientes términos:
donde,
Ahora bien, el error del pronóstico acumulado para L-períodos futuros, computados en el
período T, corresponde al total de las demandas reales en los períodos T-L+1, T-L+2, T-
L+3,........, T, menos el pronóstico acumulado para estos períodos realizado en el tiempo T-
L, así, se puede presentar una expresión para el error del pronóstico acumulado para L
períodos como sigue:
esta expresión indica, que el error del pronóstico acumulado es la sumatoria de los errores
de los pronósticos presentados mediante la expresión (3.43) para τ períodos de tiempo
anteriores al tiempo T.
El cálculo de las varianzas de la anterior expresión como se indicó al inicio de esta sección,
es presentado por Montgomery, Johnson y Gardiner12, a partir de modelos de series de
tiempo que se describen de la siguiente forma:
12
MONTGOMERY, Op cit. caps. 2, 5, 7.
68
donde, {bi } son los parámetros, {zi (t)} son las funciones matemáticas de t y εt es la
componente aleatoria. Los parámetros {bi } , se obtienen mediante el método de mínimos
cuadrados resolviendo el sistema de ecuaciones normales resultantes*.
Los resultados obtenidos por estos autores, muestran que la variabilidad del pronóstico en
un modelo de serie de tiempo es función de las varianzas y covarianzas como resultado de
usar estimadores para sus parámetros, la varianza y covarianza de sus estimadores se
presentan como sigue:
[ 2
]
Var (bˆi ) = E bˆi − E(bˆi ) ≡ Vii
{[ ][ ]}
Cov(bi , b j ) = E bˆi − E(bˆi ) bˆ j − E(bˆ j ) ≡ Vij
y con α = 1− β , (3.48)
[ ]
Var X̂ T + τ (T ) = z′(τ )Vz(τ ) (3.49)
siendo,
z′ : Matriz inversa de z .
*
El modelo lineal presentado en (3.53) se puede expresar en forma matricial, así, x = zb + ε , donde X, es
un vector columna nx1, Z es la matriz de variables regresoras nxp, b un vector columna de parámetros bi
desconocidos y ε es un vector columna nx1. Así,
x1 1 ∑z 11 ∑z 12 L ∑z 1k b1 ε1
x
x= 2 z=
1 ∑z 21 ∑z 22 L ∑z 2k b
b= 2
ε
ε= 2
M L L L L M M
xn 1 ∑ zn1 ∑ zn2 L ∑ znk bn εn
69
además,
α(1 + 4β + 5β 2 ) 2
Var ( aˆ1 ) = σε (3.50)
(1 + β)3
2α 2
Var ( aˆ 2 ) = σ2
3 ε
(3.51)
(1 + β)
α 2 (1 + 3 β) 2
Cov( aˆ i , aˆ j ) = σε (3.52)
(1 + β) 3
de (3.46) y con el vector z′( τ ) = [1, τ ] correspondiente al modelo lineal con tendencia,
Var [xˆT + τ (T)] = Var [aˆ1 (T )] + τ 2 Var [aˆ 2 (T )] + 2 τCov[aˆ1 (T), aˆ 2 (T)]
=
α
(1 + β)3
[ ]
(1 + 4β + 5β 2 ) + 2α(1 + 3β ) + 2α 2 τ 2 σ ε2 (3.53)
Los resultados obtenidos son de mucha importancia, porque permitirán realizar cálculos
de varianzas sin tener que guardar información histórica de demandas, errores y
pronósticos, que implican ocupar memoria computacional.
Los resultados anteriores sirven como base para establecer la varianza de los errores de
pronósticos futuros. De igual forma, que en la varianza del error de los pronósticos futuros,
Montgomery, Johnson y Gardiner13, presentan los resultados de la varianza del error del
pronóstico acumulado en un modelo de serie de tiempo como sigue:
L
Pronóstico acumulado L períodos Xˆ L (T) = ∑ xˆT + τ (T)
τ
13
MONTGOMERY, OP. cit. P. 179.
