Blog sobre la Gestión e Investigación de Operaciones con tutoriales y ejercicios resueltos.
Categoría: Proyección de Demanda
Métodos de Series de Tiempo para el desarrollo de Pronósticos de Demanda: Media Móvil Simple, Media Móvil Ponderada, Suavizamiento Exponencial, Suavizamiento Exponencial Doble, Regresión Lineal, Método de Descomposición, entre otros. Cálculo del MAD, Señal de Rastreo y MAPE para un pronóstico de demanda.
La Raíz del Error Cuadrático Medio o RMSE (Root Mean Squared Error) es una medida de desempeño cuantitativa utilizada comúnmente para evaluar métodos de pronóstico de demanda. En este contexto RMSE consiste en la raíz cuadrada de la sumatoria de los errores cuadráticos. En comparación con la Desviación Media Absoluta o MAD, RMSE amplifica y penaliza con mayor fuerza aquellos errores de mayor magnitud. La fórmula de cálculo del RMSE se muestra a continuación:
Al utilizar el método de pronostico de Suavizamiento Exponencial con α=0,8439, se puede obtener fácilmente la Raíz del Error Cuadrático Medio (RMSE) con la ayuda de Excel tal como se muestra a continuación:
En detalle el cálculo del RMSE consiste en:
Lo cual corrobora los resultados alcanzados en su momento con Crystal Ball:
El software Oracle Crystal Ball (conocida comúnmente como Crystal Ball) es una aplicación compatible con hojas de cálculo para la elaboración de modelos predictivos, simulación y optimización. Una de sus características principales es que incorpora un módulo para el análisis de datos y proyecciones denominado Predictor sobre el cual presentaremos en este artículo algunos antecedentes básicos respecto a su funcionamiento.
Una vez instalado Crystal Ball se habilitará una nueva pestaña en el menú de navegación en la interfaz de Excel con nombre Crystall Ball donde se muestran las distintas herramientas que incorpora dicho programa. La siguiente imagen muestra un extracto de la visualización anterior con foco especial en el módulo Predictor en Crystal Ball según lo descrito anteriormente:
Crystal Ball reconoce automáticamente los datos de la serie de tiempo al menos que existan más de una serie en la hoja de cálculo, caso en el cual siempre estará disponible la opción de seleccionar los datos de origen. En nuestro ejemplo el rango de datos se encuentra entre la celda B2 y C14 de la planilla de cálculo. Las opciones y ajustes en este nivel están disponibles en el menu Datos de entrada.
A continuación seleccionamos Siguiente para pasar a las opciones de Atributos de datos. Por ejemplo se puede especificar que los datos están en meses (o según sea el caso), además de incluir información respecto a eventos relevantes en la serie de tiempo y el ajuste de valores atípicos u outliers. Para seguir avanzando se selecciona Siguiente.
En el menú Métodos muestra los distintos métodos disponibles para su ejecución asociados a los datos de entrada. En este artículo arbitrariamente hemos decidido acotar el análisis a 2 métodos de series de tiempo ampliamente utilizados: Promedio Móvil Simple y Suavizado Exponencial Simple (conocido este último también como suavizamiento o alisamiento exponencial).
En el caso del método de medias móviles se ha considerado un promedio de 3 períodos o n=3 (sólo para fines ilustrativos, por cierto se puede seleccionar otro valor para n). Para ello se hace doble clic en el icono Promedio Móvil Simple:
Para implementar la opción de n=3 se activa la casilla Parámetros de bloqueo y se ingresa Orden 3 y Aceptar.
Finalmente al seleccionar Siguiente se accede al menú de Opciones se puede seleccionar la medida de error que se desea utilizar para efectos de comparación de los métodos seleccionados en el paso anterior. En este caso hemos seleccionado el MAD o Desviación Absoluta Media no obstante también se puede seleccionar el Error Cuadrático Medio (RMSE) o Error de Porcentaje Medio Absoluto (MAPE).
