Prevision de Ventas

¿Qué puede haber de improvisto para el queno ha previsto nada? Paul Valéry (1871-1945) Poeta francés. ADMINISTRACION DE OPERACIONES: SEMANA 4: PREVISION DE VENTAS ¿Qué es la previsión?  Arte y ciencia de predecir acontecimientos futuros.  Base de todas las decisiones empresariales:     Producción. Inventario. Personal. Instalaciones. Toma de datos históricos y su proyección hacia ¡Venderá 200el futuro con algúnmillones tipo de de modelo dólares! matemático. Predicción subjetiva o intuitiva del futuro. Combinación de las anteriores. Tipos de horizontes temporales de la previsión  Previsión a corto plazo: Cobertura de hasta un año, generalmente inferior a los tres meses.  Programación de trabajos, asignación de tareas.   Previsión a medio plazo: Entre tres meses y tres años.  Planificación de las ventas, de la producción y del presupuesto.   Previsiones a largo plazo: Periodos superiores a tres años.  Planificación de nuevos productos, localización de las instalaciones.  Previsiones a corto plazo frente a previsiones a largo plazo  Las previsiones a medio y largo plazo tratan de asuntos más extensos, y apoyan las decisiones de gestión que conciernen a la planificación y los productos, las plantas y los procesos.  Las previsiones a corto plazo normalmente emplean metodologías diferentes a las utilizadas en las previsiones a largo plazo.  Las previsiones a corto plazo tienden a ser más exactas que las realizadas a largo plazo. La influencia del ciclo de vida del producto  Las etapas de introducción y crecimiento necesitan previsiones más largas que las de madurez y declive.  Las previsiones son útiles para proyectar niveles de personal  niveles de inventarios  niveles de capacidad de producción  (paso de la primera a la última etapa) Tipos de previsiones  Previsiónes económicas:  Dirigidas al ciclo empresarial: las tasas de inflación, la masa monetaria, construcción, etc.  Previsiónes tecnológicas: Predicen el ritmo de progreso tecnológico.  Nuevas Tecnologías » Nuevos productos.   Previsiones de demanda (ventas):  Ventas » Producción, capacidad, sistema de planificación, gestión cadena suministro.  Ventas » Planificación financiera, marketing y personal. a) b) c) d) Siete etapas en el sistema de previsión ¿Para qué?: Fin de la previsión. ¿Qué?: Seleccionar los artículos a prever. ¿Cuando?: Horizonte temporal de la previsión. ¿Cómo?: Seleccionar el(los) modelo(s) de previsión. e) Recogida de datos. f) Realizar la previsión. g) Validar e implementar los resultados. Consideraciones a) Las previsiones “nunca” son perfectas. b) La mayoría de las técnicas de previsión asumen una cierta estabilidad en el sistema. c) La calidad de la previsión aumenta si se trabaja con familias de productos en vez de con productos individuales. Tipología Cuantitativas. Emplean diversos modelos matemáticos que utilizan datos históricos y/o variables causales. Cualitativas. Incorporan la intuición, emociones, experiencias y sistemas de valores de la persona que toma decisiones. Enfoques de la previsión Métodos cualitativos  Se emplean cuando la situación no es clara y hay pocos datos:   Productos nuevos. Nueva tecnología.  Requieren intuición y experiencia:  Por ejemplo, la previsión de las ventas a través de Internet. Métodos cuantitativos  Se emplean cuando la situación es “estable” y existen datos “históricos”:  Productos existentes.  Tecnología actual.  Requieren ténicas matemáticas:  Por ejemplo, la previsión de las ventas de televisiones en color. 4 métodos cualitativos  Jurado de opinión ejecutiva:  Opiniones de un grupo de expertos de alto nivel o de directivos + modelos estadísticos.  Proposición de personal comercial:  Las estimación de las ventas esperadas por los vendedores se revisan para ver si se pueden llevar a cabo y luego se obtiene una previsión global.  