70
L k
= ∑∑ bˆi (T )zi (T + τ)
τ =1 i =1
L
= ∑ b̂(T )z(T + τ) ,
τ =1
(3.56),
Para el modelo lineal con tendencia y origen el tiempo actual, la varianza del pronóstico
acumulado es:
′
[ L
] L
Var X̂ L (T ) = ∑ z( τ ) V ∑ z( τ ) (3.58)
τ =1 τ =1
y Vij = Cov(aˆi , aˆ j ) .
En este punto, debe tenerse en cuenta que aunque el pronóstico acumulado es la suma de
los pronósticos de L períodos, la suma de las varianzas de los pronósticos de los períodos
no es la varianza del pronóstico acumulado, debido a la presencia de una correlación
existente porque los pronósticos han sido computados basados en los mismos parámetros
bˆ(T ) o â(T) , lo cual genera una correlación.
L(L + 1) ˆ
= Lbˆ1 (T ) + LT + b2 (T ) (3.59),
2
71
la varianza del pronóstico acumulado:
2 2
L(2T + L + 1) L(2T + L + 1)
VarXˆ L (T ) = L2 Var(bˆ1 ) + Var(bˆ2 ) + 2L ˆ ˆ
Cov(b1 , b2 )
2 2
L2
= (4T 2 + 6TL + 3L2 − 1)σ ε2 , (3.60)
T(T 2 − 1)
L
Xˆ L (T) = ∑ [aˆ1 (T)] + [aˆ2 (T)τ ]
τ =1
L(L + 1)
= Laˆ1 (T ) + aˆ 2 (T ) (3.61),
2
72
3.7.1 Análisis de los errores de los pronósticos
T
e1 ( t ) Y(T )
ŶT = ∑ = (3.63),
t =1 T T
donde,
y por supuesto, se puede expresar este pronóstico en función de los últimos N datos
históricos, para dar más importancia a los datos históricos más recientes, así:
T
1
Y (T ) = ∑ e (t) 1 (3.64),
N t = T −N+1
• Estimación de varianzas
La varianza del error del pronóstico se expresa mediante la siguiente ecuación:
Var [e 1 ( T ) ] ≡ σ e2
y
(3.66),
T
[e 1(T) − e 1(T) ]
2
σˆ e2 (T ) = ∑
t = T − N +1 N −1
73
donde, e1 , es el promedio de los últimos errores definidos como:
∑ e (t)
t = T −N+1
1
(3.67),
N
o, si se asume que el valor esperado del error E(e) ≡ 0 , entonces, se puede expresar en
función de los cuadrados de los errores así:
T 2
∑ [e (t)]1
σˆ (T) =
2
e
t = T −N+1
(3.68).
N
Sin embargo, estas formulaciones implican que cada vez que se vayan a utilizar se deban
actualizar, para lo cual es preciso tener almacenados datos históricos; por esta razón, es más
atractivo utilizar una expresión valida, basada en la desviación media absoluta MAD, que
expresa Montgomery, Johnson y Gardiner14, (véase también en Silver, Pyke y Peterson15) y
se muestra como sigue:
MAD = E [ e − E( e ) ]
2
1 e − v
∞
−1
= 2 ∫ ( e − v)(2π) e2 ) 2 exp de
v
2 σ
e (3.69).
2
= σ e ≈ 0.8σ e
π
74
Al desarrollar pronósticos de demanda, se espera que estos sean insesgados, esto significa
que el valor esperado del error del pronóstico de la demanda sea cero.
Para comprobar esta hipótesis, se puede medir la desviación del estimador del pronóstico
del error en relación al la medida natural de la variabilidad de este estadístico con respecto
a su media; si esta desviación es significativamente grande, se puede descartar esta
hipótesis.
Una de las señales de rastreo más utilizada por su facilidad de administrar es la que mide la
relación existente entre el pronóstico suavizado del error Q(T) y la desviación media
absoluta MAD, la cual se calcula mediante la siguiente expresión:
Q(T )
>K (3.71)
MAD(T)
donde,
∑ (x
t =1
i − x̂ )2
σ̂ ε :
N− 2
*
Propuesta presentada por MONTGOMERY, OP. cit. P. 216
**
Los valores de C1 y σˆ ε , se demostrarán en el capítulo cuatro y al igual que todo este desarrollo que se
presenta aquí es tomado del libro de Montgomery, Op Cit. Cap 8.
