Operaciones Part 4

Operaciones
Chapter
Gestin de la Demanda
4 y su Previsin
USFQ QUITO 2016 Marek Michalski Reproduction prohibited without permission

Gestin de la demanda
Identifica y gestiona toda la demanda de

productos.
Trabaja a largo, medio y corto plazo.
Supervisa la precisin de la previsin.
Ajusta las previsiones en funcin de la
demanda actual.

Gestin de la demanda
Mercado
Gestin de
la
demanda
Pedidos
de
clientes
Previsiones Planificacin
Previsiones de ventas y Programa
de nivel alto de ventas y operaciones maestro
a medio operaciones
plazo

Demanda Independiente vs. Demanda Dependiente
Solo la demanda independiente debe ser
forecasted
Demanda dependiente no debe ser forecasted;
debemos calcular la.
Independent demand

Fuentes de la Demanda
Forecasts (Previsiones)
Pedidos de los Clientes
Pedidos de reposicin desde DCs
Transferencias entre plantas
Otras

Demanda Estable vs. Dinmica
Demanda estable mantiene generalmente la

misma forma a lo largo del tiempo
Demanda dinmica suele ser erratica
Dinmica
Estable
Demanda
media

Modelo de la Demanda: Tendencias
Creciente
Decresiente
Plana (Nivelada)
Demanda
Quatrimestres

Modelo de la Demanda: Temporalidad
Demanda
Quatrimestres

Modelo de la Demanda: Error (Random)
Demanda
3
Quatrimestres

Problem
Cuando el cliente sospecha que puede

no recibir todo lo que solicit infla la
orden.
El productor tiene as una versin
distorsionada de la demanda lo que
puede resultar en decisiones incorrectas
de inversin para aumentar la capacidad
de produccin. (Lee, Padmmanabhan & Wang (1995).

Bullwhip effect
VOLUMEN
Supplier(s) Factory Distributor Retailer Customer

Problem
Qu se puede hacer?

Subcontratacin
Cubrir la demanda Ventajas:

con subcontratacin No hay exceso de
capacidad
Produccin nivelada
Desventaja:
Costes de
subcontratacin

Forecasting
Forecasting
Gestin de la Demanda

Gestin de demanda y previsin
Razones para la previsin:

Proporciona una visin del clima de negocio.
Es un preludio de la planificacin.
Es una exploracin de las amenazas y
oportunidades.
Los clientes no estn dispuestos a esperar mucho
tiempo.
Se necesita tiempo para establecer los recursos.
Anticipa las necesidades de liquidez.
Evita stock obsoletos.
Forecasting Provides a
Competitive Advantage for Disney
Global portfolio includes parks in Hong

Kong, Paris, Tokyo, Orlando, and Anaheim
Revenues are derived from people how
many visitors and how they spend their
money
Daily management report contains only
the forecast and actual attendance at each
park
4 - 16
Disney generates daily, weekly, monthly,

annual, and 5-year forecasts
Forecast used by labor management,
maintenance, operations, finance, and
park scheduling
Forecast used to adjust opening times,
rides, shows, staffing levels, and guests
admitted
4 - 17
20% of customers come from outside the

USA
Economic model includes gross domestic
product, cross-exchange rates, arrivals
into the USA
A staff of 35 analysts and 70 field people
survey 1 million park guests, employees,
and travel professionals each year
4 - 18
Inputs to the forecasting model include

airline specials, Federal Reserve policies,
Wall Street trends, vacation/holiday
schedules for 3,000 school districts
around the world
Average forecast error for the 5-year
forecast is 5%
Average forecast error for annual
forecasts is between 0% and 3%
4 - 19
Previsin. Algunas cuestiones
Muchas fuentes de informacin.

Las previsiones siempre son errneas.
Algunos productos son imprevisibles.
La previsin debe hacerse en los intervalos de tiempo
utilizados en la planificacin.
Software de previsin.
Revisar y volver a ajustar la previsin de forma peridica.