Método Delphi:  Proceso de grupo que permite a los expertos realizar las previsiones.  Estudio de mercado del consumidor:  Planes de compra. Útil para diseño de nuevos productos. Jurado de opinión ejecutiva  Requiere un pequeño grupo de directivos:  El grupo establece una estimación conjunta de la demanda.  Combina la experiencia directiva con modelos estadísticos.  Es bastante rápido.  Desventaja del “pensamiento en grupo”. © 1995 Corel Corp. Proposición de personal comercial  Cada vendedor estima las ventas que hará.  Se combinan con las previsiones a niveles de distritos y con las nacionales.  El representante de ventas conoce las necesidades de los consumidores.  Tiende a ser bastante optimista. Ventas © 1995 Corel Corp. Método Delphi  Proceso de grupo iterativo.  3 tipos de participantes:  Los que toman decisiones. Personal de  El personal de plantilla. plantilla  Los que responden. (¿Qué ventas  Reduce el “pensamiento habrá? cuestionarios) en grupo”. Los que toman decisiones (¿Ventas?) (Habrá 50 ventas) Los que responden (Habrá 45, 50, 55 ventas) Estudio de mercado  Preguntar a los consumidores sobre sus futuros planes de compra.  Lo que dicen los consumidores y lo que luego hacen suele diferir.  A veces es difícil contestar a las preguntas del estudio. ¿Cuántas horas utilizará Internet la próxima semana? © 1995 Corel Corp. Visión global de los métodos cuantitativos  Enfoque simple  Medias móviles  Alisado exponencial  Proyección de tendencia Modelos de series temporales  Regresión lineal Modelos asociativos Métodos de previsión cuantitativos (no simples) Previsión cuantitativa Media móvil Modelos de series temporales Modelos asociativos Alisado exponencial Regresión lineal Proyección de tendencia ¿Qué son las series temporales?  Es una secuencia de datos uniformemente espaciada:  Se obtiene observando las variables en periodos de tiempo regulares.  Se trata de una previsión basada en los datos pasados:  Supone que los factores que han influido en el pasado lo sigan haciendo en el futuro.  Ejemplo: Año: Ventas: 201120122013 78,763,5 89,7 20142015 93,292,1 Descomposición de una serie temporal Tendencia Ciclos Estacionalidad Variaciones aleatorias Tendencia  Es el 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. Respuesta Mes, trimestre, año © 1984-1994 T/Maker Co. Estacionalidad  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. Verano Respuesta © 1984-1994 T/Maker Co. Mes, trimestre Ciclos  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. Respuesta Ciclo  Mes, trimestre, año Variaciones aleatorias  Son “saltos” en los datos causados por el azar y situaciones inusuales.  Son debidas a variaciones aleatorias o a situaciones imprevistas: © 1984-1994 T/Maker Co. Huelga.  Tornado.   Son de corta duración y no se repiten. Modelos de series temporales  Cualquier valor que aparezca en una serie temporal es la multiplicación (o suma) de los componentes de la serie temporal.  Modelo multiplicativo:  Yi = Ti x Si x Ci x Ri (si los datos son mensuales o trimestrales).  Modelo aditivo:  Yi = Ti + Si + Ci + Ri (si los datos son mensuales o trimestrales). Demanda del producto o servicio Demanda de un producto representada en un periodo de 4 años con tendencia de crecimiento y estacionalidad Picos estacionales Componente de tendencia Línea de demanda actual Variación aleatoria Primer año Segundo año Demanda media en cuatro años Tercer año Cuarto año Enfoque simple  Suponer que la demanda en el próximo periodo será igual a la demanda del periodo más reciente:  Por ejemplo, si en mayo hubo 48 ventas, en junio habrá 48 ventas.  Es el modelo con la mejor relación eficacia-coste y eficiencia. © 1995 Corel Corp. Medias móviles  Las medias móviles son una serie de operaciones aritméticas.  Se utilizan si no hay tendencia o si ésta es escasa.  Se suelen utilizar para el alisado:  Proporciona una impresión general de los datos a lo largo del tiempo.  