Loading

Module 1: Toma de decisiones y previsión de varios criterios

Apuntes
Study Reminders
Support
Text Version

Previsión de varios periodos

Set your study reminders

We will email you at these times to remind you to study.
  • Monday

    -

    7am

    +

    Tuesday

    -

    7am

    +

    Wednesday

    -

    7am

    +

    Thursday

    -

    7am

    +

    Friday

    -

    7am

    +

    Saturday

    -

    7am

    +

    Sunday

    -

    7am

    +

Hola y bienvenido a “ Modelling and Analytics for Supply Chain Management ”! Hoy, estamos en la conferencia 50 de la semana 9, que está pronosticando y vamos a tratar específicamente con el pronóstico del multiperíodo. A lo largo de todo, todas estas semanas, te hemos enseñado o te hemos llevado a través de diferentes métodos de previsión y puedes aplicar estos métodos en función de diferentes situaciones. Qué situación va a aplicar que depende de la naturaleza del producto, el marco de tiempo, todo. Ahora, todos te estaban dando, todos los métodos que enseñábamos te estaban dando la previsión para mañana que es, el día siguiente o el próximo mes o el próximo, dependiendo de los datos. Pero hoy, discutiremos el pronóstico multiperíodo que es, tenemos la demanda real de estos muchos meses, estos muchos años. Con eso, queremos pronosticar cuál es la demanda para mañana, día después de mañana, el día siguiente, el día siguiente, y el día siguiente; así que, la previsión de varios períodos, esa es la agenda para hoy. Ahora, aparte de eso, hay una agenda. Segunda agenda es, veremos ahora, como una envoltura a la previsión, como un módulo, como una semana, veremos qué están haciendo las empresas en todo el mundo y cómo las empresas están adoptando las técnicas de previsión para aumentar sus beneficios. Entonces también aprenderemos o tocaremos a través de lo que es error de previsión, significa qué modelo elegir, qué modelo le dará una previsión menor sobre la base de errores de previsión menores. Por lo tanto, esta es nuestra agenda para hoy. (2:05) Ahora aquí, la primera pregunta es; ¿por qué el pronóstico de varios períodos? Como hemos mencionado, la previsión para un período no tiene el negocio a largo plazo, ¿por qué? Asuma que su período es mensual, de acuerdo. Así que, pronosticando para el próximo mes, digamos agosto, septiembre, octubre. Está previsto para octubre basándose en los datos disponibles de enero a septiembre. Usted está pronosticando para octubre. Pero, pronosticando para octubre, cuando usted va a comprar materias primas, los proveedores le están preguntando cuánta materia prima se extendió sobre cuántos meses? No puede indicarles el número porque sólo ha previsto un mes. Por lo tanto, es por eso que su pronóstico de varios períodos se ha vuelto muy importante. Y entonces, sólo tocamos los métodos de predicción de múltiples períodos. (3:04) Ahora, nuestro primer modelo es la predicción de múltiples períodos bajo constante nivel. ¿Por qué estoy sonriendo? Estoy sonriendo porque el pronóstico de varios períodos en el nivel constante no tiene nada. ¿Qué quiere decir con que no tiene nada? Digamos que este es el año 2015, 2016, 2017. Tomemos tres puntos de datos. Debería haber tomado 18, 19, 20, pero luego, vale que nos quedemos. Con eso estás pronosticando, déjame usar un color diferente, con eso estás pronosticando para 2019, 2020, 2021, 2022. Ahora, ¿cuál es su demanda? La demanda está en constante nivel. Por lo tanto, su demanda es, digamos, 20, 20, 20. Entonces, ¿cuál es su pronóstico ahora? Es de nivel constante, por lo que la demanda a nivel constante es de 20, 20, 20, 20. Por lo tanto, esto es lo que es un simple pronóstico de varios períodos bajo constante nivel, tan simple como lo es. (4:48) Ahora, ¿cuál es el siguiente modelo; próximo modelo; pronóstico de varios períodos con estacionalidad; parece muy