SISTEMAS DE

INFORMACION PARA LA
PRODUCCION
ICI 544
Prof. Orlando Durn
Escuela de Ingeniera Mecnica PUCV
orlando.duran@ucv.cl
www.orlandoduran.cl
Clase 02

Funciones de Ingeniera
CAE CAD CAPP CAM

BD

Comun

Programacin
CNC

Control de la
Produccin

Control de las
Mquinas

Colecta de Datos

Control del Sistema

de Transporte

Control del
Estoque
Control de
Cantidad,
tiempos y custos
Control del
Expedicin

CAP
P

Planificacion de
Procesos de
Fabricacion

CAM

PMP
MRP
Ajuste de
Capacidad
Secuencimiento
Liberacin de
rdenes

Proyecto

Control del
Estoque
Control del
Montaje
Mantencin
Inspeccin

CAQ

Estim.Ctos. e
Fijacin Precios

CA
D- C
AE

Pre-Proyecto

PLANIFICACIN

Ventas
Pronsticos

IMPLEMENTACIN

Funciones de Organizacin y
Logstica - PCP

INTRODUCIN
La previsin de la demanda es la base para la
planificacin estratgica de la Produccin,
Ventas y Finanzas de cualquier empresa.
Permite que los administradores de estos
sistemas antevean el futuro y planeen
adecuadamente sus acciones.
Las previsiones son usadas por la PCP en de los
momentos distintos:
para planificar el sistema productivo y
para planificar el uso de este sistema
productivo.

INTRODUCIN
La responsabilidad por la preparacin de la previsin de la
demanda normalmente es del sector de Marketing o
Ventas.
Sin embargo, existen de los buenos motivos para que la
gente de la PCP entienda como esta actividad se realiza.
La previsin de la demanda es la principal informacin
empleada por la PCP en la elaboracin de sus
actividades;
En empresas de pequeo y medio porte, no existe an
una especializacin muy grande de las actividades, as
le cabe al personal de PCP (generalmente el mismo de
Ventas) elaborar estas previsiones.
Actualmente las empresas estn buscando un
relacionamiento mas eficiente dentro de su cadena
productiva.

ETAPAS DE UM MODELO DE
PREVISIN
Objetivo del modelo

Colecta y anlisis de los datos

Seleccin de la tcnica de previso

Obtencin de las previsiones

Monitoracin del modelo

Etapas de un Modelo de
Previsin

OBJETIVO
o

Definir la razn por la cul necesitamos de previsiones.

Que producto (familias de productos) ser previsto,
Grado de precisin y detalle de la previsin
Recursos que estarn disponibles para la previsin.

la sofisticacin y el detallamiento del modelo depende de

la importancia relativa del producto, o familia de
productos, a ser previsto y del horizonte al cul la
previsin se destina.
tems poco significativos pueden ser previstos con mayor
margen de error, emplendose tcnicas simples. As
como se admite un margen de error mayor para
previsiones de largo plazo, emplendose datos
agregados de familias de productos.

Etapas de un Modelo de Previsin

COLECTA Y ANLISIS DE LOS

DATOS

Objetiva identificar y desarrollar la tcnica de previsin que mejor se

adapte.
Algunos cuidados bsicos:
Cuanto mas datos histricos sean colectados y analizados, mas
confiable la tcnica de previsin ser;
Los datos deben buscar la caracterizacin de la demanda por los
productos de la empresa, que no es necesariamente igual la las
ventas pasadas;
Variaciones extraordinarias de la demanda deben ser analizadas y
substituidas por valores medios, compatibles con el
comportamiento normal de la demanda;
El tamao del perodo de consolidacin de los datos tiene influencia
directa en la eleccin de la tcnica de previsin mas adecuada, as
como en la anlisis de las variaciones extraordinarias.

Etapas de un Modelo de Previsin

COLECTA Y ANLISIS DE LOS

DATOS

Etapas de un Modelo de Previsin

SELECCIN DE LA TCNICA DE PREVISIN

Existen tcnicas cualitativas y cuantitativas. Cada una teniendo

su campo de accin y su aplicabilidad. Algunos factores
merecen destaque en la eleccin de la tcnica de previsin:

decidir considerando la curva de trade-off costo-precisin;

la disponibilidad de datos histricos;
la disponibilidad de recursos computacionales;
la experiencia pasada con la aplicacin de determinada
tcnica;
la disponibilidad de tiempo para recolectar, analizar y
preparar los datos y la previsin; y
el perodo de planificacin para el cul necesitamos de la
previsin.