Para terminar se debe Ejecutar (obtendremos una advertencia respecto a que existen muy pocos datos en la serie para generar proyecciones fiables. Si bien este comentario es válido, omitiremos su advertencia debido a que en esta instancia nos interesa mostrar cómo se utiliza la herramienta Predictor de Crystal Ball más que discutir lo adecuado que resulta realizar pronósticos con una baja densidad de datos).
De los 2 métodos utilizados se obtiene que según el criterio del MAD(MAD=46,10) el que tiene mejor desempeño es Suavizado Exponencial Simple con alfa α=0,8439. El detalle de los pronósticos se puede consultar en el menú Ver y Tabla según se muestra a continuación:
Observación: Si bien el cálculo del MAD no es explícito (sólo aparece el resultado de 46,10), se puede obtener fácilmente siguiendo el procedimiento que se muestra a continuación y que hemos abordado en el Blog anteriormente (cualquier diferencia menor se debe exclusivamente a los criterios de aproximación).
Un dato atípico conocido comúnmente también como outlier es aquel cuyo valor es numéricamente distante del resto de los datos. Esta situación en particular se puede ver reflejada en una serie de tiempo cuando la variable en cuestión por alguna causa extraordinaria tiene un comportamiento que escapa a los parámetros de comportamiento usuales. Por ejemplo, tal podría ser el caso del shock de demanda por mascarillas luego de un brote de influenza, la demanda de agua en bidones luego de una emergencia provocada por causas naturales (terremoto, aluvión, etc), la demanda de pilas (baterías) y linternas luego de un terremoto, etc.
En el siguiente artículo presentamos una serie de tiempo que corresponde a la demanda de un producto determinado donde en el mes de Julio se observa una demanda que numéricamente escapa de forma significativa respecto al resto de los datos. Para dicha demanda real se ha aplicado el método de Suavizamiento Exponencial para distintos valores de alfa (0,1; 0,5 y 0,9) como también el método de Medias Móviles para 3 y 5 períodos (n=3 y n=5) obtenidos con la ayuda de Excel.
Para favorecer la interpretación de los resultados y por separado se muestra el ajuste de los métodos de pronóstico de demanda anteriormente identificados en las siguientes gráficas:
En el caso del método de Suavizamiento Exponencial se puede observar que mientras mayor sea el valor de alfa el pronóstico reacciona con mayor fuerza a la presencia del dato atípico u outlier. Adicionalmente y luego del efecto del outlier el pronóstico se ajusta nuevamente a valores cercanos a los que se observan en la serie de tiempo. Notar adicionalmente que en los casos de α=0,1 y α=0,5 los pronósticos superan la demanda real en el resto de los períodos, es decir, de Agosto a Diciembre.
Por otra parte y luego de pronosticar la demanda utilizando el método de Media Móvil Simple, se observa que a medida que mayor sea el valor de n los efectos del outlier tienden a perpetuarse en el tiempo. En contraste a lo anterior, al seleccionar n=3 el efecto del outlier se ve reflejado hasta la última oportunidad en que dicho dato real es considerado para efectos de pronósticos, es decir, en la proyección del mes de Octubre (que corresponde al promedio simple de la demanda real de Julio, Agosto y Septiembre).
¿Qué hacer con el outlier?. No es una pregunta con una respuesta sencilla. Una primera recomendación es buscar información complementaria que ayude a explicar las razones de este comportamiento de la demanda que escapa a lo usual. Efectivamente y según los ejemplos presentados anteriormente es difícil extrapolar a futuro un comportamiento que obedece sólo a una causa excepcional. Ahora bien, un dato atípico en casos puntuales puede suponer un cambio sustantivos en las preferencias de los clientes que eventualmente se podría sostener en el tiempo. En dicho caso omitir el dato atípico para efectos de proyección no sería recomendable.
Las técnicas de tipo cualitativo para efectuar pronósticos de ventas (demanda) se basa en el juicio de un grupo de personas conocedoras, con experiencia y expertas en la materia, lo que les permite dar su opinión y pronosticar el futuro en relación a un tema determinado; esta opinión puede consistir en la entrega de valores o rango de valores sobre el futuro. Estas técnicas se utilizan cuando no existen datos numéricos que permitan el uso de técnicas cuantitativas o cuando estos datos son poco confiables. Esta situación se presenta generalmente cuando se requiere planificar a largo plazo basándose en algún pronóstico, donde la exactitud necesaria es mediana, a diferencia de la planificación de corto plazo donde la exactitud necesaria es más alta, y de preferencia se usan técnicas cuantitativas.