Usos de las Previsiones
Identifcar cambios y tendencias en la demanda

Identifcar y ajustar los errores relacionados con variaciones
aleatorias (random)
Ajustar el periodo de previsin lo ms cercano al periodo
actual para minimizar el error (bias) de la demanda media
Tomar las decisiones sobre stock de seguridad y nivel de
servicio basadas en el nivel de random variation (error de
previsin)

Principios de Forecasting
Forecasts (Previsiones)
No se confirman en 100% a lo largo del tiempo
Pueden llevar incluido un error
Son ms adecuadas al grupo o familia de productos
Son ms adecuadas para los periodos del tiempo ms
cercanas al momento actual

Recogida de datos y su preparacin
Registro de datos en los trminos

necesarios para el pronstico
Las circunstancias relativas al registro de los
datos
Registro de la demanda por separado para
los diferentes grupos de clientes

Recogida de datos y su preparacin - Ejemplo
Month 1 2 3 4 5 6 7 8 9 10 11 12
A 6000 6000
B 500 500 500 500 500 500 500 500 500 500 500 500
Media
1500 1500 1500 1500 1500 1500 1500 1500 1500 1500 1500 1500
Forecast
Cliente A demanda anual: 12,000

Cliente B demanda annual: 6,000
Total: 18,000
Media de los 12 meses: 1,500 por mes

Las Tcnicas de Forecasting
Forecasting
Techniques
Qualitative Quantitative
Judgment Mathematics
Intrinsic Extrinsic
(Time Series) (Causal)

Tcnicas Qualitativas
Basadas en la intuicin y las opiniones

Tienden a ser subjetivas
Son utilizadas especialmente para business planning y
forecasting de los nuevos productos
Se utilizan para las previsiones a medio y largo plazo

Tecnicas Qualitativas
Algunas de estas tcnicas son:
La Investigacin de Mercados
El Mtodo Delphi
Brainstorming Tormenta de Ideas.
Consulta a los Vendedores
Analoga Histrica
Panel de Consenso
Modelos Bayesianos
otros
Las mayores ventajas de estos mtodos radica
en la rapidez relativa de respuesta y los bajos
costos operativos.
Las mayores desventajas radican en la

subjetividad de opinin de los actores
(expertos) que puede influir en mayor o menor
grado hacia otros 27
Market Survey
Ask customers about purchasing

plans
Useful for demand and product design
and planning
What consumers say, and what they
actually do may be different
May be overly optimistic

Jury of Executive Opinion
Involves small group of high-level

experts and managers
Group estimates demand by working
together
Combines managerial experience with
statistical models
Relatively quick
Group-think
disadvantage

Delphi Method
Iterative group
process, continues Decision Makers
(Evaluate responses
until consensus is and make decisions)
reached
3 types of Staff
(Administering
participants survey)
Decision makers
Staff
Respondents Respondents
(People who can
make valuable
judgments)
Tecnicas Quantitativas: Extrinsic
Basadas en la correlacin y casualidad

(modelos de regresin)
Se basan en los indicadores externos
til en el pronstico de la demanda total de la
empresa o la demanda de las familias de
productos
Hay dos tipos de indicadores principales:
Econmico
Demografco

Tecnicas Quantitativas: Intrinsic
Basados en varios supuestos

El pasado nos ayuda a entender el futuro
Series temporales estn disponibles
El patrn de la demanda el pasado
predice el futuro modelo de la demanda
Ejemplos
Media Mvil
Alisamiento Exponencial

Model Selection
Choosing an appropriate forecasting model
depends upon
1. Time horizon to be forecast
2. Data availability
3. Accuracy required
4. Size of forecasting budget
5. Availability of qualified personnel
Forecasting Method Selection Guide
Forecasting Method Amount of Historical Data Data Pattern Forecast
Horizon
Simple moving average 6 to 12 months; weekly Stationary (i.e. no Short

data are often used trend or seasonality)
Weighted moving 5 to 10 observations Stationary Short

average and simple needed to start
exponential smoothing
Exponential smoothing 5 to 10 observations Stationary and Short

with trend needed to start trend
Linear regression 10 to 20 observations Stationary, trend, Short to