Ecuación: demanda de n periodos previos  MM  n Ejemplo de media móvil Usted es el director de una tienda de un museo que vende réplicas. Quiere predecir las ventas (000) del año 1998 mediante una media móvil de 3 meses. 1993 4 1994 6 1995 5 1996 3 1997 7 © 1995 Corel Corp. Solución de la media móvil Año 1995 1996 1997 1998 1999 2000 Respuesta Yi 4 6 5 3 7 ND Media Media móvil móvil total (n=3) (n=3) ND ND ND ND ND ND 4+6+5=15 15/3 = 5 Solución de la media móvil ponderada Año 1995 1996 1997 1998 1999 2000 Respuesta Yi 4 6 5 3 7 ND Media Media móvil móvil total (n=3) (n=3) ND ND ND ND ND ND 4+6+5=15 15/3 = 5 6+5+3=14 14/3=4 2/3 Solución de la media móvil ponderada Año 1995 1996 1997 1998 1999 2000 Respuesta Yi 4 6 5 3 7 ND Media Media móvil móvil total (n=3) (n=3) ND ND ND ND ND ND 4+6+5=15 15/3=5,0 6+5+3=14 14/3=4,7 5+3+7=15 15/3=5,0 Gráfico de la media móvil Ventas 8 Real 6 Previsión 4 2 95 96 97 98 Año 99 00 Método de la media móvil ponderada  Se utiliza cuando se presenta una tendencia:  Los datos anteriores suelen carecer de importancia.  Las ponderaciones se basan en la intuición:  Suelen estar entre 0 y 1, y a la suma de 1,0.  Ecuación: Media móvil ponderada = Σ (ponderación para el periodo n) (demanda en el periodo n) Σ ponderaciones Demanda real frente a los métodos de media móvil y media móvil ponderada Demanda de ventas 35 30 25 Media móvil ponderada Ventas reales 20 15 10 5 Media móvil 0 Ene. Feb. Mar. Abr. May. Jun. Jul. Ago. Sep. Oct. Nov. Dic. Mes Inconvenientes de los métodos de media móvil  Al aumentar n veces, las previsiones son menos sensibles a los cambios.  No es posible predecir bien la tendencia.  Se necesitan muchos datos históricos. © 1984-1994 T/Maker Co. Alisado exponencial  Es una técnica de previsión de media móvil ponderada: Las ponderaciones disminuyen exponencialmente.  Se ponderan más los datos más recientes.   Se necesita una constante de alisado ():  Toma valores entre 0 y 1.  Se escoge de forma subjetiva.  Necesita una cantidad reducida de datos históricos. Ecuaciones del alisado exponencial  Ft = At - 1 + (1-)At - 2 + (1- )2·At - 3 + (1- )3At - 4 + ... + (1- )t-1·A0  Ft = Valor de la previsión  At = Valor real   = Constante de alisado  Ft = Ft-1 + (At-1 - Ft-1)  Se utiliza para calcular la previsión. Ejemplo de alisado exponencial Usted está organizando una reunión Kwanza. Desea predecir el número de personas que asistirán en el año 2000 mediante el alisado exponencial ( = 0,10). La previsión para 1995 fue de 175. 1995 180 1996 168 1997 159 1996 175 1999 190 © 1995 Corel Corp. Solución del alisado exponencial Ft = Ft-1 + (At-1 - Ft-1) Previsión, F t ( α = 0,10) Año Real 1995 180 1996 168 1997 159 1998 175 1999 190 2000 ND 175,00 (Dado) 175,00 + Solución del alisado exponencial Ft = Ft-1 + (At-1 - Ft-1) Año Real 1995 180 1996 168 1997 159 1998 175 1999 190 2000 ND Previsión, F t ( α = 0,10) 175,00 (Dado) 175,00 + 0,10( Solución del alisado exponencial Ft = Ft-1 + (At-1 - Ft-1) Año Real 1995 180 1996 168 1997 159 1998 175 1999 190 2000 ND Previsión, Ft (α = 0,10) 175,00 (Dado) 175,00 + 0,10(180 - Solución del alisado exponencial Ft = Ft-1 + (At-1 - Ft-1) Año Real 1995 180 1996 168 1997 159 1998 175 1999 190 2000 ND Previsión,Ft (α = 0,10) 175,00 (Dado) 175,00 + 0,10(180 - 175,00) Solución del alisado exponencial Ft = Ft-1 + (At-1 - Ft-1) Año Real 1995 180 1996 168 1997 159 1998 175 1999 190 2000 ND Previsión,Ft (α = 0,10) 175,00 (Dado) 175,00 + 0,10(180 - 175,00) = 175,50 Solución del alisado exponencial Ft = Ft-1 + (At-1 - Ft-1) Año Real Previsión, F t ( α = 0,10) 1995 180 175,00 (Dado) 1994 168 175,00 + 0,10(180 - 175,00) = 175,50 1995 159 175,50 + 0,10(168 - 175,50) = 174,75 1996 175 1997 190 1998 ND Solución del alisado exponencial Ft = Ft-1 + (At-1 - Ft-1) Año Real Previsión, F t (α = 0,10) 1995 180 175,00 (Dado) 1996 