A continuación un breve listado de las principales técnicas cualitativas para pronóstico de ventas. Para acceder a información detallada de cada una de ellas selecciona el enlace de interés:
El diseño de procesos como también la planeación de la capacidad de las instalaciones corresponden a decisiones estratégicas (largo plazo) que suelen ser apoyadas en algún nivel a través de la utilización de métodos de pronósticos cualitativos. El nivel administrativo alto es quien participa activamente de dichas decisiones dada su trascendencia y en consecuencia el efecto que tendrán éstas en las operaciones cotidianas de la empresa.
El siguiente cuadro propone una clasificación aproximada de los métodos de pronósticos más idóneos según el ámbito de las decisiones que se deben tomar. Por cierto su interpretación debe ser flexible, por ejemplo, los métodos cualitativos de proyección de demanda pueden ser utilizados también como complemento a métodos de naturaleza cuantitativa en la planificación táctica (mediano plazo).
Finalmente la selección de la técnica de pronóstico a utilizar se ve influida por diversos factores: la precisión deseada del pronóstico, la disponibilidad de personal calificado, el costo del procedimiento, validez y disponibilidad de datos históricos y los períodos futuros a proyectarse. En este contexto se debe procurar que el método seleccionado sea preciso, como también factible de ser sensibilizado.
Otra forma de pronosticar el comportamiento de una variable, es conocer las opiniones, percepciones o respuestas de las personas que componen un determinado universo (lugar, sector industrial o mercado) donde se producirá dicha variable. En este contexto la Técnica Cualitativa de Pronósticos de Ventas que consiste en Estudios o Pruebas de Mercado puede resultar de ayuda.
El razonamiento es intuitivo: se clasifican en distintos grupos o estratos a los sujetos encuestados, se determinan muestras y luego se analizan en dicho contexto las respuestas proporcionadas por ellos, de tal manera de extraer algunas conclusiones relevantes que permitan proyectar el resultado de interés para cada uno de los grupos definidos.
La forma de realizar una encuesta es a través de una muestra representativa de la población (que determinará en definitiva el grado de error que puede esperarse de los resultados), para lo cual se deben considerar aspectos tales como la aleatoriedad de la muestra, el tipo de estratificación y el tamaño de ella, entre otros.
Las pruebas de mercado se realizan con el objeto de pronosticar, previo al lanzamiento al mercado, el grado de demanda que tendrá un nuevo producto, para lo cual se pone el producto en forma limitada a disposición de los potenciales compradores y se miden sus respuestas. Una variante de lo anterior es una encuesta sobre un producto ya existente, sobre el que se planifica realizar cambios.
Un caso emblemático sobre mercados de prueba es la estrategia seguida por la multinacional Coca Cola Company en el lanzamiento de su producto Coca Cola Life, el cual ha sido introducido progresivamente en países de latinoamérica con resultados disimiles. Esta estrategia que podríamos denominar conservadora probablemente esta justificada por el historial de productos similares que en el pasado no tuvieron el desempeño esperado (según cita CNN expansión en su artículo 3 lanzamientos que a Coca Cola le fallaron).
«Coca-Cola Life cambió su receta porque viviendo se aprende. Es más deliciosa. ¡Volvela (Vuélvela) a probar!”. Ese el texto del spot comercial, que la marca de refrescos publicó en Argentina y Chile para dar a conocer que su bebida light tiene un sabor diferente. Probablemente como resultado de su desempeño insatisfactorio en dichos mercados.
Es precisamente en estos contextos donde las pruebas o test de mercados previos a un lanzamiento masivo ayudan a acotar el riesgo, permitiendo, por ejemplo, hacer cambios en el diseño del producto e incluso revertir la decisión del lanzamiento a nivel general.
