Analisis de procesos

Sesiones 07 y 08

Modelos de pronósticos por cuadrante, Impacto del modelo de
pronóstico elegido en las políticas de Inventarios; política de
compras y distribución por cuadrante

Clientes > Productos > Planta de producción > Proveedores
Creación de valor y Diferenciación

ESAN Lima, Noviembre del 2021

Mg. Ing. LSS Fernando Maradiegue

Versión inicio de presentaciones

AGENDA

Mundo 01 Línea de Hitos y actividades de
Turbulento nuestro curso.

(VUCA)

02 Gestión de Demanda y
Fuente de Datos

03 Patrón de Datos

04 Coeficiente de Autocorrelación
05 Error de Pronóstico
06 Realice un juego de Pronósticos

07 Aprendizaje de la sesión…

01

Línea de Hitos y actividades de nuestro curso

Temas a desarrollar e integrar

1 2 3 4
Introducción la Modelamiento
estrategia de Hoshin Kanri y y diseño de Pronósticos
Cadenas 4Qs procesos “TO por cuadrante
dinámicas BE”

Formulación d8e 7 6 5
la estrategia de VSM y TOC
Innovación 5 Pasos de Principios
Operativa para implementación Demand Driven
tu organización del DDMRP MRP (DDMRP)

02

Gestión de Demanda y
Patrón de los Datos

Temario

• Tema 1: Gestión de la demanda
• Tema 2:Fuentes de datos
• Tema 3: Patrón de los datos
• Tema 4: Coeficiente de Autocorrelación
• Tema 5: Error de Pronóstico

Motivación (esta diapositiva debe servir para despertar

el interés del alumno por el tema de la clase: frase célebre,
figura, viseo, ect)

¿ Qué secuencia utilizaríamos para mejorar esta estación de
trabajo?

02

1

Tema 1
Gestión de la Demanda

¿Qué es la Gestión de la Demanda?

Predecir el comportamiento de los clientes en
cuanto al consumo de nuestros productos

¿Porqué es Necesario Pronosticar?

• La incertidumbre
del mercado

• Toma de decisiones

¿Qué Tipos de Pronósticos Existen?

Según el Largo Plazo
Horizonte de Corto Plazo
Pronóstico

Modelos de Según el Ámbito MacroPronóstico
Pronósticos de Pronóstico
MicroPronóstico
Según el
Disponibilidad de Cualitativos

Datos Cuantitativos

Según la Puntual
Naturaleza del (Especifico)
Densidad
Pronóstico (Intervalo)

Selección del Método de Pronóstico

• Pronóstico de detalles específicos (micro) o de un factor global
(macro)

• Pronóstico para el futuro cercano (corto plazo) o para el futuro
distante (largo plazo)

• De juicio (cualitativos) o con manipulación de datos (cuantitativos)
• Especifico (Puntual) o de Intervalo (Densidad)

Pasos a Seguir en el Pronóstico:

1. Recopilación de datos 2. Análisis de datos 3. Construcción del modelo

4. Extrapolación de resultados

Administración del Pronóstico

• Sentido común
• Métodos cuantitativos
• Juicio experto

Reflexión 1

¿ Por qué es importante el pronóstico de la
demanda?

2

Tema 1:
Fuentes de Datos

Los Datos

• Deben ser:

• Confiables y precisos: Fuente confiable y exacta

• Pertinentes: Representativos de las circunstancias (relevantes)

• Consistentes: Cuando cambian las definiciones relacionadas con la

recopilación de datos, se tienen que hacer los ajustes necesarios para
conservar la consistencia en los patrones históricos

• Periódicos: Los datos recopilados, resumidos y publicados oportunamente

tendrán el mayor valor para el pronosticador

Fuentes de Datos

Fuentes primarias Fuentes secundarias

• Métodos de recolección de • Fuentes internas: Datos publicados en fuentes

datos internas de la empresa
• Fuentes externas: datos publicados en fuentes

externas a la empresa

03

3

Tema 3
Patrón de los datos

Componentes de una Serie de Tiempo

Picos Estacionales Componente de Tendencia

Demanda del producto o servicio Línea de Demanda
actual

Demanda media en
cuatro años

Variación
aleatoria

Primer Segundo Tercer Cuarto
año año año año

1.Estacionarios 2.Tendencia 3.Estacionalidad 4.Ciclos 5.Variaciones
Aleatorias

Una serie de tiempo consta de datos que se reúnen, registran u
observan sobre incrementos sucesivos de tiempo

Respuesta1.Estacionarios (Horizontal)

Patrón Horizontal: datos recopilados en el transcurso del tiempo fluctúan
alrededor de un nivel o una media constantes

• Se dice que este tipo de series es estacionario en su media.
• Si las ventas mensuales de un producto alimenticio no se incrementan, ni

disminuyen, consistentemente durante un largo periodo tienen un patrón
horizontal.