difícil? No, no es difícil; pronóstico de varios períodos con estacionalidad. Ya tienes la tendencia, la desasonalizada. ¿Qué está planeando hacer? Con eso, ¿qué harás? Con eso, usted va a pronosticar los próximos años. Con los datos desasonalizados, puede pronosticar. ¿Qué método? Nivel constante; ¿qué estás cambiando entonces? Ya tienes, recuerda, ya habíamos calculado los índices de estacionalidad para el cuarto 1, cuarto 2, cuarto 3, cuarto 4. Así que, sea cual sea su pronóstico, digamos, su índice de estacionalidad fue 0.91, 0.8, 0.7, 0.9. Por lo tanto, lo que sea que esté obteniendo en ese pronóstico de nivel constante, multiplique esto por 0.91. Por lo tanto, eso te da un pronóstico para el próximo trimestre, cuarto 1. Lo que sea que esté llegando aquí, lo multiplique por el índice de estacionalidad; esto le da la previsión para el cuarto 2. Lo que sea que esté llegando aquí que le da la previsión para el cuarto 3 y lo que esté llegando aquí que le da la previsión para el cuarto 4. Por lo tanto, sólo su índice de estacionalidad está cambiando. Su nivel constante, es decir, los datos desasonalizados no están cambiando, eso es lo mismo. La parte superior, el factor de multiplicación que está cambiando; por lo tanto, en consecuencia, puede realizar una previsión de varios períodos. ¿Cómo lo hará usted? Solo tomarás el índice de estacionalidad y multiplicarás con eso, nada más. Ese es su pronóstico de varios períodos con estacionalidad. (7:12) Pronóstico de varios períodos con tendencia; ¿es alguna ciencia de cohetes? No. ¿Cuál fue la tendencia que me decía? Tendencia me decía un plus b en n más 1; que „ a " era el nivel; nivel, tendencia, tiempo. Por lo tanto, el pronóstico de varios períodos con tendencia no es nada. Dondequiera que la tendencia te lleve, vas allí, de acuerdo. Este „ b "es constante, „ a" es constante. Para que n plus 1 siempre se mantenga en el cambio. Así que hoy, si tu periodo es 6, ¿qué será n más 1? 7. Usted está en el período 7, ¿qué se convierte n más 1? 8. Así, este n más 1 sigue cambiando, b en n más 1; „ b "permanece constante, „ a" permanece constante, por lo que sólo se multiplica por el período de tiempo. Eso lo cuida. (8:27) Método de Holt, misma cosa; pronóstico, nivel, tendencia; ¿qué es eso de „ i "? El número de años, meses, días; que „ i " es el número de años, meses y días. Es decir, los métodos de Holt. (9:08) Ahora, a continuación, para que sea breve sobre la previsión de varios períodos. A continuación, ¿qué veremos? A continuación, veremos lo que llamamos error de previsión. Ya hemos hecho un error de previsión para la desviación absoluta media. Hay otra llamada „ media absoluta de error ". Hoy en día, muchas empresas están usando estas MAPE, lo que significa un porcentaje absoluto de error, porque han descubierto que es mucho más preciso que los otros métodos. Pero no podemos decir que debido a que todavía está, el tiempo todavía no está madurado para decir tal cosa porque hay otras versiones a él también pero hasta ahora, MAPE es, de nuevo significa el error porcentual absoluto, se ve muy-muy cierto científicamente. Ha dado muy buenos resultados. Ese es su error de previsión. (9:58) ¿Cómo sé cuál es la precisión del pronóstico? Se llama como señal de seguimiento. ¿Qué es la señal de seguimiento? La señal de seguimiento es su sesgo dividido por la desviación absoluta media. ¿Qué es el sesgo? El sesgo es su primer período de previsión, digamos el primer período de previsión menos todas las previsiones posteriores. Esa es su señal de seguimiento. Usted aprenderá más acerca de ello una vez que mire en los libros de referencia que se han dado al final del texto, pero esto es seguimiento de la precisión de la supervisión de la señal, la señal de seguimiento. Así que ahora, si ves, tienes bastante aprendido sobre todos los modelos de previsión que son relevantes para la cadena de suministro. Incluso, cuál utilizar, qué señal de seguimiento utilizar, etc., etc. Pregunta es, ¿qué es esta aplicación? Esto es lo que les diremos ahora. Estas son algunas historias que nos dicen cómo el pronóstico ha sido muy útil para las organizaciones. (11:08) El primero es 7-Eleven Japón. Ahora, 7-once Japón, como todos ustedes saben, es como un, no es como si pero es una tienda departamental, una enorme en Japón, algo similar a nuestro Walmart ". 