Etapas de un Modelo de Previsin

SELECCIN DE LA TCNICA DE PREVISIN

Con la definicin de la tcnica de previsin y la
aplicacin de los datos pasados para la obtencin de
los parmetros necesarios, podemos obtener las
proyecciones futuras de la demanda. Cuanto mayor
sea el horizonte pretendido, menor la confiabilidad en
la demanda prevista.
A medida en que las previsiones estn siendo
alcanzadas por la demanda real, se debe
monitorear el error entre la demanda real y la
prevista, para verificar se la tcnica y los parmetros
empleados an son vlidos. En situaciones normales,
un ajuste en los parmetros del modelo, para que
refleje las tendencias mas recientes, es suficiente.

TCNICAS DE PREVISIN

Existe una serie de tcnicas disponibles, con diferencias

substanciales entre ellas. Sin embargo, cabe describir las
caractersticas generales que normalmente estn presentes en
todas las tcnicas de previsin, que son:
Se supone que las causas que influenciaron la la demanda
pasada continuarn la actuar en el futuro;
Las previsiones no son perfectas, pues no somos capaces de
prever todas las variaciones aleatorias que ocurrirn;
La precisin de las previsiones disminuye con el aumento del
perodo de tiempo utilizado;
La previsin para grupos de productos es ms precisa que
para los productos individualmente, pues dentro de un grupo
los errores individuales de previsin se anulan o compensan.

TCNICAS DE PREVISIN

Las tcnicas de previsin pueden ser subdivididas en dos

grandes grupos:
Las tcnicas cualitativas que, privilegian principalmente
datos subjetivos, los cuales son difciles de representar
numricamente. Estn basadas en la opinin y en el juicio
de personas claves, especialistas en los productos o en los
mercados donde actan estos productos;
Las tcnicas cuantitativas que, envuelven el anlisis
numrico de los datos pasados, obviando las opiniones
personales. Se emplean modelos matemticos para
proyectar la demanda futura. Pueden ser subdivididas en
dos grandes grupos: las tcnicas basadas en series
temporales, y las tcnicas basadas en correlaciones.

PREVISIONES BASADAS EN SERIES

TEMPORALES

Parten del principio de que la demanda

futura ser una proyeccin de los valores
pasados, no sufriendo influencia de otras
variables.
Es el mtodo ms simple y usual de previsin, y cuando
bien elaborado presenta buenos resultados.
Para montar el modelo de previsin, es necesario plotar
los datos pasados y identificar los factores que estn
por tras de las caractersticas de la curva obtenida.
Una curva temporal de previsin puede contener
tendencia, estacionalidad, variaciones irregulares y
variaciones aleatorias.

PREVISIONES BASADAS EN SERIES

TEMPORALES

Tendencia

Ciclos/Estacionalidad
60
50

Demanda

40
30
20

Variacion irregular

Variacion Aleatoria

10
0
Jan.

Feb.

Mar.

Abr.

May.

Jun.

Jul.

Ago.

Sep.

Oct.

Nov.

Dic.

PREVISIONES BASADAS EN SERIES

TEMPORALES
TENDENCIA: consiste en un movimiento gradual,
de largo plazo, direccionando de los datos (+o -).
ESTACIONALIDAD: Se refiere la variaciones
cclicas de corto plazo, relacionadas al factor
tempo.
VARIACIONES IRREGULARES: Son alteraciones
en la demanda pasada resultantes de factores
excepcionales, que no pueden ser previstos. Estos
datos deben ser retirados de la serie histrica y
substituidos por la media.
VARIACIONES ALEATORIAS: Ninguna de las
anteriores. Deben ser tratadas por la media.

Previsiones Basadas en Series Temporales

Tcnica para la Previsin de la

Media
Los datos histricos, normalmente, contienen
componentes aleatorios. Estas variaciones son
de difcil determinacin y su remocin completa
no es viable.
As se incorporan estas variaciones en el
modelo, utilizando tcnicas basadas en la
media.
Las tcnicas de previsin de la media buscan
privilegiar los datos mas recientes de la serie
histrica, que normalmente representan mejor
la situacin actual.

Previsiones Basadas en Series

Temporales
Tcnica para la Previsin de la Media:

MEDIA MVIL

La media mvil usa datos de un nmero predeterminado de perodos,

normalmente los mas recientes, para generar su previsin. A cada
nuevo perodo de previsin, se substituye el dado ms antiguo por el
mas reciente.