and seasonality Medium
Tcnicas de previsin a corto plazo
Permiten supervisar y actualizar continuamente los datos
sobre la demanda.
Mtodos:
Media simple
Media ponderada
Media mvil simple
Media mvil con tendencia
Alisado exponencial bsico
Alisado exponencial corregido con la tendencia
Estas tcnicas permiten tener en cuenta el grado de
estabilidad de la demanda, la estacionalidad y los
artculos de baja rotacin.
Medias simples
Facilidad de clculo.
Idneo para artculos con demanda estable.
Cuntas demandas anteriores incluir en el
clculo?
Cuantas ms demandas individuales se
incluyan en las series, menos influencia
tendrn la fluctuaciones aleatorias.
Cuantas menos demandas individuales se
incluyan en las series mayor ser la
posibilidad de que el modelo haya
cambiado y menos fiable ser la estimacin.
Medias Simples: Ejemplo
Estamos en el mes de Diciembre;

cual sera la previsin de la demanda
para el mes de Enero?
Jan Feb Mar Apr May Jun Jul Aug Sep Oct Nov Dec Jan
Mo.1 Mo.2 Mo.3
92 83 66 74 75 84 84 81 75 63 91 84 ?

Medias Mviles: Principios
Se utilizan mejor cando la demanda es estable

y con ligera tendencia o temporalidad.
Cando la demanda en el pasado mostraba la

variabilidad tipo random.

Medias Mviles: Lgica
Prevision de Media Mvil = demanda media en los periodos anteriores
Moving average forecast for month 4

Demand for months 1- 3 288
= = = 96 units
No. of months 3
Month Demand Three - Month Total Next Month

Forecast
1 102
2 91
3 95 288 96
Key: = Suma MONTH 4 FORECAST

Problem 2.1
Deman Three-Month Next Month

Month
d Total Forecast
1 102
2 91
3 95
4 105
5 94
6 101

Problem 2.1 Solucin
Three-Month Next Month

Month Demand
Total Forecast
1 102
2 91
3 95 288 96
4 105 291 97
5 94 294 98
6 101 300 100

Problem 2.1

Problem 2.1 Solution

Problem 2.1 Solucin
106
Actual
104 Forecast
Month 3-Month Forecast
Total 102
Demand
3 288 96 100
4 291 97 98
96
5 294 98
94
6 300 100
92
90
0 2 4 6 8
Period

Demanda real & media mvil simple
120
------- Demanda
---- --- 4 periodos
100 ---- --- 3 periodos
80
Demanda
60
40
20
0
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15
Periodo

Potential Problems With
Moving Average
Increasing n smooths the forecast but

makes it less sensitive to changes
Does not forecast trends well
Requires extensive historical data

Medias ponderadas
Facilidad de clculo.
Tiene en cuenta la tendencia de la serie; dando mayor
protagonismo a las demandas ms recientes.
La ponderacin mayor se asigna a la demanda ms
reciente y luego, movindose hacia atrs disminuimos
en una unidad la ponderacin de los perodos
siguientes.
Total Demanda * Ponderacin

Demanda media
Total Ponderacin

Graph of Moving Averages
Weighted moving average

30
Sales demand 25
20
15 Actual sales
10 Moving average
5
| | | | | | | | | | | |
J F M A M J J A S O N D
Figure 4.2 Month
2014 Pearson Education, Inc. 4 - 48

Alisado exponencial bsico
Media alisada = media alisada anterior + (demanda real - media alisada anterior)
Si = 0,1
Periodo Demanda Media Usos como Error de previsin
(A) (B) alisada previsin de un (Previsin Real)
(C ) perodo (E)
anticipado
(D)
1 54 (54)
2 81 56.70 54.00 -27.00
3 71 58.13 56.7 -14.3
4 80 60.32 58.13 -21.9
5 75 61.79 60.32 -14.68
6 79 63.51 61.79 -17.21
7 97 66.86 63.51 -33.49