7-once, en un momento dado se encontró que las ventas no están recogiendo. Como dices, la línea de regresión está en la misma tendencia; la misma beta es igual a 0,8. Así, 7-once trataron de entender lo que está mal. ¿Qué estamos enseñando? Estamos enseñando previsiones en la práctica. Así, 7-once miraron cómo o cuándo llegaron los clientes. Aquí es donde entra el análisis de datos; entra el modelado de datos. 7-once estaba estudiando cuando los clientes han llegado a la tienda. Por lo tanto, estaban mirando los tiempos de la factura y luego se enteraron de que el momento de la factura se puede dividir en tres ranuras; mañana, tarde y noche. Estas son las tres franjas horarias en las que se han roto. Ahora, hicieron el mapeo de clientes y el mapeo característico del cliente para cada uno de estos; mañana, tarde, noche. Y lo que se enteraron fue, los clientes de la mañana, la característica era, había hombres, mujeres muy pocos, pero rápidamente se toan con la tienda, ¿buscan qué? Busca pan, mantequilla, mermelada, marmalade lo que sea, huevos, leche, tal vez alguna otra bebida de salud y se agotarían. Tiempo de gasto, sólo esto mucho, tiempo promedio de gasto. Clientes de la tarde, compran un poco artículos para el hogar, artículos costosos, pueden ser té, café; algunos de estos artículos, las necesidades diarias, comida empacada. Así, eran los clientes de la tarde. ¿Cuánto tiempo del día? Más tiempo; clientes de la noche, de nuevo, más tiempo, pero no tanto tiempo como los clientes de la tarde y no se apresuraban. Entonces, ¿qué hizo 7-once? Eso sirvió como un muy buen indicador de lo que estaban haciendo. 7-once tenían los bastidores móviles con ruedas en la parte inferior; por lo que pusieron todos los productos necesarios en uno de esos bastidores de ruedas; el medio necesario; y los últimos en el detrás que toma algunas compras pausadas. Así que, los que donde importante elemento necesario, este estante particular o estantes se trajeron al frente en la mañana porque había ruedas, había tipo de rastreo de una cosa, por lo que se acaban de traer delante por la mañana, delante. Así que, los hombres vendrían, rápidamente entran, agarran, se van. No pasan el tiempo en el sistema. Los otros bastidores que estaban teniendo bienes como los artículos domésticos diarios, eran segundos. Así que, durante la tarde, este rack vendrá delante y el pan, la mantequilla, la mermelada irá muy atrás. Así, por la tarde, los artículos de ocio se dieron por delante; y por la noche, una mezcla. Miraron las cuentas de compra, por la noche, los artículos de la mezcla, las mezclas de artículos de primera necesidad y el lujo o el uso diario o los artículos de prisa, mezcla de estos fueron puestos en frente para que la familia compre. Ahora, no solo era el marido o la esposa, era la familia. Así que, pasarían tiempo pero no tanto tiempo. Por lo tanto, estos artículos fueron llevados al frente. Entonces, ¿qué hicimos? Usted pronosticó cómo el comportamiento, cómo el patrón de compra cambiaría durante el día? Por lo tanto, su pronóstico no era mensual; su pronóstico no era anual. Fue durante el día, pronóstico por hora. Y como resultado, ¿qué pasó? 7-once se hicieron muy populares; eran populares, pero el 7-once llegó a ser conocido como una muy buena organización que cuida de los clientes. (16:22) El siguiente ejemplo es Dell. Su previsión mensual de piezas de repuesto, como