Planeacin de la Demanda:

Forecasting y Tcnicas de
Proyeccin
Ing. Marco Antonio Llaza Loayza
2016
Slo los muy ingenuos pueden creerse cualquier prediccin,
pero incluso los ms escpticos tienen que proyectar
variables para ver su comportamiento futuro.
 Cuntos afinadores de piano hay en
Nueva York?
Enrico Fermi ( Orden de la Magnitud).
Obtener rpidamente evaluaciones numricas de las magnitudes
desconocidas a partir de valores disponibles de las dems
magnitudes:
Respuesta esperada (Levi-Leblond, 2002):
1. En NY hay diez millones de hab. (10 6)
2. A razn de una media de 3 miembros por hogar, el nro de hogares
es de 10 6 /3
3. De los que aproximadamente 1 de cada 30 posee un piano (dato
relevante). Osea 10 5 pianos.
4. A razn de uno o dos pianos diarios por afinador, supone entre 50
y 100 afinadores: simplificando: unas decenas.

Una idea del Orden de Magnitud, restrictivo pero correcto.

 Planeacin de la Demanda
Porqu hacemos Demand Planning?
Forecasting es el proceso de organizar y
analizar la informacin para estimar las ventas
futuras.
Qu Producto, familia, modelo?
Cunto?
Cuando?
 Quin hace el forecasting en su
organizacin?
Cules son las dificultades?
Sabemos que el Forecast siempre esta mal.
Es ms difcil prever el futuro lejano (aos) que el
futuro cercano (meses/das)
Cunto ms en detalle hacemos el forecust ms
oportunidades de error tenemos.
Forecust es la modelizacin de lo que
esperamos pase en el futuro. (Datos del
pasado y presunciones del futuro)
 Para qu forecust?
Finanzas: Requiere planear los recursos
financieros, inversiones, cash, crditos
Marketing: Necesita establecer cuotas,
presupuestos de venta, participacin de
mercado.
Operaciones: Requiere planear todos los recursos
y actividades (almacenamiento, produccin,
abastecimiento, capacidad de transporte, niveles
de stock en la red de distribucin).
 Cul es el nivel de detalle necesario?
Finanzas: Cantidades en unidades y $
Marketing:Por familias: cantidades en
unidades y en $.
Operaciones: Por referencias (Sku) en
unidades.
Pirmide del Forecasting
El Tiempo
 Tcnicas de Modelizacin de la
demanda
La demanda es un fenmeno constituido:
Total de la suma de las rdenes de los clientes
con probabilidad de llegar con un patrn
estadstico definido.
Por tamao de la orden, lo cual tambin tiene
su propio patrn.
 Modelizacin de la demanda
Data histrica como referencia.
Estacionalidad
Tendencia
Demanda Promedio
Variabilidad de la demanda.
 Modelizacin de la demanda
Adicionar inteligencia a Demand Planning.
Necesitamos definir las variables externas y su
variacin.
Necesitamos identificar las correlaciones entre
los factores externos a la demanda.
Desviaciones estndar.
 Planeacin de la Demanda
Muchos confunden Planeacin con Pronsticos.
La definicin de plan de ventas no incluye las
actividades de hacer proyecciones de niveles de
demanda.
Los pronsticos de ventas son termmetros de
realidades econmico-empresariales: (situacin de la
industria en el mercado y la participacin de la
empresa en ese mercado).
El pronstico determina qu puede venderse con base
en la realidad y el Plan de ventas permite que esa
realidad hipottica se materialice, guiando el resto de
los planes operativos.
 Porqu hacemos Forecasting
Forecasting es el proceso de organizar y analizar
la informacin para estimar las ventas futuras.
Es la base para todas las decisiones estratgicas y
de planificacin en SC.
Se utiliza en procesos PULL o PUSH.
Qu producto? Familia? Modelo?
Cunto? Unidades, SKU, $
Cundo? Horizonte de tiempo.
 Forecasting para qu?
Por Ejemplo:
Produccin: planificacin, el inventario, la planificacin
agregada, capacidades.
Marketing y ventas: asignacin de la fuerza de ventas,
las promociones, introduccin de nuevos productos,
cuotas , participacin de mercado.
Finanzas: Inversin en planta / equipo, la planificacin
presupuestaria, flujo caja.
Personal: planificacin de la fuerza laboral, la
contratacin, los despidos.
Todas estas decisiones estn interrelacionadas
 Forecasting
PRONOSTICO DE VENTAS Y SU RELACION CON LAS DIVERSAS AREAS FUNCIONALES
(Adaptado de Mentzer y Bienstock)