Tendencia Horizontal

Mes, trimestre, año

Respuesta2. Tendencia

Patrón de evolución sostenido a mediano y largo plazo de la serie

• Movimiento gradual de ascenso o descenso de los datos a lo largo del tiempo.
• Los cambios en la población, ingresos, etc., influyen en la tendencia.
• Varios años de duración.

Tendencia

Mes, trimestre, año

Respuesta3. Estacionalidad

Oscilaciones de una serie temporal que se completa dentro de un año y
se repiten mas o menos de forma invariable en los años sucesivos

• Muestra de datos de ascenso o descenso que se repite.
• Se puede ver afectada por la climatología, las costumbres, etc.
• Se produce dentro de un periodo anual.
• Patrón estacional: abrigos, impermeables, ventiladores, articulos escolar, etc.

Verano

Mes, trimestre, año

Respuesta4. Ciclos

Movimiento oscilatorio por encima y por debajo de la tendencia de una
serie temporal

• Movimientos de ascenso o descenso que se repiten.
• Se pueden ver afectados por interacciones de factores que influyen en la

economía.
• Suelen durar de 2 a 10 años.

Ciclo

Mes, trimestre, año

5. Variaciones Aleatorias

Oscilaciones de una serie temporal que se atribuyen a factores fortuitos,
aleatorios y esporádicos

• Son “saltos” en los datos causados por el azar y situaciones inusuales.
• Son debidas a variaciones aleatorias o a situaciones imprevistas:

• Huelgas.
• Fenómenos climáticos: Tornados, Inundaciones.
• Son de corta duración y no se repiten.

Resumen Componentes de Series de Tiempo

COMPONENTES DESCRIPCIÓN EJEMPLO

Estacionarios * Se basa en un promedio aritmético o ponderado de * Planeación de
un número determinado de datos históricos. inventarios a corto y
La Tendencia
mediano plazo.
El elemento
estacional * Componente de largo plazo que representa el * Ventas a largo plazo,
Los elementos
crecimiento o disminución en la serie sobre un oferta de empleo, precio
cíclicos periodo amplio. de acciones.
La variación
* Componente que se caracteriza por periodos repetibles * Ventas en navidad,
aleatoria de altas y bajas a lo largo de periodos cortos. consumos en estaciones

del año.

* Es la fluctuación ascendente y descendente en * Empleo, la

forma de onda alrededor de la tendencia en producción, precio de
periodos mayores a un año. acciones.

* Mide la variabilidad inexplicable de una serie de * Guerras, elecciones
tiempo después de retirar los otros componentes. políticas, huelgas,
desastres naturales.

Reflexión 2

¿ Por qué es importante determinar el
patrón de los datos?

04

4

Tema 4
Coeficiente de Autocorrelación

Análisis de
Correlación

El coeficiente de correlación de Pearson (r), es un número que
indica el grado o intensidad de asociación entre las variables X e
Y. Su valor varía entre -1 y +1.

Por tanto tan importante será conocer la forma en que se
relacionan las variables (de eso se ocupa la regresión), como
conocer el grado de asociación/dependencia de dichas variables
(de esto se ocupa la correlación).

Interpretación de (r)

Si 0.00 ≤ r < ±0.20 existe correlación no significativa.
Si ±0.20 ≤ r < ±0.40 existe una correlación baja.
Si ±0.40 ≤ r < ±0.70 existe una correlación significativa.
Si ±0.70 ≤ r < ±1.00 existe un alto grado de correlación.
Si r = 1 existe una correlación perfecta positiva.

Si r = 0 no existe correlación.
Si r = -1 existe una correlación perfecta negativa.

Correlación

Exploración de Patrones de Datos

• El patrón de los datos se explora mediante el Coeficiente de
Autocorrelación.

Autocorrelación es la correlación que existe entre una variable
retrasada uno o más periodos consigo misma.

n k = 0, 1, 2 ….

 (Yt − Y )(Yt−k − Y )

rk = t=k +1 n

 ( Yt − Y )2

t=1

rk = Coeficiente de Autocorrelación para un retraso de k periodos
Y = media de los valores de la serie
Yt = observación en el periodo t
Yt-k = observación k periodos anteriores o durante un periodo t – k

Coeficiente de Autocorrelación

Periodo Mes Datos Originales Desfase 1 periodo Desfase de 2 periodos
Yt-1 Yt-2
t Enero Yt
1 Febrero 123 123
2 Marzo 130 130 123
3 125 125 130
4 Abril 138 138 125
5 Mayo 145 145 138
6 Junio 142 142 145
7 Julio 141 141 142
8 Agosto 146 146 141
9 Setiembre 147 147 146
10 Octubre 157 157 147
11 Noviembre 150 150 157
12 Diciembre 160