168 175,00 + 0,10(180 - 175,00) = 175,50 1997 159 175,50 + 0,10(168 - 175,50) = 174,75 1998 175 174,75 + 0,10(159 - 174,75)= 173,18 1999 190 2000 ND Solución del alisado exponencial Ft = Ft-1 + (At-1 - Ft-1) Año Real Previsión, F t (α = 0,10) 1995 180 175,00 (Dado) 1996 168 175,00 + 0,10(180 - 175,00) = 175,50 1997 1998 159 175,50 + 0,10(168 - 175,50) = 174,75 175 174,75 + 0,10(159 - 174,75) = 173,18 1999 190 173,18 + 0,10(175 - 173,18) = 173,36 2000 ND Solución del alisado exponencial Ft = Ft-1 + (At-1 - Ft-1) Año Real Previsión, F t (α = 0,10) 1995 180 175,00 (Dado) 1996 168 175,00 + 0,10(180 - 175,00) = 175,50 1997 159 175,50 + 0,10(168 - 175,50) = 174,75 1998 175 174,75 + 0,10(159 - 174,75) = 173,18 1999 190 173,18 + 0,10(175 - 173,18) = 173,36 2000 ND 173,36 + 0,10(190 - 173,36) = 175,02 Gráfico del alisado exponencial Ventas 190 180 170 160 150 140 93 Real Previsión 94 95 96 Año 97 98 Efectos de la previsión de la constante de alisado  Ft =  At - 1 + (1- )At - 2 + (1-  )2At - 3 + ... Ponderaciones = Periodo anterior Hace 2 periodos Hace 3 periodos  = 0,10 = 0,90 10% (1 - ) (1 - )2 Efectos de la previsión de la constante de alisado  Ft =  At - 1 + (1-  ) At - 2 +  (1- )2At - 3 + ... Ponderaciones = = 0,10 = 0,90 Periodo anterior Hace 2 periodos Hace 3 periodos  (1 - ) 10% 9% (1 - )2 Efectos de la previsión de la constante de alisado  Ft =  At - 1 + (1- )At - 2 + (1-  )2At - 3 + ... Ponderaciones = = 0,10 = 0,90 Periodo anterior Hace 2 periodos Hace 3 periodos  (1 - ) (1 - )2 10% 9% 8,1% Efectos de la previsión de la constante de alisado  Ft =  At - 1 + (1- )At - 2 + (1-  )2At - 3 + ... Ponderaciones = Periodo anterior Hace 2 periodos Hace 3 periodos  (1 - ) (1 - )2 = 0,10 10% 9% 8,1% = 0,90 90% Efectos de la previsión de la constante de alisado  Ft =  At - 1 + (1-  ) At - 2 +  (1- )2At - 3 + ... Ponderaciones = Periodo anterior Hace 2 periodos Hace 3 periodos  (1 - ) (1 - )2 = 0,10 10% 9% 8,1% = 0,90 90% 9% Efectos de la previsión de la constante de alisado  Ft =  At - 1 + (1-  ) At - 2 +  (1- )2At - 3 + ... Ponderaciones = Periodo anterior Hace 2 periodos Hace 3 periodos  (1 - ) (1 - )2 = 0,10 10% 9% 8,1% = 0,90 90% 9% 0,9% Si se selecciona  Trate de minimizar la desviación absoluta media (DAM) Si: Entonces: Error de previsión = demanda - previsión DAM   errores de previsión n Si se selecciona  Trate de minimizar el error cuadrático medio (ECM) Si: Entonces: Error de previsión = demanda - previsión ECM   errores de previsión 2 n Alisado exponencial con ajuste de tendencia Previsión incluyendo la tendencia (PITt) = previsión alisada exponencialmente (Ft) + tendencia alisada exponencialmente (Tt) Requiere 2 constantes de alisado: (α, β) Alisado exponencial con ajuste de tendencia Ft =  (demanda real de este periodo) + (1- )(previsión del último periodo + tendencia estimada del último periodo) o Ft = (At) + (1- )Ft-1 + Tt-1 Tt = (previsión de este periodo - previsión del último periodo) + (1-)(tendencia estimada del último periodo) o Tt = (Ft - Ft-1) + (1- )Tt-1 Alisado exponencial con ajuste de tendencia Ft = previsión alisada exponencialmente de la serie de datos en el periodo t. Tt = tendencia alisada exponencialmente en el periodo t. At = demanda real en el periodo t.   = constante de alisado para la media.   = constante de alisado para la tendencia. Demanda del producto Comparación de previsiones 40 35 30 25 20 15 10 5 0 Ene. Alisado exponencial + Tendencia Demanda real Alisado exponencial Feb. Mar. Abr. May. Mes Jun. Jul. Ago. Sep. Valores de la variable dependiente Método de mínimos cuadrados Observación real Desviación Desviación Desviación Desviación Desviación Desviación Desviación Yˆ  a  bx Periodo de tiempo Punto en la línea de tendencia Demanda real y línea de tendencia 180 160 Y = 56,70+ 10,54X Demanda 140 120 100 80 60 Demanda real 40 20 0 0 2 4 6 Periodo de tiempo 8 10