Leyenda: Horizonte: h
Logstica Intervalo: i Marketing
Orientacin o
h = 1 ao o Variables h = 1 ao
i = 3 meses i = 1- 3 meses
o = SKUL o = producto/ familia
Pronstico
de Ventas

h = 1 - 3 aos
i = 3 meses
o = SKU
Produccin Ventas Finanzas
Compras Contabilidad
h = corto plazo 6 meses h = 1 - 2 aos h = 1 - 5 aos
i = 1 semana - 1 mes i = 1- 3 meses i = 1- 3 meses
o = territorio de ventas o=$
 Sabemos que:
Los pronsticos estn siempre mal. Debemos
incluir el valor esperado y la medida de error.
Los pronsticos a largo plazo son menos
precisos que los pronsticos a corto plazo (el
horizonte de pronstico es importante).
Previsiones agregadas son ms exactos que
los pronsticos desagregados.
 La demanda
Es un fenmeno constituido por la sumatoria
total de los pedidos de los clientes con una
probabilidad de ocurrencia dentro de un
patrn especfico.
El tamao de la orden que tambin tiene su
propio patrn estadstico.
Adicionar valor
 Medicin del Desempeo del
Pronstico de ventas
Medir la precisin de los pronsticos porque
influye en los diversos costos operativos y en
la satisfaccin del cliente.
Dimensiones del desempeo del pronstico:
Absolutas o en relacin con el pronstico
perfecto:
Error Principal: Et = Pt Ventas t
MAD
RMSE
MAPE: ((Pronstico t Ventas t)/(Ventas )*100)
Algunas Herramientas.
 Cmo Pronostica Ud?
Eventos Macroeconmicos
Estudios de Mercado
Informacin de clientes
Informacin comercial
Experiencia Gerencial
Riesgos de Demanda
Prospectiva (Actitud de
anlisis que viene del futuro
hacia el pasado)
Escenarios futuribles
Histrico
Capacidad de Planta
Estacionalidad
Oportunidad de
Crecimiento
Directorio
Tcnicas Tendenciales
(Proferencia) Enviar datos
del pasado al futuro.
Variaciones cannicas.
 Anlisis de variaciones cannicas
Necesita determinar
5 Variacin arriba
a priori un mundo
4 sin sorpresas.
3 Se analizan
2 mutaciones de tipo
1 estructural que
0 mundo sin sorpresas
sealen escalones
hacia arriba o hacia
1
abajo del mundo
2 futurible
3 proyectado por el
4 anlisis de
5 Variacin abajo
tendencia.
Indica posibilidades
Pasado (Visin Presente Futuro (Ext. Tendencias y distintas de un
retrospectiva) variaciones cannicas) mundo sin sorpresas
 La Receta de Richard Webb
1. Recurrir a las personas que pueden
avisorar el futuro.
2. Mirar el Histrico.
3. Apelar a la Teora.
4. Respaldarse en Modelos Estadsticos.
5. Ponerle F.
 Mtodos de proyeccin
Mtodos de carcter cualitativo: opiniones de
expertos, tiempo escaso, no tiene antecedentes.
Modelos de pronsticos causales: estimar las
variables causantes de los cambios sobre la
variable dependiente.
Modelos de series de tiempo: se utilizan cuando
el comportamiento que asume el mercado a
futuro puede determinarse por el
comportamiento pasado.
 El mbito de la proyeccin
La informacin debe presentarse de la forma que ms convenga
(por zonas, por producto, por tipo o atributo del cliente, etc.)
La calidad de la informacin determina la validez de los resultados
de la proyeccin
La eleccin del mtodo correcto depende de la cantidad y calidad
de los antecedentes disponibles
La efectividad del mtodo se evaluar en funcin de:
- Precisin: cualquier error tendr asociado un costo
Sensibilidad: debe ser lo suficientemente dinmico o estable
para afrontar las discontinuidades del mercado
Objetividad: la informacin base para la proyeccin debe