75
con X i igual al valor observado de la demanda en el período i , X̂ i el valor estimado de la
demanda para el período i (obtenido mediante regresión lineal) y N corresponde al número
de datos históricos utilizados para el cálculo. El valor inicial de MAD(T) se muestra en la
Tabla 15; los datos históricos corresponden a la información del ejemplo utilizado para
evaluar los modelos promedio móvil y suavización exponencial simple y doble.
11 123 1 4 6 ,9 -2 3 ,9
12 234 1 4 6 ,4 8 7 ,6
13 240 1 4 5 ,9 9 4 ,1
14 98 1 4 5 ,3 -4 7 ,3
15 177 1 4 4 ,8 3 2 ,2
16 119 1 4 4 ,3 -2 5 ,3
17 161 1 4 3 ,7 1 7 ,3
18 155 1 4 3 ,2 1 1 ,8
19 84 1 4 2 ,7 -5 8 ,7
20 47 1 4 2 ,2 -9 5 ,2
21 217 1 4 1 ,6 7 5 ,4
22 104 1 4 1 ,1 -3 7 ,1
23 93 1 4 0 ,6 -4 7 ,6
24 208 1 4 0 ,0 6 8 ,0
25 113 1 3 9 ,5 -2 6 ,5
26 150 1 3 9 ,0 1 1 ,0
27 113 1 3 8 ,5 -2 5 ,5
28 142 1 3 7 ,9 4 ,1
29 135 1 3 7 ,4 -2 ,4
30 174 1 3 6 ,9 3 7 ,1 M AD (T )
31 104 1 3 6 ,3 -3 2 ,3 3 9 ,7 0 5 0
El valor inicial de Q(T) es cero, por considerarse que E(et ) es igual a 0 al considerarse éste
un estadístico insesgado.
La Tabla 16 muestra los resultados obtenidos de la señal de rastreo para el ítem del
ejercicio anterior.
76
Tabla 16. Cálculo de señal de Rastreo para un ítem de la cadena
Observando la Figura 15, se puede comprender mejor lo que está ocurriendo; en la parte
sombreada, se muestra claramente que el pronóstico se encuentra durante varios períodos
por encima de la demanda real; lo cual, pudo haber ocurrido debido a un notable descenso
en la demanda con respecto a datos históricos anteriores y el modelo de suavización
77
exponencial doble “no reaccionó” lo suficientemente rápido para seguir el nuevo
comportamiento de la demanda (recuérdese que el alfa óptimo solo tiene un valor de
0.03262 que no le da un peso grande al último dato observado). También, se puede
observar que después de varios períodos el modelo se estabiliza nuevamente y el pronóstico
vuelve a ubicarse entre los datos de la demanda.
Finalmente, es necesario decir que para este análisis, la decisión a tomar a continuación es
únicamente administrativa y que solo un conocimiento más profundo del sistema, permitirá
al administrador de éste tomar la decisión que considere pertinente. Algunas de las
decisiones administrativas a tomar pueden ser las siguientes las cuales serán objeto de
estudio en el capitulo 5.
Figura 15. Pronóstico sesgado. Observar zona en gris, donde el pronóstico está por encima de
la demanda real. La señal de rastreo para esta zona esta con valores superiores a 0.6.
P r o n ó stic o d e d e m a n d a - m o d e lo s u a v iz a c io n e x p . d o b le
dem anda S u a v. e xp . d o b le L . te n d e n c ia d e m a n d a
250
200
Unidades
150
100
50
0
1 3 5 7 9 11 13 15 17 19 21 23 25 27 29 31 33
Se m a na s
Los procedimientos aplicados hasta ahora fueron replicados a todos los ítems de la cadena
en todas sus localidades.
78