Choice of Exponential Smoothing Factors
0.1 Low weighting -most smoothing

0.9 High weighting - close to actual
Actual sales

Choosing
The objective is to obtain the most accurate

forecast no matter the technique
- relatively small value of are common
usually in the range 0.1 to 0.3
- depends upon how much random
variation is present.
We generally do this by selecting the model
that gives us the lowest forecast error
Forecast error = Actual demand Forecast value

= At Ft
Class Problem 2.2
New forecast= (latest forecast) + (actual demand previous
period forecast)
A. Prepare an exponential smoothing forecast for June.
May data: actual demand = 220; forecast = 200.
Calculate the forecast for June using a smoothing

constant () of .20.
B. Prepare an exponential smoothing forecast for July.
June data: actual demand = 240
Calculate the forecast for July using a smoothing

constant () of .80.
Class Problem 2.2 Solution
New forecast= (latest forecast) + (actual demand previous
period forecast)
A. Prepare an exponential smoothing forecast for June.

= 200 + .2( 220 200) =
= 200 + 4 = 204
B. Prepare an exponential smoothing forecast for July.

= 204 + .8(240 204) =
= 204 + 28.8 = 232.8

Previsin estacional
Si un artculo tiene un modelo estacional en sus perfiles

de demanda, esto significa que el nivel de demanda
media varia en diferentes perodos de tiempo.
Por lo tanto, si se quieren hacer previsiones precisas,

es necesario utilizar tcnicas que tengan en cuenta los
cambios en el nivel medio de demanda. Hay dos
mtodos bsicos:
- ndices estacionales
- Mtodo de Series bsicas

NDICES ESTACIONALES
ndices estacionales
Desarrollar una previsin estacional para

cada periodo del ao cuya demanda
queremos prever
3
Desarrollar una previsin de la demanda

para todos los periodos
2
Calcular el ndice de la estacionalidad de

la demanda para cada periodo
1

ndices estacionales Paso 1
Demanda Historca
Ao Quatrimestre Total
1 2 3 4
1 122 108 81 90 401
2 130 100 73 96 399
3 132 98 71 99 400
Media 128 102 75 95 400
400
Demanda Media para todos quatrimestres = = 100 units
4
Quarter Average Quarterly Demand/100 Seasonal Index

1 128/100 = 1.28
2 102/100 = 1.02
3 75/100 = 0.75
4 95/100 = 0.95
Total = 4.00

Previsin Desestacionalizada (Step 2)
Hacer la previsin para el ao siguiente

Desestacionalizar la previsin distribuir la
de manera uniforma a lo largo de los 4
quatrimetstres
Demanda Desestacionalizadad Annual forecast

=
(demanda media/tiempo) No. of periods
420
= = 105 units
4

Previsn estacional (Paso 3)
Clculo
= (seasonal index)
Expected quarter demand (deseasonalized forecast
demand)
Expected first quarter demand = 1.28 X 105 = 134 units
Expected second quarter =
1.02 X 105 = 107 units
demand
Expected third quarter demand = .75 X 105 = 79 units
Expected fourth quarter =
.95 X 105 = 100 units
demand
Total forecast demand = 420 units

Los modelos de previsin aplicabilidad como criterio

Forecast Errors
Forecast error is the difference between the
forecast value and what actually occurred
All forecasts contain some level of error
Sources of error
Bias when a consistent mistake is made
Random errors that are not explained by the model being used
Measures of error
Mean absolute deviation (MAD)
Mean absolute percent error (MAPE)
Tracking signal
3-60
Bias versus Random variation
Bias Random Variation
La demanda acumulada puede ser Demanda variar por abajo o por

diferente que la previsin
arriba que la media
Month Forecast Actual Variation Forecast Actual Variation
1 100 90 -10 100 105 +5

2 100 125 +25 100 94 -6
3 100 120 +20 100 98 -2
4 100 125 +25 100 104 +4
5 100 120 +20 100 103 +3
6 100 110 +10 100 96 -4
Cumulative
Total 600 690 +90 600 600 0
Bias existse si suma de No existe bias si la suma de

variaciones es distinta que un variaciones es igual a cero (0).
cero (0).
Mean Absolute Deviation (MAD)
| ||A - F|
MAD = n
n
Absolute errors 260

