UNIVERSIDAD TÉCNICA DE AMBATO
FACULTAD DE INGENIERÍA EN SISTEMAS, ELECTRÓNICA E INDUSTRIAL
CARRERA DE INGENIERÍA INDUSTRIAL
Cdla. Universitaria (Predios Huachi) / Casilla 334 / Telefax: 03-2851894 – 2411537, Correo Electrónico:
[email protected] AMBATO-ECUADOR
UNIVERSIDAD TÉCNICA DE AMBATO
Facultad de Ingeniería en Sistemas, Electrónica e Industrial
Título: Método de pronósticos para demandas intermitentes.
Carrera: Ingeniería Industrial en Procesos de Automatización
Nivel y Paralelo: 7 ¨A¨
Alumnos participantes: Altamirano Alex
Dominguez Emerson
Gavilanes Juan
Gualpa Alexis
Ortega Agustín
…………………………..
Módulo y Docente: Administración de la Producción Ing. Ortiz Christian
I.
1.
DEBER / INVESTIGACIÓN
PP
2. YY
2.1 Título
Método de pronósticos para demandas intermitentes.
2.2 Objetivos
Investigar acerca de métodos de pronósticos para demandas intermitentes, además de realizar
ejercicios de aplicación para mejorar la comprensión de la información recibida en clases.
2.3 Desarrollo
Existen varios modelos de pronósticos que se adaptan a las situaciones del mercado de cana una de
las industrias, sin embargo, son pocos los reportes de aplicaciones de modelos de pronósticos para
productos que se caracterizan por la dificultad de su logística y la administración de variantes, este es el
caso de las demandas intermitentes.
Para este tipo de demanda se han implementados 2 métodos de pronósticos, teniendo así:
• Pronostico por Promedio Móvil.
• Pronostico por Suavizamiento Exponencial Simple
Pronostico por Promedio Móvil.
Sugerido para ítems clase C y posiblemente B en la clasificación ABC con demanda intermitente, este
tipo de clasificación ordena los artículos según su participación en los costos y orientar los esfuerzos
administrativos para su control, es decir, los ítems de clase A tienen mayor proporción y requieren más
atención, los ítems clase B y C tienen menor representatividad y se tratan con menor rigurosidad.
Gracias a este tipo de clasificación se facilita la función administrativa al definir categorías con base en
criterios de costo (ventas) y no costo (eventos externos e internos) como los que ocurren en esta
cadena de abastecimiento, tomando en consideración también la variabilidad de la demanda, como
causas de generación de error en los pronósticos, en la siguiente ilustración se muestra como los ítems
de clase A representan el 80% de las vetas por lo tanto tendrán privilegio a la hora de ser tratados y
ubicados en el almacén mientras que los ítems B y C no tanto ya que juntos apenas representan el
20%..
UNIVERSIDAD TÉCNICA DE AMBATO
FACULTAD DE INGENIERÍA EN SISTEMAS, ELECTRÓNICA E INDUSTRIAL
CARRERA DE INGENIERÍA INDUSTRIAL
Cdla. Universitaria (Predios Huachi) / Casilla 334 / Telefax: 03-2851894 – 2411537, Correo Electrónico: [email protected]
AMBATO-ECUADOR
El pronóstico por promedio móvil establece un promedio de la demanda pasada (patrón constante y
pequeñas fluctuaciones) dando el mismo peso a las últimas N demandas: entre mayor sea N, menor
será el coeficiente de variación y el peso de los últimos datos, lo que no permite respuesta rápida.
En la siguiente ecuación, T es el periodo actual a partir del cual se calcula el promedio (T M),
devolviéndose N períodos hasta el período T – N + 1.
𝑋𝑡 + 𝑋𝑡 − 1 + 𝑋𝑡 − 2+. . . +𝑋𝑡 − 𝑁 + 1
𝑀𝑇 =
𝑁
Ejemplo de aplicación:
Para el ejemplo tenemos la siguiente tabla de datos de la cual obtendremos el pronóstico por promedio
móvil usando n=2, 3, 4 y 6, y realizaremos una comparación.
