5.3 Métodos cuantitativos

TÉCNICAS BÁSICAS DE PRONÓSTICOS

Las técnicas de pronóstico (utilizando el término pronóstico en su sentido más amplio) se pueden dividir en dos categorías: cualitativas y cuantitativas.

Las primeras, que pueden hacer uso de números, utilizan una metodología que no es matemática.

Las técnicas cualitativas se sustentan en el criterio, la intuición y la evaluación subjetiva.

Entre las técnicas principales dentro de esta categoría están:

• 
  
  La investigación de mercado (encuestas),
• 
  
  Delphi (consenso de panel),
• 
  
  Analogía histórica y
• 
  
  Estimados de la administración (adivinación).

En la tecnología de la APICS, todas estas técnicas representan predicciones más que pronósticos en sentido estricto.

La otra clase de técnicas, las cuantitativas, se pueden dividir en intrínsecas y extrínsecas.

En este sentido, las técnicas intrínsecas suelen denominarse técnicas de análisis de series de tiempo. Incluyen manejo matemático de la demanda histórica por artículo. Estas técnicas son las que se utilizan más en los pronósticos para el control de la producción e inventario.

El otro grupo de técnicas cuantitativas, los métodos extrínsecos, formulan un pronóstico que intenta relacionar la demanda de un artículo con los datos referentes a otro artículo, un grupo de artículos, o factores externos (como condiciones económicas en general).

TECNICAS CUALITATIVAS

Si bien estas técnicas se basan en una buena teoría y proporcionan información valiosa para las decisiones de mercadotecnia, no sepretende que sustenten directamente las decisiones de inventario. Más bien, se intenta que apoyen las estrategias de desarrollo y promoción del producto.

Los datos reunidos por estos métodos se deben tomar en consideración en las decisiones sobre inventarios agregados o en la planeación de la capacidad, pero no deben ser la única fuente para tales decisiones.

El método Delphi o consenso de panel, puede ser útil en los pronósticos tecnológicos, esto es, en la predicción del estado general del mercado, la economía o los avances tecnológicos dentro de cinco años o más, con base en la opinión de un experto. (El nombre de este método proviene del antiguo orácu lo griego de Delphi que predecía los acontecimientos futuros.)

La técnica Delphi no es una técnica adecuada para pronosticar a corto plazo, y ciertamente no lo es para productos individuales.

Cuando se intenta pronosticar la demanda para un nuevo artículo, uno se enfrenta a una escasez de datos históricos. Una técnica útil es el examen de la historia de la demanda de un producto análogo. Si el producto relacionado es muy parecido, se pueden utilizar las técnicas cuantitativas.

Pero si la relación es muy sutil, quizá sea más apropiado relacionar los productos sólo cualitativamente para obtener una impresión de los patrones de demanda o de demanda agregada. Por ejemplo, el patrón dt la demanda estacional para un producto establecido, como pelotas de tennis, se puede usar para estimar el patrón de demanda esperada en guantes para tennis. Los niveles actuales y las tendencias para los guantes no se pueden determinar de esta manera con ninguna precisión, pero es posible esperar que el patrón estacional sí sea similar.

TECNICAS CUANTITATIVAS

Las técnicas intrínsecas utilizan la secuencia histórica de tiempo de la actividad de un artículo en particular como fuente de datos para pronosticar la actividad futura de ese artículo. Esa historia comúnmente se denomina serie de tiempo.

Hay que tener en cuenta que las características de estas series se pueden identificar de varias maneras, y la representación algebraica de tales gráficas se puede obtener mediante una diversidad de métodos.

Por lo general, se considera que una serie de tiempo consta de cuatro factores subyacentes o componentes: (1) cíclicos,

(2) de tendencia,

(3) estacionales

(4) al azar (o irregulares).

El factor cíclico se refiere tradicionalmente al ciclo comercial, a tendencias a largo plazo en la economía global. El factor cíclico puede tener mucha importancia en el pronóstico para la planeación a largo plazo. Sin embargo, su utilidad es muy poca en el pronóstico de la demanda para productos individuales, la cual rara vez tiene suficientes datos para permitir una distinción entre el efecto del ciclo comercial y el efecto del ciclo de vida del producto.

Por esta razón, las series de tiempo que se utilizan para los pronósticos a corto plazo, generalmente sólo tienen como componentes la tendencia, el carácter de estacional y componentes al azar.

El componente de tendencia casi siempre se modela como una línea, la cual se describe por una intersección o nivel base, que se designa como L, y una pendiente que se designa como T. La línea de tendencia se puede modificar por un fenómeno estacional S. Todos los datos se ven afectados, de alguna manera, por una variación al azar, irregular, o dicho de otra manera, imposible de predecir (R).

Matemáticamente, este proceso está basado en la combinación de un modelo multiplicativo y uno aditivo, de la siguiente manera:

D = (L + T) x S + R (3-1)

en donde D es la demanda. En esta versión, T, tendencia, está expresada en las mismas unidades que L, nivel, y Tpuede ser positiva o negativa. R, al azar, se expresa en las mismas unidades. Su valor esperado es O. S, estacional, es un número sin dimensión que tiene un valor esperado de 1.

Por ejemplo, se puede conocer que la demanda para determinada antología de Bruce Springsteen está promediando 10,000 unidades por mes, con una tendencia de menos 500 por mes (el patrón es vender 500 unidades menos cada mes). No obstante, el mes que se está pronosticando en este momento es diciembre. Debido a la variación estacional, el promedio de diciembre es 40% superior al mes típico.