MAD = = = 22 units
No. of periods 12
Key: = Sum; I I = Absolute Value

Determining the MAD
ACTUAL FORECAST ABSOLUTE FORECAST ABSOLUTE
TONNAGE WITH DEVIATION WITH DEVIATION
QUARTER UNLOADED = .10 FOR a = .10 = .50 FOR a = .50
1 180 175 5.00 175 5.00
2 168 175.50 7.50 177.50 9.50
3 159 174.75 15.75 172.75 13.75
4 175 173.18 1.82 165.88 9.12
5 190 173.36 16.64 170.44 19.56
6 205 175.02 29.98 180.22 24.78
7 180 178.02 1.98 192.61 12.61
8 182 178.22 3.78 186.30 4.30
Sum of absolute deviations: 82.45 98.62
|Deviations|
MAD = 10.31 12.33
n

Forecast Error Measurements
Ideally, MAD will be zero MAPE scales the forecast error to
(no forecasting error) the magnitude of demand
Larger values of MAD
indicate a less accurate
model
Tracking signal indicates whether
forecast errors are accumulating
over time (either positive or
negative errors)
3-64
Seguimiento de la
Previsin

Seguir la Previsin
Forecasts no se cumplen cas nnca

en un 100%
Porqe seguir las previsiones?
Para entender porque la demanda es
diferente que la previsin
Para prever los errores en el futuro
Para mejorar los mtodos de hacer
las previsiones

Seguimiento del error de previsin
Es imprescindible tener un proceso de control de los cambios de
demanda y una medida del error de previsin. Estos dos nos
permitirn saber cuando el sistema falla o est fuera de control
Permite hacer ajustes para corregir la previsin y obtener una
varianza aceptable de la demanda real.
El mtodo ms simple de controlar un sistema de previsin es el
uso de una Seal de Seguimiento. .
Basado en establecer la aceptabilidad o error de previsin
dentro de unos grados de seguridad estadstica.
La seal de seguimiento siempre se encuentra ente +1 y -1.
El valor de los lmites control viene determinado por el nivel de
confianza y el valor de la constante de alisado .

Tracking Signal Measurements
Tracking signal indicates whether forecast errors are

accumulating over time (either positive or negative errors)
Positive TS demand is > than forecast; negative TS is
demand is <than forecast
Small RSFE is OK ; high RSFE seems BIAS error
3-68
Tracking Signal
Signal exceeding limit
Tracking signal
+ Upper control limit
0 MADs Acceptable range
Lower control limit

Time
1MAD = .8 standard deviation

2MAD = +/- 1.6 standard deviations
FORECAST UNDER CONTROL 89% errors = +/- 2MAD

- 98% errors = +/- 3MAD
- 99,9% errors = +/- 4MAD
Puesta en marcha de un sistema de previsin (1)
Especificar las razones de la necesidad de un

sistema de previsin.
Identificar el nmero de productos.
Identificar los grupos de productos de difcil
previsin.
Evaluar los costes y los beneficios del sistema
de previsin.
Elegir un equipo de proyecto, encontrar un
proveedor y desarrollar programas de
formacin y puesta en marcha.

Puesta en marcha de un sistema de previsin (2)
Probar varios sistemas de previsin sobre datos
histricos para analizar el nivel de exactitud de la
previsin y su facilidad de uso.
Determinar cmo se integrar la previsin en la
planificacin de ventas y operaciones, fabricacin,
etc.
Definir cmo tiene que gestionarse el sistema.
Objetivo: obtener una nica previsin para su uso en
los sistemas de planificacin.
Dedicar recursos suficientes a la formacin.

PREGUNTAS DEL TEMA 4
1. Can a factory be fast, dependable, flexible, produce
high-quality products, and still provide poor service from
a customers perspective?
2. Why should a service organization worry about being world

class if it does not compete outside its own national border?
What impact does the Internet have on this?
3. What are the major priorities associated with operations and

supply chain strategy? How has their relationship to each other
changed over the years?
4. Find examples where companies have used features related

to environmental sustainability to win new customers.