Mm n

D
i 1

Previsiones Basadas en Series Temporales

Tcnica para la Previsin de la Media:

Perodo
Enero Feb
Demanda
60
50

Mm3

50 45 70
55,00
3

Mm5

MEDIA MVIL

Marzo Abril Mayo Junio

45
50
45
70

Mm3

45 70 60
58,33
3

50 45 50 45 70
52,00
5

Previsiones Basadas en Series Temporales

Tcnica para la Previsin de la Media: MDIA EXPONENCIAL

MVIL

El peso de cada observacin decrece en el tiempo en

progresin geomtrica, y de forma exponencial.
Cada nueva previsin es obtenida con base en la previsin
anterior, sumado el error cometido en la previsin
anterior, corregido por un coeficiente de ponderacin

Mt=M

t-1

+ (D

donde:
M t = Previsin del perodo t

M t-1 = Previsin del perodo t - 1

= coeficiente de ponderacin
D t-1 = Demanda del perodo t - 1

t-1

-M

error

t-1

Previsiones Basadas en Series Temporales

Tcnica para la Previsin de la Media: MDIA EXPONENCIAL

MVIL

Perodo
1
2
3
4
5
6
7
8
9
10
11

Demanda
90
95
98
90
92
95
90
100
92
95

= 0,10
Previsin
90,00
90,50
91,25
91,12
91,20
91,58
91,42
92,27
92,25
92,52

Error
5,00
7,50
-1,25
0,88
3,80
-1,58
8,58
-0,27
2,75

= 0,50
Previsin
90,00
92,50
95,25
92,62
92,31
93,65
91,82
95,91
93,95
94,47

Error
5,00
5,50
-5,25
-0,62
2,69
-3,65
8,18
-3,91
1,05

Previsiones Basadas en Series Temporales

Tcnica para la Previsin de la Tendencia

La tendencia se refiere al movimiento gradual de
largo plazo.
El clculo de la estimativa de la tendencia es
realizado por la identificacin de una ecuacin
que describe este movimiento.
Esta ecuacin puede ser lineal o no (exponencial,
parablica, logartmica y otras).

Previsiones Basadas en Series

Temporales
Tcnica para la Previsin de la Tendencia: ECUACIN

LINEAL
Una ecuacin lineal posee el siguiente formato:

Y = Previsin de la demanda para el perodo X;

a = Ordenada en el origen, la intercepcin con el eje de los Y;
b = Coeficiente angular;
X = Perodo (partiendo de X=0) para previsin;
n = nmero de perodos observados.

Y a bX
b

X Y
n X X

n XY
2

Y b X

a
n

Previsiones Basadas en Series

Temporales
Tcnica para la Previsin de la Tendencia:

ECUACIN

LINEAL
Semana(X)

Demanda(Y)

1
2
3
4
5
6
7
8

450
430
470
480
450
500
520
530
3830

X
1
3
6
10
15
21
28
36

8 17770 36 3830 4280

b

12,73
8 204 36 36
336

3830 12,73 36
a
421,46
8

1
5
14
30
55
91
140
204

XY
450
860
1410
1920
2250
3000
3640
4240
17770

Y = 421,46 + 12,73 X

Y9 = 421,46 + 12,73 (9) = 536,03

Y10 = 421,46 + 12,73 (10) = 548,76

Previsiones Basadas en Series Temporales

Tcnica para la Previsin de la Tendencia:

SUAVIZADO

EXPONENCIAL

Pt 1 M t Tt

M t Pt 1 Dt Pt

Tt Tt 1 2 Pt Pt 1 Tt 1

Pt+1 = Previsin de la demanda para el perodo t+1;

Pt = Previsin de la demanda para el perodo t;
Pt-1 = Previsin de la demanda para el perodo t-1;
Mt = Previsin media exponencial mvil de la demanda para t;
Tt = Previsin de la tendencia para el perodo t;
Tt-1 = Previsin de la tendencia para el perodo t-1;
1 = coeficiente de ponderacin de la media;
2 = coeficiente de ponderacin de la tendencia;
Dt = Demanda do perodo t;

Previsiones Basadas en Series

Temporales
Tcnica para la Previsin de la Tendencia:

SUAVIZADO

EXPONENCIAL
Perodo
t

Demanda
D

1
2
3
4
5
6
7
8

200
250
240
300
340
390
350
400

M t Pt 1 Dt Pt

Tt Tt 1 2 Pt Pt 1 Tt 1

Estimativa inicial de la tendncia = (240-200)/2 = 20

Estimativa inicial de la demanda = 240 + 20 = 260

Pt 1 M t Tt

240
260=240+20
268=260+0,2(300-260)
20=20+0,3((260-240)-20)
288=268+20
298,4=288+0,2(340-288)
22,4=20+0,3((288-260)-20)
320,8=298,4+22,4
334,6=320,8+0,2(390-320,8) 25,5=22,4+0,3((320,8-288)-22,4) 360,1=334,6+25,5
358,0=360,1+0,2(350-360,1) 29,6=25,5+0,3((360,1-320,8)-25,5) 387,6=358,0+29,6
390,1=387,6+0,2(400-387,2) 29,0=29,6+0,3((387,6-360,1)-29,6) 419,1=390,1+29,0

Previsiones Basadas en Series Temporales

TCNICAS PARA PREVISIN CON ESTACIONALIDAD
La estacionalidad est expresada en trminos de
una cantidad, o de un porcentaje, de la demanda
que se desva de los valores medios de la serie. Si
existe tendencia, ella debe ser considerada.
El valor aplicado sobre la media, o la tendencia, es
conocido como ndice de estacionalidad.
La forma mas simple de considerar la estacionalidad
en las previsiones de demanda, consiste en emplear
el ltimo dato de la demanda, en el perodo
estacional en cuestin, y asumirlo como previsin .

Previsiones Basadas en Series Temporales

TCNICAS PARA PREVISIN CON
ESTACIONALIDAD

La forma mas usual de inclusin de la estacionalidad en las

previsiones de la demanda, consiste en obtener el ndice de
estacionalidad para los diversos perodos, emplendose la
media mvil centrada, y aplicarlos sobre el valor medio (o
tendencia) previsto para el perodo en cuestin.
El ndice de estacionalidad es obtenido dividiendo el valor
de la demanda en el perodo por la media mvil centrada
en este perodo. El perodo que se usa para el clculo de
la media mvil es igual al ciclo de estacionalidad.
Cuando se disponen de datos suficientes, se calculan
varios ndices para cada perodo y se calcula un promedio
entre ellos.

Temporales
TCNICAS PARA PREVISIN CON
ESTACIONALIDAD
Dia
Segunda
Tera
Quarta
Quinta
Sexta
Sbado
Domingo
Segunda
Tera
Quarta
Quinta
Sexta
Sbado
Domingo
Segunda
Tera
Quarta
Quinta
Sexta
Sbado
Domingo
Segunda
Tera
Quarta

Demanda
50
55
52
56
65
80
85
55
50
58
50
70
75
80
52
50
54
60
65
85
90
50
53
55

Mdia Mvel Centrada

ndice

443/7=63,28
448/7=64
443/7=63,28
449/7=64,14
443/7=63,28
448/7=64
443/7=63,28
438/7=62,57
435/7=62,14
435/7=62,14
431/7=61,57
441/7=63
436/7=62,28
446/7=63,71
456/7=65,14
454/7=64,85
457/7=65,28
458/7=65,42

56/63,28=0,88
65/64=1,01
80/63,28=1,26
85/64,14=1,32
55/63,28=0,86
50/64=0,78
58/63,28=0,91
50/62,57=0,79
70/62,14=1,12
75/62,14=1,20
80/61,57=1,29
52/63=0,82
50/62,28=0,80
54/63,71=0,84
60/65,14=0,92
65/64,85=1,00
85/65,28=1,30
90/65,42=1,37

Isegunda = 0,84
Itera = 0,79
Iquarta = 0,87
Iquinta = 0,86
Isexta = 1,04
Isbado = 1,25
Idomingo = 1,32

Previsiones Basadas en Series Temporales

TCNICAS PARA PREVISIN CON ESTACIONALIDAD

En caso de la demanda presente estacionalidad y

tendencia, existe necesidad de incorporar las
caractersticas al modelo de previsin. Para hacer esto,
se debe emplear los siguiente pasos:
retirar la componente de estacionalidad de la serie de
datos histricos, dividindolos por los
correspondientes ndices de estacionalidad;
con estos datos, se desarrolla una ecuacin que
represente la componente de la tendencia;
con la ecuacin de la tendencia se hace la previsin
de la demanda y se multiplicar por el ndice de
estacionalidad.