At At
Periodo Periodo
Demanda Demanda
Enero 235 Julio 621
Febrero 165 Agosto 329
Marzo 285 Septiembre 156
Abril 403 Octubre 189
Mayo 156 Noviembre 256
Junio 294 Diciembre 451
N=2
Para realizar el pronóstico por promedio móvil con N=2 tomamos el promedio de las 2 demandas
anteriores, por lo tanto, tenemos que empezar obligatoriamente desde el mes de Marzo y sabemos que
las demandas anteriores fueron 235 y 165 por lo tanto tenemos lo siguiente:
235 + 165
𝑀𝑎𝑟𝑧𝑜 = = 200
2
Para el mes de Abril tomaremos los datos de Febrero y Marzo ya que esos son los 2 datos anteriores,
usando la misma fórmula tenemos.
165 + 285
𝑀𝑎𝑟𝑧𝑜 = = 225
2
De esta manera obtenemos la siguiente tabla:
At Ft
Periodo
Demanda Pronostico (n=2)
UNIVERSIDAD TÉCNICA DE AMBATO
FACULTAD DE INGENIERÍA EN SISTEMAS, ELECTRÓNICA E INDUSTRIAL
CARRERA DE INGENIERÍA INDUSTRIAL
Cdla. Universitaria (Predios Huachi) / Casilla 334 / Telefax: 03-2851894 – 2411537, Correo Electrónico: [email protected]
AMBATO-ECUADOR
Enero 235
Febrero 165
Marzo 285 200
Abril 403 225
Mayo 156 344
Junio 294 279,5
Julio 621 225
Agosto 329 457,5
Septiembre 156 475
Octubre 189 242,5
Noviembre 256 172,5
Diciembre 451 222,5
Para realizar los pronósticos con N=3 el procedimiento seria el mismo, pero se debe tomar en cuenta
que esta vez se empezara desde el mes de Abril ya que tomamos los 3 datos anteriores para hacer su
pronóstico, aplicando esto a todos los valores obtenemos las siguiente tabla.
At Ft Ft Ft Ft
Periodo Pronostico Pronostico Pronostico Pronostico
Demanda
(n=2) (n=3) (n=4) (n=6)
Enero 235
Febrero 165
Marzo 285 200
Abril 403 225 228,33
Mayo 156 344 284,33 272,00
Junio 294 279,5 281,33 252,25
Julio 621 225 284,33 284,50 256,33
Agosto 329 457,5 357,00 368,50 320,67
Septiembre 156 475 414,67 350,00 348,00
Octubre 189 242,5 368,67 350,00 326,50
Noviembre 256 172,5 224,67 323,75 290,83
Diciembre 451 222,5 200,33 232,50 307,50
Para tener una mejor perspectiva de los datos realizaremos una gráfica comparativa.
UNIVERSIDAD TÉCNICA DE AMBATO
FACULTAD DE INGENIERÍA EN SISTEMAS, ELECTRÓNICA E INDUSTRIAL
CARRERA DE INGENIERÍA INDUSTRIAL
Cdla. Universitaria (Predios Huachi) / Casilla 334 / Telefax: 03-2851894 – 2411537, Correo Electrónico: [email protected]
AMBATO-ECUADOR
Se puede apreciar que los datos son muy diferentes y es por esta razón que no se recomienda utilizar
en ítems de tipo A, ya que al ser productos con gran demanda un mal pronóstico representaría perdidas
muy grandes.
Pronostico por Suavizamiento Exponencial Simple
Ajusta los pesos de los datos pasados otorgando un valor α (0 < α < 1) a la última demanda y (1- α) al
pronóstico anterior con la siguiente ecuación.
