Enfoque Simple Supone que la demanda en el próximo periodo será igual a la demanda del periodo más reciente. Esla mejor predicción para los precios de insumos, acciones, etc. que cotizan. Porque si el mercado realmente creyera que en un tiempo valdrá más, compraría tanto hoy que haría llevar el precio a ese valor esperado. Por ejemplo, si hoy la acción de Microsoft cotiza a U$S 20, ¿cuánto predice que va a valer mañana?: U$S 20. Y si en realidad mañana vale U$S 25, cuánto diría que vale pasado mañana?: U$S 25
Series de Tiempo Es una secuencia de datos uniformemente espaciada. Se obtiene observando las variables en periodos de tiempo regulares. Se trata de un pronóstico basado en los datos pasados; es decir que supone que los factores que han influido en el pasado lo seguirán haciendo en el futuro. Se pueden descomponer en tendencia, estacionalidad y variación aleatoria.
Series de Tiempo Es una secuencia de datos uniformemente espaciada. Se obtiene observando las variables en periodos de tiempo regulares. Se trata de un pronóstico basado en los datos pasados; es decir que supone que los factores que han influido en el pasado lo seguirán haciendo en el futuro. Se pueden descomponer en tendencia, estacionalidad y variación aleatoria.
La 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. La Estacionalidad es la existencia de un patrón periódico de comportamiento de los datos. Se puede deber a la climatología, las costumbres, etc. y producirse dentro de un periodo diario, semanal, mensual, anual... Por ejemplo, los Subterráneos tienen dos claros picos de demanda durante las horas de flujo de pasajeros hacia y desde los trabajos; a su vez, durante los meses de verano tienen menor demanda que durante el resto del año, debido a la reducción de población en época de vacaciones. Las Variaciones Aleatorias, que son “saltos” en los datos causados por el azar y situaciones inusuales. Son de corta duración y no se repiten, o al menos no lo hacen con una frecuencia determinada. Al ser aleatorias, no se pueden predecir.
Media Simple Luego del método de “enfoque simple”, le sigue en simpleza la “media simple”. En este método pronosticamos un valor futuro similar al promedio de todos los valores pasados. Dentro de las ventajas del método tenemos que es muy amortiguado, por lo cual no encontramos grandes saltos, y es muy simple de comprender por cualquier persona. El problema es que al tener Pronósticos en cuenta todos los datos históricos, llega un momento donde los valores reales que se agregan Prácticamente no modifican el pronóstico futuro. Aún así, en algunas ocasiones se utiliza.
Media Móvil Consiste simplemente en tomar el promedio aritmético de la última n períodos. El valor de n se elige en función a la influencia que queramos que tenga la historia más antigua en la predicción de los valores futuros. Un valor de n muy chico, hará que los pronósticos sigan más de cerca a los últimos valores reales, mientras que un valor de n más grande, se traduce en una curva más amortiguada aunque, por el mismo motivo, también de una menor velocidad de cambio. Se utiliza si no hay tendencia o si ésta es escasa. Se suele utilizar para alisar la curva, facilitando una lectura general de los datos. MM=∑ Demanda de n pedido previos/n Casos particulares: Si sólo consideráramos 1 período previo para el cálculo de la media móvil, estaríamos utilizando la Estimación Simple.
Media Móvil Ponderada Se utiliza cuando se presenta una tendencia. Los datos anteriores pierden importancia relativa. Las ponderaciones se basan en la intuición. Ante cambios importantes de la demanda, puede seguir siendo muy lenta la respuesta. Media móvil Ponderada =∑ (ponderación para el periodo n) (demanda en el periodo n)/∑ Ponderaciones Casos particulares: Si le asignáramos el mismo peso (factor de ponderación) a cada uno de los n períodos elegidos, estaríamos utilizando la Media Móvil.
Suavización Exponencial Es un caso especial de pronóstico de media móvil ponderada, donde ahora los factores de ponderación disminuyen exponencialmente, dándole más peso a los períodos más recientes. Se necesita una constante de alisado (ά), que toma valores entre 0 y 1, eligiéndola de forma subjetiva. Ventaja: necesita una cantidad reducida de datos históricos. F t = Ft-1 + ά(A t-1 - F t-1) Donde
Media Simple Luego del método de “enfoque simple”, le sigue en simpleza la “media simple”. En este método pronosticamos un valor futuro similar al promedio de todos los valores pasados. Dentro de las ventajas del método tenemos que es muy amortiguado, por lo cual no encontramos grandes saltos, y es muy simple de comprender por cualquier persona. El problema es que al tener Pronósticos en cuenta todos los datos históricos, llega un momento donde los valores reales que se agregan Prácticamente no modifican el pronóstico futuro. Aún así, en algunas ocasiones se utiliza.
Media Móvil Consiste simplemente en tomar el promedio aritmético de la última n períodos. El valor de n se elige en función a la influencia que queramos que tenga la historia más antigua en la predicción de los valores futuros. Un valor de n muy chico, hará que los pronósticos sigan más de cerca a los últimos valores reales, mientras que un valor de n más grande, se traduce en una curva más amortiguada aunque, por el mismo motivo, también de una menor velocidad de cambio. Se utiliza si no hay tendencia o si ésta es escasa. Se suele utilizar para alisar la curva, facilitando una lectura general de los datos. MM=∑ Demanda de n pedido previos/n Casos particulares: Si sólo consideráramos 1 período previo para el cálculo de la media móvil, estaríamos utilizando la Estimación Simple.