El error promedio del pronóstico utilizando este modelo ha sido de 800 unidades. En este ejemplo el pronóstico de demanda es:

D = (10,000 - 500) x 1.4 + O = 13,300 unidades

Debido a que el error promedio del pronóstico ha sido de 800 unidades, y debido a que errores del doble del promedio no se presentan poco, esto no debe sorprendernos. Las ventas reales de diciembre fueron, de cualquier manera, de 13,300 - 1,600 = 11,700 unidades a 13,300 + 1,600 = 14,900 unidades.


Un modelo multiplicativo puro podría expresar la tendencia y los componentes al azar como porcentajes, de modo que el modelo se podría expresar como:


D = L x T x S x R

Si se convierte el ejemplo de la antología de Springsteen a esta notación, L sigue siendo 10,000 unidades, T es ahora 

S, continúa siendo 1.4, Y R se convierte en 1. Entonces, el pronóstico es D = 10,000 x 0.95 x 1.4 x 1 = 13,300 unidades.




ANÁLISIS DE LAS SERIES DE TIEMPO



Estas son algunas de las técnicas más comunes para pronosticar las series intrínsecas de tiempo sin tratar de buscar explícitamente factores estacionales o de tendencia. También se examina la descomposición de las series de tiempo.

Promedio móvil


Quizá la más sencilla de las técnicas para pronosticar las series de tiempo es un promedio móvil. Para utilizar este método, se calcula el promedio, digamos, de tres periodos de la demanda actual y se utiliza éste para pronosticar la demanda del siguiente periodo. Por ejemplo,

                donde :

Di = demanda actual en el periodo i

Fi = pronóstico de la demanda en el periodo i

Se puede observar en la tabla que en los periodos 5, 6 Y 7 (mayo, junio y julio) hay demandas de 302, 274 Y  162, respectivamente. Si se suman estas tres cantidades y se divide el resultado entre 3, tenemos 246. Si este promedio de los tres periodos se va a utilizar como pronóstico tendría que pronosticarse la demanda en un periodo futuro, como el periodo 8. En la columna de promedio está el valor 246, o sea el promedio de los tres periodos anteriores. Cuando se conoce la demanda actual del periodo 8 (194) se formula un pronóstico para el periodo 9. Se quita el valor del periodo 5 y se promedian los valores de los periodos 6 y 7 con el del periodo 8 para obtener un promedio de 274+162+194 = 210.
                  
Debido a que cada promedio se mueve hacia adelante un periodo en cada ocasión, el procedimiento de quitar el valor más antiguo y agregar el más reciente se denomina promedio móvil. El número de periodos a utilizar en el cálculo del promedio puede ser cualquiera de 2 a 12 o más, aunque es más común usar 3 o 4 periodos. Si la serie de tiempo es esencialmente, en otras palabras, si no hay una tendencia ni hacia arriba ni hacia abajo, entonces el promedio móvil es una técnica satisfactoria.

Promedio móvil de tres periodos proyectados a (futuro)

El promedio se rezaga de los datos reales

PROMEDIO MOVIL PONDERADO


Aquí hay que tomar en cuenta que los datos más recientes son mas reveladores del futuro que los datos más antiguos. Con frecuencia resulta más confiable un promedio móvil ponderadb' calculado para dar más peso a los datos más recientes, que un promedio no ponderado. Un promedio móvil ponderado se calcula multiplicando cada periodo por un factor de ponderación, y dividiendo el resultado entre la suma de Iodos los factores ponderados. Como ejemplo tenemos la ecuación:

Donde DS,6,7 se utiliza para pronosticar la demanda para el periodo 8. El denominador de la ecuación 3-5 es la suma de la ponderación. Un promedio móvil ponderado es precisamente como un sistema simple de promedio móvil. Apliquemos esta fónmula a los datos usados anterionmente para el promedio móvil simple o no ponderado. Cabe recordar que la demanda para el periodo 5 fue 302, para el periodo 6 fue 274, Y para el periodo 7 fue 162. Entonces, el numerador  es (2 x 302) + (3 x 274) + (4 x 162) = 2,074.


Si se divide este total entre la suma de las ponderaciones (9) resulta 230.44, o 230 cuando se redondea al número entero más cercano. También podríamos analizar las ponderaciones de modo que se sumen a uno, como se muestra. Es posible que usted desee repetir el cálculo realizado arriba para verificar que se obtiene la misma respuesta, sujeta a un ligero error al redondear el resultado que se puede presentar porque  no se pueden expresar con precisión como decimales. Debido a que la magnitud del error en el pronóstico es mucho mayor que la magnitud del error por redondear, este error no tiene grandes consecuencias. Así, la ecuación 3-6 es tan exacta como la ecuación 3-5, aunque las dos no puedan dar precisamente la misma solución.


Normalmente, los promedios móviles ponderados sólo se utilizan cuando se incluyen datos de varios periodos. Los factores de ponderación pueden tener cualquier valor. Las ponderaciones son la evaluación subjetiva del pronosticador de la importancia de los datos más recientes y los datos más antiguos al fon11ular un pronóstico. Si un producto es nuevo Y pasa a través de una etapa de crecimiento en su ciclo de vida, es frecuente que no se tengan datos suficientes para estimar la tendencia y los componentes estaciona les de las series de tiempo. Un promedio móvil simple es indeseable debido a su tendencia a retrasarse frente a la tendencia dominante. El promedio móvil ponde-rado puede resolver en parte este problema dando mayor ponderación a los datos más recientes. Pero los promedios ponderados aún quedan atrás de la tendencia y producen un pronóstico que es, en consecuencia, bajo, durante los periodos de demanda incrementada.
Un impedimento para utilizar los promedios móviles ponderados para pronosticar miles de artículos es que deben retener datos de N periodos( siendo N el numero de periodos de demanda utilizados en el promedio). Y se deben llevar a cabo N multiplicaicones, N-1 sumas y una división para cada pronostico.