𝑆𝑡 = αXt + (1 − α)St − 1
Donde:
• St = pronostico al final del periodo T.
• St-1 = Pronostico del periodo anterior.
• Xt = Demanda real.
• α = constante de suavizamineto.
Para la optimización de la constante de suavización α, se sugieren valores entre 0,01 y 0,30 o entre
0,05 y 0,20 debido al contexto de demanda intermitente, eligiendo el que minimice la MAD o el ECM
Se aplicó el método original y uno modificado en la industria de las telecomunicaciones por sus
tendencias firmes y se comprobó que la suavización exponencial simple aporta mejores resultados. Se
simularon tres métodos, suavización exponencial simple, suavización exponencial con tendencia
corregida y método de Holt-Winters, concluyendo que el tipo de información disponible provee las bases
para la selección del método.
Ejemplo de Aplicación
Para este ejemplo se utilizarán la misma tabla del ejemplo anterior, con el objetivo de tener una
comparación entre los 2 métodos explicados, además, se utilizaran alfas con valores de 0.2, 0.3 y 0.7
At At
Periodo Periodo
Demanda Demanda
Enero 235 Julio 621
Febrero 165 Agosto 329
Marzo 285 Septiembre 156
Abril 403 Octubre 189
Mayo 156 Noviembre 256
Junio 294 Diciembre 451
Para este método el periodo 1 será siempre el mismo y a partir de este comienzan los cambios, por lo
tanto, se procede a encontrar el valor del mes de Febrero con un alfa de 0.2 aplicando la ecuación.
𝑆𝑡 = αXt + (1 − α)St − 1
𝑆𝑡 = (0.2)(165) + (1 − 0.2)(235)
𝑆𝑡 = 221
De esta manera obtenemos la siguiente tabla de la cual se ha obtenido la gráfica.
At 0,20 0,30 0,70
Periodo
Demanda Alfa Alfa Alfa
Enero 235 235,00 235,00 235,00
Febrero 165 221,00 214,00 186,00
Marzo 285 233,80 235,30 255,30
UNIVERSIDAD TÉCNICA DE AMBATO
FACULTAD DE INGENIERÍA EN SISTEMAS, ELECTRÓNICA E INDUSTRIAL
CARRERA DE INGENIERÍA INDUSTRIAL
Cdla. Universitaria (Predios Huachi) / Casilla 334 / Telefax: 03-2851894 – 2411537, Correo Electrónico:
[email protected] AMBATO-ECUADOR
Abril 403 267,64 285,61 358,69
Mayo 156 245,31 246,73 216,81
Junio 294 255,05 260,91 270,84
Julio 621 328,24 368,94 515,95
Agosto 329 328,39 356,96 385,09
Septiembre 156 293,91 296,67 224,73
Octubre 189 272,93 264,37 199,72
Noviembre 256 269,54 261,86 239,12
Diciembre 451 305,84 318,60 387,43
Como se puede apreciar los valores son mucho mas uniformes con respecto al primer método
explicado.
2.4 Conclusiones
Con la información anteriormente dada se puede apreciar la diferencia que existe entre la aplicación de
2 métodos diferentes para el pronostico de demanda intermitentes, por esta razón es importante saber
escoger de manera correcta que tipo de método se implementara en la vida real, ya que estas
decisiones pueden mejorar o destruir la economía de una empresa.
2.5 Referencias bibliográficas
[1] R. A. PÉREZ, «APLICACIÓN DE MODELOS DE PRONÓSTICOS,» Universidad del Valle, Bogota,
2018.
[2] E. Beltrán, «ESTRATEGIA DE MEJORAMIENTO DE LOS MODELOS DE PRONÓSTICOS DE LA
DEMANDA CON EL FIN DE OPTIMIZAR LA GESTIÓN LOGÍSTICA DE REPUESTOS
AUTOMOTRICES,» Universidad Militar Nueva granada, Bogota, 2015.