Media Móvil Ponderada Se utiliza cuando se presenta una tendencia. Los datos anteriores pierden importancia relativa. Las ponderaciones se basan en la intuición. Ante cambios importantes de la demanda, puede seguir siendo muy lenta la respuesta. Media móvil Ponderada =∑ (ponderación para el periodo n) (demanda en el periodo n)/∑ Ponderaciones Casos particulares: Si le asignáramos el mismo peso (factor de ponderación) a cada uno de los n períodos elegidos, estaríamos utilizando la Media Móvil.
Suavización Exponencial Es un caso especial de pronóstico de media móvil ponderada, donde ahora los factores de ponderación disminuyen exponencialmente, dándole más peso a los períodos más recientes. Se necesita una constante de alisado (ά), que toma valores entre 0 y 1, eligiéndola de forma subjetiva. Ventaja: necesita una cantidad reducida de datos históricos. F t = Ft-1 + ά(A t-1 - F t-1) Donde
Ft = Pronóstico At = Valor real ά= Constante de alisado Viendo la fórmula uno podría preguntarse por qué tener en cuenta para un pronóstico un valor pronosticado en el pasado en lugar de utilizar el valor real. Para encontrar la respuesta, basta con abrir la expresión reemplazando progresivamente las expresiones de Ft-i, y se obtiene:
Ft = ά At - 1 + ά (1-ά)At - 2 + ά(1- ά)2·At - 3 + ά(1- ά)3At - 4 + ... + ά(1- ά)t-1·A0 En esta expresión se puede ver entonces que en realidad lo que se está haciendo es ponderando los valores reales anteriores, en forma suavizada. O sea que en Ft-1 está contenida toda la información real histórica. Casos particulares: Si ά=1, tenemos que Ft = At - 1, o sea que llegamos al “Enfoque Simple”. Si ά=0, tenemos que Ft = cte, o sea que llegamos al “Enfoque Terco” (esta denominación no existe; lo decimos simplemente para visualizar que estaría pronosticando siempre un mismo valor, constante, sin mirar siquiera qué viene sucediendo).
Suavización Exponencial con Ajuste de Tendencia Es un refinamiento del método anterior, donde se le suma al pronóstico suavizado exponencialmente (Ft), una tendencia también suavizada exponencialmente (Tt) FIT t = F t + T t Estos términos se calculan de la siguiente manera: F t = ά (A t-1) + (1- ά) (F t-1 + T t-1) T t = ά (F t - F t-1) + (1- ά) Tt-1
Análisis de Regresión Lineal Supone relación lineal entre las dos variables (demanda vs tiempo, demanda vs PBI, u otra variable independiente). Se calcula mediante el método de cuadrados mínimos. No vamos a ahondar en el tema en la materia ya que se ve en otras materias de la carrera, y hoy en día es muy simple su utilización desde Excel. Sólo queremos recordarles un punto importante que se suele pasar por alto: el coeficiente de correlación r, o el r2 sólo indican un mayor o menor grado de correlación lineal. O sea, que un valor cercano a cero no significa que no haya correlación, sino que lo que no hay es una fuerte correlación lineal, pero puede tranquilamente haber una cuadrática, o de algún otro grado.
Modelo Estacional Multiplicativo Cuando nos encontramos con un caso con una marcada estacionalidad, se debe utilizar un método que lo contemple, como por ejemplo éste. Los pasos a seguir son: 1. Encontrar la demanda estacional media (sumando la demanda de esa estación cada año y dividiéndola entre el número de años de datos disponibles) 2. Calcular la demanda total media -a lo largo de todas las estaciones- (dividiendo la demanda media anual entre el número de datos anual) 3. Calcular un índice estacional (dividiendo la demanda estacional media de esa estación - calculado en “1”- por la demanda total media –calculado en “2”-). 4. Estimar la demanda anual de todo el año próximo. 5. Calcular el pronóstico para cada estación (dividiendo esta estimación de la demanda anual total entre el número de estaciones y entonces multiplicarla por el índice estacional de esa estación)
Suavización Exponencial con Ajuste de Tendencia Es un refinamiento del método anterior, donde se le suma al pronóstico suavizado exponencialmente (Ft), una tendencia también suavizada exponencialmente (Tt) FIT t = F t + T t Estos términos se calculan de la siguiente manera: F t = ά (A t-1) + (1- ά) (F t-1 + T t-1) T t = ά (F t - F t-1) + (1- ά) Tt-1
Análisis de Regresión Lineal Supone relación lineal entre las dos variables (demanda vs tiempo, demanda vs PBI, u otra variable independiente). Se calcula mediante el método de cuadrados mínimos. No vamos a ahondar en el tema en la materia ya que se ve en otras materias de la carrera, y hoy en día es muy simple su utilización desde Excel. Sólo queremos recordarles un punto importante que se suele pasar por alto: el coeficiente de correlación r, o el r2 sólo indican un mayor o menor grado de correlación lineal. O sea, que un valor cercano a cero no significa que no haya correlación, sino que lo que no hay es una fuerte correlación lineal, pero puede tranquilamente haber una cuadrática, o de algún otro grado.
Modelo Estacional Multiplicativo Cuando nos encontramos con un caso con una marcada estacionalidad, se debe utilizar un método que lo contemple, como por ejemplo éste. Los pasos a seguir son: 1. Encontrar la demanda estacional media (sumando la demanda de esa estación cada año y dividiéndola entre el número de años de datos disponibles) 2. Calcular la demanda total media -a lo largo de todas las estaciones- (dividiendo la demanda media anual entre el número de datos anual) 3. Calcular un índice estacional (dividiendo la demanda estacional media de esa estación - calculado en “1”- por la demanda total media –calculado en “2”-). 4. Estimar la demanda anual de todo el año próximo. 5. Calcular el pronóstico para cada estación (dividiendo esta estimación de la demanda anual total entre el número de estaciones y entonces multiplicarla por el índice estacional de esa estación)