Coeficiente de Autocorrelación

Desfase: k = 1 periodo

Periodo Datos Originales Desfase 1 periodo (Yt - Y) (Yt-1 - Y) (Yt - Y)2 (Yt - Y)(Yt-1 - Y)
Mes
t -19 -19 361 0
1 Yt Yt-1 -12 -12 144 228
2 -17 -17 289 204
3 Enero 123 -4 -4 16 68
4 3 3 -12
5 Febrero 130 123 0 0 9
6 -1 -1 0 0
7 Marzo 125 130 4 4 1 0
8 5 5 16 -4
9 Abril 138 125 15 15 25 20
10 8 8 225 75
11 Mayo 145 138 18 64 120
12 0 324 144
Junio 142 145 1474 843

Julio 141 142

Agosto 146 141

Setiembre 147 146

Octubre 157 147

Noviembre 150 157

Diciembre 160 150

Totales 1704

Media Y 142

rk = 0.572 Diagrama de Dispersión k = 1 ; r1 = 0.572

n yt 160
150
 (Yt − Y )(Yt − k − Y ) 140
130
r = t=k +1
kn
 ( Yt − Y )2
t=1

120
120 130 140 150 160

Yt-1

Coeficiente de Autocorrelación

Desfase: k = 2 periodos

Periodo Mes Datos Originales Desfase 2 periodo (Yt - Y) (Yt-2 - Y) (Y - Y)2 (Yt - Y)(Yt-2 - Y)
Yt Yt-2
t -19 -19 361 0
1 Enero 123 -12 -12 144 0
2 -17 -17 289 323
3 Febrero 130 -4 -4 16 48
4 3 3 -51
5 Marzo 125 123 0 0 9 0
6 -1 -1 0 -3
7 Abril 138 130 4 4 1 0
8 5 5 16 -5
9 Mayo 145 125 15 15 25 60
10 8 225 40
11 Junio 142 138 18 64 270
12 0 324 682
Julio 141 145 1474

Agosto 146 142

Setiembre 147 141

Octubre 157 146

Noviembre 150 147

Diciembre 160 157

Totales 1704

Media Y 142

rk = 0.463 Diagrama de Dispersión k = 2 ; r2 = 0.463

n yt 160

 (Yt − Y )(Yt − k − Y ) 150

r = t=k +1 140
kn
 ( Yt − Y )2
t=1

130

120
120 130 140 150 160

Yt-2

¿Los Datos son Aleatorios?

Una serie de datos es aleatoria si la autocorrelación entre Yt y Y t-1 para
cualquier retraso de tiempo k son cercanas a cero. Los valores sucesivos
de la serie de tiempo no guardan relación entre sí.

¿Los Datos tienen una Tendencia (No Estacionaria)?

Si una serie tiene tendencia, Yt e Y t-1 están altamente Auto
correlacionados y es típico que los coeficientes de autocorrelación sean
diferentes de cero de manera significativa para varios de los primeros
periodos de desfasamiento , y de forma gradual tienden a cero conforme
se incrementa el número de retrasos.

. Técnicas Recomendadas
.
. • Promedios móviles lineales
• Atenuación exponencial lineal
. • Atenuación exponencial cuadrática
. • Regresión simple
..

El coeficiente de autocorrelación para un retraso de tiempo 1 a menudo será muy grande
(cercano a 1). También el coeficiente de autocorrelación para el retraso de tiempo 2 será
grande. Sin embargo, no será tan grande como para el retraso de tiempo 1.

¿Los Datos son Estacionarios (Estables)?

Una serie estacionaria es aquella cuyo valor promedio no cambia a
través del tiempo.
Los coeficientes de autocorrelación en datos estacionarios caen a cero
después del segundo o tercer periodo de desfasamiento.

. .. .. . Técnicas Recomendadas

• Métodos de promedio simple
• Métodos de promedios móviles
• Atenuación exponencial

¿Los Datos son Estacionales?

Si una serie tiene un patrón estacional, se presentará un coeficiente de
autocorrelación significativo en el retraso de tiempo estacional o en los
múltiplos del retraso estacional. El retraso estacional se considera de 4
para datos trimestrales y 12 para datos mensuales.

.. Técnicas Recomendadas

. .. • Descomposición clásica
. • Atenuación exponencial
• Regresión múltiple de series de tiempo

¿Los Datos son Cíclicos?

Los patrones cíclicos son difíciles de modelar porque sus patrones
generalmente son inestables. Las fluctuaciones ondulatorias hacia
arriba y hacia abajo de la tendencia rara vez se repiten en intervalos de
tiempo fijos, en tanto que la magnitud de las variaciones también
tiende a cambiar.