Operaciones Part 4

Hochgeladen von

Dokumentinformationen

Originaltitel

Copyright

Verfügbare Formate

Dieses Dokument teilen

Dokument teilen oder einbetten

Freigabeoptionen

Stufen Sie dieses Dokument als nützlich ein?

Sind diese Inhalte unangemessen?

Copyright:

Verfügbare Formate

Operaciones Part 4

Hochgeladen von

Copyright:

Verfügbare Formate

Operaciones

USFQ QUITO 2016 Marek Michalski Reproduction prohibited without permission

Identifica y gestiona toda la demanda de

USFQ QUITO 2016 Marek Michalski Reproduction prohibited without permission

USFQ QUITO 2016 Marek Michalski Reproduction prohibited without permission

USFQ QUITO 2016 Marek Michalski Reproduction prohibited without permission

USFQ QUITO 2016 Marek Michalski Reproduction prohibited without permission

Demanda estable mantiene generalmente la

USFQ QUITO 2016 Marek Michalski Reproduction prohibited without permission

USFQ QUITO 2016 Marek Michalski Reproduction prohibited without permission

USFQ QUITO 2016 Marek Michalski Reproduction prohibited without permission

USFQ QUITO 2016 Marek Michalski Reproduction prohibited without permission

Cuando el cliente sospecha que puede

USFQ QUITO 2016 Marek Michalski Reproduction prohibited without permission

Supplier(s) Factory Distributor Retailer Customer

USFQ QUITO 2016 Marek Michalski Reproduction prohibited without permission

USFQ QUITO 2016 Marek Michalski Reproduction prohibited without permission

Cubrir la demanda Ventajas:

USFQ QUITO 2016 Marek Michalski Reproduction prohibited without permission

USFQ QUITO 2016 Marek Michalski Reproduction prohibited without permission

Razones para la previsin:

Global portfolio includes parks in Hong

Disney generates daily, weekly, monthly,

20% of customers come from outside the

Inputs to the forecasting model include

Muchas fuentes de informacin.

USFQ QUITO 2016 Marek Michalski Reproduction prohibited without permission

Identifcar cambios y tendencias en la demanda

USFQ QUITO 2016 Marek Michalski Reproduction prohibited without permission

USFQ QUITO 2016 Marek Michalski Reproduction prohibited without permission

Registro de datos en los trminos

USFQ QUITO 2016 Marek Michalski Reproduction prohibited without permission

Cliente A demanda anual: 12,000

USFQ QUITO 2016 Marek Michalski Reproduction prohibited without permission

USFQ QUITO 2016 Marek Michalski Reproduction prohibited without permission

Basadas en la intuicin y las opiniones

USFQ QUITO 2016 Marek Michalski Reproduction prohibited without permission

Las mayores desventajas radican en la

Ask customers about purchasing

USFQ QUITO 2016 Marek Michalski Reproduction prohibited without permission

Involves small group of high-level

USFQ QUITO 2016 Marek Michalski Reproduction prohibited without permission

Basadas en la correlacin y casualidad

USFQ QUITO 2016 Marek Michalski Reproduction prohibited without permission

Basados en varios supuestos

USFQ QUITO 2016 Marek Michalski Reproduction prohibited without permission

Simple moving average 6 to 12 months; weekly Stationary (i.e. no Short

Weighted moving 5 to 10 observations Stationary Short

Exponential smoothing 5 to 10 observations Stationary and Short

Linear regression 10 to 20 observations Stationary, trend, Short to

Estamos en el mes de Diciembre;

USFQ QUITO 2016 Marek Michalski Reproduction prohibited without permission

Se utilizan mejor cando la demanda es estable

Cando la demanda en el pasado mostraba la

USFQ QUITO 2016 Marek Michalski Reproduction prohibited without permission

Moving average forecast for month 4

Month Demand Three - Month Total Next Month

Key: = Suma MONTH 4 FORECAST

USFQ QUITO 2016 Marek Michalski Reproduction prohibited without permission

Deman Three-Month Next Month

USFQ QUITO 2016 Marek Michalski Reproduction prohibited without permission

Three-Month Next Month

6 101 300 100