garantizar su validez y oportunidad en una situacin histrica
 Tcnicas de proyeccin
Seleccin del mtodo:
Disponibilidad de los datos
Costo / beneficio
Precisin
Acorde al proyecto/ producto/servicio.
Mtodos cualitativos:
Delphi
Investigacin de mercados
Consenso de panel
Pronsticos visionarios
Analoga Histrica
 Tcnicas de proyeccin
Pronsticos causales:
Regresin
Modelo Economtrico
Insumo producto
Series de tiempo:
Promedios mviles
Suavizamiento exponencial
etc
 Mtodos cualitativos
Opinin de expertos: Falta datos: tiempo
escaso, datos no confiables.
Mtodo Delphi: Un grupo es capaz de lograr
un razonamiento mejor que una sola persona
muy experta.
Grupo expertos, cuestionario, respuestas,
retroalimentacin: convergencia.
Nace la prediccin
 Mtodos cualitativos o subjetivos
Cuando los mtodos cuantitativos no pueden
explicar por s solos el comportamiento futuro
esperado, o cuando no existen datos.
Mtodo Delphi
Consenso de panel
Investigacin de mercado: exploratoria,
descriptiva o explicativa.
Encuestas de intenciones.
Caractersticas de productos, empresas o
consumidores.
 MTODO DE CONSENSO DE
PANEL
A diferencia de la tcnica Delphi, es que no existen
secretos sobre la identidad del emisor
No hay retro alimentacin del exterior
Al no existir secretos se estimula la comunicacin,
el trabajo en grupo es mejor que el de una sola
persona
Existe el peligro que emerja un grupo dominante
que anula la interaccin adecuada y se acepte por la
capacidad de argumentacin y no por la validez de
la misma.
 Mtodo de Pronsticos
Visionarios
A travs de entrevistas al personal interno de la
empresa se obtiene informacin dado que poseen
experiencia y conocimiento de sus clientes, y esto
les permite emitir opiniones respecto a reacciones
y comportamientos posibles de esperar en el
futuro.
 Modelos causales
Intentan proyectar el mercado sobre la base de
antecedentes cuantitativos histricos, para lo cual
suponen que los factores condicionantes del
comportamiento histrico de alguna o todas las
variables del mercado permanecern estables.
Los modelos causales de uso ms frecuente:
Modelo de regresin
Modelo economtrico
Modelo de insumo producto
 MODELOS CAUSALES
Se presentan dos etapas en la formulacin del
modelo:
1.- Identificar las variables
Ejemplo: Cantidad de construcciones =
f(Rentabilidad disponible, permisos de
construccin, PNB, Tasa de inters)
2.- Determinar la forma del modelo,(lineal o no
lineal,etc)
 MODELOS CAUSALES
Modelo de regresin Mltiple: Hay dos o ms
variables independientes.

y a b1 x1 b2 x2 b3 x3 .... bn xn
Modeloecon omtri cos : Qd f ( p, NA, Ps , C , CA)
Qd Cantidad demandada
p precio producto
NA Nivel de actividad
Ps Pr ecio sustitutos
CA Capacidad de produccin
 MODELOS DE LA SERIE DE
TIEMPO
Se puede predecir el futuro en base a datos
histricos.
Se utiliza si la informacin histrica est
completa y es confiable.
Una serie de tiempo presenta cuatro componentes:
1.- Tendencia
2.- Cclico
3.- Estacional
4.- Irregular
Componentes de series de tiempo
 MODELOS DE LA SERIE DE
TIEMPO-TENDENCIA
Clasificacin del componente : Sistemtico
Definicin: General o persistente, patrn de
movimiento hacia arriba o hacia abajo en el largo
plazo.
Razones por las que cambia: Cambios en la tecnologa,
poblacin
Duracin : varios periodos
 MODELOS DE LA SERIE DE
TIEMPO-CCLICO