PREVISIONES BASADAS EN
CORRELACIONES
Buscan preveer la demanda de determinado producto a
partir de la previsin de otra variable que est relacionada
con el producto.
El objetivo de la regresin lineal simple consiste en
encontrar una ecuacin linear de previsin, del tipo:
Y = a + bX (donde Y es la variable dependiente a
ser prevista y X la variable independiente de la
previsin),
de forma que la suma de los cuadrados de los errores
de previsin () sea la mnima posible.
Este mtodo tambin es conocido como regresin de los
mnimos cuadrados.

PREVISIONESES BASADAS EN
CORRELACIONES

X Y
n X X

n XY

Y b X

a
n

Y = a + bX

Previsiones Basadas en Correlaciones

EJEMPLO

Una cadena de fastfood verific que las ventas mensuales de

porciones en sus casas estn relacionadas al nmero de alumnos
matriculados en escuelas situadas en un radio de 2 kilmetros en
torno de la casa. La empresa pretende instalar una nueva casa en
una regin donde el nmero de alumnos es de 13.750. Cul es
la previsin de la demanda para esta nueva casa?
XY X Y 13 5224,86 143,10 450,71

b
2,99
=
13 1663,37 143,10
n X X
Y b X 450,71 2,99 143,10

=
a
1,757
n

13

Y 1,757 2,99 13,75 42,869 o sea 42869 porciones

MANTENCIN y MONITORIZACIN DEL

MODELO
Una vez decidida la tcnica de previsin e implantado el
modelo, existe la necesidad de acompaar el desempeo
de las previsiones y confirmar su validez en funcin de la
dinmica actual de los datos.
Esta monitorizacin es realizada a travs del clculo y
acompaamiento del error de la previsin, que es la
diferencia que ocurre entre el valor real de la demanda y el
valor previsto por el modelo para un dado perodo.
La mantencin y monitorizacin de un modelo de previsin
confiable busca:
verificar la precisin de los valores previstos;
identificar, aislar y corregir variaciones anormales;
permitir la eleccin de tcnicas, o parmetros, mas
eficientes.

MANTENCIN y MONITORIZACIN DEL

MODELO

Una forma de verificar el desempeo del modelo consiste

en comprobar el comportamiento del error acumulado que
debe tender a cero, pues se espera que el modelo de
previsin genere, al azar, valores arriba y abajo de los
reales, debiendo as anularse.
El error acumulado debe ser comparado con un mltiplo
del desvo medio absoluto, conocido como MAD (Mean
Absolute Deviation).
En general, se compara el valor del error acumulado con
el valor de 4 MAD. Cuando pasar de este valor, el
problema debe ser identificado y el modelo debe ser
revisado.

MANTENCIN y
MONITORIZACIN DEL MODELO
= 0,10
Perodo
1
2
3
4
5
6
7
8
9
10

Datual
90
95
98
90
92
95
90
100
92
95

Dprevista
90,00
90,50
91,25
91,12
91,20
91,58
91,42
92,27
92,25

Erro
5,00
7,50
-1,25
0,88
3,80
-1,58
8,58
-0,27
2,75

Erro 25,41

MAD = 31,61/9 = 3,51

= 0,50
Dprevista
90,00
92,50
95,25
92,62
92,31
93,65
91,82
95,91
93,95

Erro
5,00
5,50
-5,25
-0,62
2,69
-3,65
8,18
-3,91
1,05

Erro 8,99

MAD = 35,85/9 = 3,98

Para = 0,10, tenemos que: 4 3,51 14,04 25,41 ;

Para = 0,50, tenemos que: 4 3,98 15,92 8,99 .

MANTENCIN y MONITORIZACIN DEL

MODELO

FACTORES MS COMUNES QUE PUEDEN AFECTAR EL

DESEMPEO DE UN MODELO DE PREVISIN:

La tcnica de previsin puede estar siendo usada

incorrectamente, o siendo mal interpretada;
La tcnica de previsin perdi la validad debido al cambio en
una variable importante, o debido al aparecimiento de una
nueva variable;
Variaciones irregulares en la demanda pueden haber
ocurrido en funcin de huelgas, formacin de inventarios
temporales, catstrofes naturales y otras.
Acciones estratgicas de la competencia, afectando la
demanda;
Variaciones aleatorias inherentes la los datos de la
demanda.