. . . .. . . .. Técnicas Recomendadas
.
. • Descomposición clásica
. • Modelos Econométricos
• Regresión Múltiple
• Box-Jenkins

05

5

Tema 5
Error de Pronóstico

Medición del Error en el Pronóstico

• Un residuo es la diferencia entre un valor real observado y su
valor de pronóstico

• Para calcular el error o residual de cada periodo de pronóstico se
utiliza:

et = Yt − Yˆt
et : error de pronóstico en periodo t
Yt : valor real en el periodo t
Yˆ: valor del pronóstico en el periodo t

Desviación Absoluta de la Media

n Yt − Yˆt

DAM = t =1
n

La DAM resulta de gran utilidad cuando el analista desea
medir el error de pronóstico en las mismas unidades de
la serie original

Error Medio Cuadrado

n

(Yt −Yˆt )2

EMC = t=1
n

El EMC se usa para comparar métodos diferentes de
pronóstico

Raíz del Error Medio Cuadrado

REMC = n

(Yt −Yˆt )2

t=1

n

• La raíz cuadrada del error medio cuadrado (REMC), también se usa
para evaluar los métodos de elaboración de pronósticos.

• Tanto la REMC como la EMC sancionan los errores grandes pero
tienen las mismas unidades de la serie que se está
pronosticando, de modo que su magnitud se interpreta con mayor
facilidad.

Error Porcentual Absoluto Medio

EPAM = 1 Yt −Yˆt
n Yt

• Este enfoque es útil cuando el error relativo al tamaño respectivo
del valor de la serie de tiempo es importante, para la evaluación
de la exactitud del pronóstico.

• Especialmente útil cuando los valores Yt son grandes.
• No tiene unidades de medición (es un porcentaje) y sirve para

comparar la exactitud de la misma técnica o de otras técnicas en
dos series completamente diferentes.

Error Porcentual Medio

EPM = 1  (Y t−Yˆt)
n Yt

• Determinar si el método para pronosticar está sesgado (con
pronósticos consistentemente altos o bajos).

• Si el enfoque del pronóstico no tiene sesgo, producirá un
resultado que esté cercano a cero.

• Si el resultado es un porcentaje negativo grande, el método de
elaboración del pronóstico está sobreestimando
consistentemente.

• Si el resultado es un porcentaje positivo grande, el método de
elaboración del pronóstico está subestimando consistentemente.

Indicadores de la Medición del Error

INDICADOR DESCRIPCIÓN FÓRMULA

Desviación *Se usa debido a su sencillez y utilidad para obtener
Absoluta Media señales de rastreo.
*Es valiosa porque, al igual que la desviación estándar,
(DAM) mide la dispersión de un valor observado que se aleja del
valor esperado.

Error Medio * Da a conocer que tan grande es el error en el pronóstico,
Cuadrado cuando el error es más grande, al elevarlo al cuadrado
(EMC) penaliza cada error, indicando si tengo errores pequeños,
moderados o son muy grandes.

% Error Medio * Es útil para comparar la precisión de la misma u otra
Absoluto técnica sobre dos series completamente diferentes.

(PEMA)

% Medio de *Determinar si el pronóstico está sesgado o no
Error (PME) (orientación o tendencia), si no está sesgado, dará un %
muy cercano a cero, que puede ser (+) o (-) .
* Si el % es (-), está sobrevalorado y debo realizar los

ajustes pertinentes.
*Si el % es (+), indica que es subvalorado y también debo
realizar los ajustes, para tratar que el % sea el más cercano
a cero.

Ejemplo

Tiempo Clientes Pronostico Error |et| et2 |et|/Yt et/Yt
t Yt Yt et 0.074
4 16 0.100 -0.074
1 58 58 -4 6 36 0.091 0.100
2 54 54 6 5 25 0.113 -0.091
3 60 60 -5 7 49 0.000 0.113
4 55 55 7 0 0 0.046 0.000
5 62 62 0 3 9 0.032 0.046
6 62 62 3 2 4 0.100 -0.032
7 65 65 -2 7 49 0.556 0.100
8 63 63 7 34 188 0.162
9 70 Totales 12 6.95%

n DAM = 34/8 = 4.25 2.03%
EMC = 188/8 = 23.5
 Yt − Yˆt REMC = RAIZ(188/8) = 4.8

DAM = t=1
n

 ( )n

Yt−Ytˆ 2
EMC = t =1

n

REMC =  ( )n Yt−Ytˆ 2

t =1

n

EPAM = 1 Yt− Yˆt EPAM = 0.556/8 = 0.069
n Yt EPM = 0.162/8 = 0.0203

EPM = 1  (Yt− Yˆt)
n Yt

Intervalos de Confianza

Yˆ  Z (DAM ) Yˆ t(DAM )

Distribución Normal Distribución t Student

No olvides que…

La gestión de la demanda
es un elemento fundamental
en la planificación de la
producción de bienes o
servicios