Clasificacin del componente:Sistemtico

Definicin: Oscilaciones repetidas hacia arriba o
hacia abajo movimientos que pasan por 4 fases,
desde un pico (prosperidad) hasta una contraccin
(recesin) luego hasta un valle (depresin) y
finalmente hacia una expansin(recuperacin o
crecimiento)
 MODELOS DE LA SERIE DE
TIEMPO-CCLICO

Razones por las que cambia: Interaccin de

mltiples factores que influyen sobre la economa
Duracin :Por lo general de 2 a 10 aos con
intensidad no uniforme para un ciclo completo
 MODELOS DE LA SERIE DE
TIEMPO-ESTACIONAL
Clasificacin del componente:Sistemtico
Definicin: Fluctuaciones peridicas
bastante regulares que se presentan dentro de cada
perodo de 12 meses.
Razones por las que cambia: Condiciones
climatolgicas, costumbres sociales y religiosas
Duracin :Generalmente en un lapso de 12 meses (o
cada mes o cada 4 meses)
 MODELOS DE LA SERIE DE
TIEMPO-IRREGULAR
Clasificacin del componente: No sistemtico
Definicin: Las fluctuaciones errticas o
residuales en una serie de tiempo que existen
despus de tomar en cuenta los efectos
sistemticos: tendencia,cclica y estacional.
Razones que influyen: Sucesos no previstos,
huelgas, huracanes, asesinatos polticos,
inundaciones, terremotos.
Duracin : Corta duracin y no repetidos
 Modelos de regresin
Regresin simple y Regresin mltiple.
Los modelos de regresin se basan en tres
supuestos bsicos, los cuales si son
transgredidos, invalidan la proyeccin:
Los errores de la regresin tienen una distribucin
normal con media = 0 y varianza constante.
Los errores no estn correlacionados entre ellos.
Auto correlacin.
Todas las variables analizadas se comportan en
forma lineal o son susceptibles de linealizar.
 Estadsticas de Regresin
El coeficiente de correlacin R, es una medida de la intensidad de la
relacin lineal entre dos variables, es un indicador de la precisin y
confiabilidad de la relacin entre las variables. Puede tomar valores entre
-1 y 1.
El coeficiente de determinacin R2, la porcin de la variacin total en la
variable dependiente Y, que se explica por la variacin en la variable
independiente x. muestra cun confiable es la lnea de regresin y
corresponde a una medida de lo cercano del ajuste. Su resultado est
entre 0 y 1 e indica que cantidad de la variacin total en y respecto a su
media es explicada por la lnea de regresin Y = a + bx
Error estndar o error tpico, es la medida de la dispersin de los valores
observados, con respecto a la lnea de regresin, corresponde a la
cantidad de dispersin de los datos reales alrededor de la tendencia
determinada por la lnea de regresin. Este valor se utiliza con la
distribucin normal para calcular los intervalos de confianza.
 Relaciones entre el coeficiente de correlacin, el coeficiente
de determinacin y el error estndar de estimacin

El error estndar de estimacin mide cun cerca de la recta

de regresin se encuentran los valores reales.
El coeficiente de correlacin mide la intensidad de la
asociacin entre dos variables. As que el error estndar y el
coeficiente de correlacin indican la misma informacin, pero
utilizan una escala diferente para sealar el vigor de la
asociacin.
El cuadrado del coeficiente de correlacin se denomina
coeficiente de determinacin. Mide el porcentaje de la
variacin en Y que se explica por la variacin en X.
Un medio para mostrar la relacin entre estas tres medidas es
una tabla ANOVA