hemos mencionado, la previsión de piezas de repuesto es muy difícil de conseguir. Lo mencionamos en la conferencia anterior. Por lo tanto, tenían que hacer una previsión mensual de repuestos y luego guardarla, porque el ordenador sin recambios no es aceptable. El tercer ejemplo que tenemos es el pronóstico del juego. Hay un descargo de que está prohibido en la India. No se puede hacer, pero entonces, y hay pocas empresas que estaban teniendo su gestión de base de datos para este tipo de negocios, pero se encuentran fuera de la India. ¿Qué están haciendo? Basándose en el historial de apuestas del cliente, están pronosticando cuántos clientes visitarán su punto de venta en particular. ¿Cuántos serán los juegos reales? ¿Cuántos ganarán? ¿Cuánto ganarán? Entonces, ¿cuál es su beneficio? Por lo tanto, eso también se convierte en la parte de su pronóstico de negocio. El cuarto, alquiler de coches; alquiler de coches es también algo que requiere mucha previsión; es un muy-muy-muy dicey; dicey en el sentido de que es muy-muy ondulante al igual que la estacionalidad. Por la mañana, más coches; tarde ese gran requisito no está allí; por la noche, una vez que las horas de oficina han terminado, será mucho-mucho más coches. Entonces, ¿qué hacen sus Olas y sus Ubers? Tienen precios de aumento. Pero la subida de precios no es la respuesta, cómo gestionar es la respuesta. Compras suficientes autos, pones suficientes autos en la franquicia más con Ola y Uber para que, la gente gane dinero, Ola y Uber también gana dinero. Porque, durante la hora punta, si están diciendo que el vehículo estará disponible sólo después de 20 minutos, el cliente no esperará. Tomará un autobús o un tren e irá a su oficina. Por lo tanto, esta previsión de alquiler de coches, ¿cuántos clientes van a tomar exactamente sus servicios? Sea Ola-Uber, sea el alquiler de coches fijo. Allí algunas empresas te dan coches en alquiler. Usted puede moverse por el día, volver, depositar el coche, y salir. Así que, los alquileres de coches; ¿cuántos coches se alquilarán; por cuántas horas? ¿Cuáles son los ingresos? Por lo tanto, este tipo de pronóstico también se puede hacer. El próximo ejemplo, el quinto, las empresas de entrega y los e-portals; creo que hoy, tienen que hacer una gran-gran cantidad de previsión. Tomemos a Amazon, un ejemplo de engranaje porque sé que todos ustedes compran a partir de ahí. Ahora, Amazon, tiene que pronosticar cuánto será la venta; el dinero? Tiene que pronosticar cuánto será la venta en cantidad? Y la previsión diaria, no solo diaria sino por hora que tiene que hacer porque en función de eso se hará su planificación de vehículos. Por lo tanto, las empresas de entrega, los portales electrónicos están en una gran cuestión ahora porque tienen que pronosticar la demanda esto con mucha precisión. Ahora, National Broadcasting Corporation, NBC; NBC tienen un tipo diferente de problema de pronóstico. ¿Qué están haciendo? Son, anuncian, NBC es una radio, a la derecha. Así que tienen ranuras de publicidad. Ellos quieren saber cuántos anuncios realmente vendrán, eso también tiene que ser pronosticado. Porque cuánto dinero estás generando a partir de ellos, porque sobre la base de esa sustracción, decidirás el salario de tus empleados porque los salarios de tu empleado dependen de la cantidad de ingresos que estás ganando por parte de las empresas de publicidad. Por lo tanto, National Broadcasting Corporation tiene una previsión de cuánto anuncio obtendrán. Ahora, hay, ahora también, vamos a tomar otro ejemplo de este pronóstico en la práctica, sus restaurantes. Los restaurantes necesitan grandes, grandes, mucho pronóstico porque también, si hay desperdicio de comida es su pérdida. Si hay comida no vendida, es la salud, son los peligros ambientales, cualquier cosa pero si, hay más demanda, entonces cuánto están cocinando ese día; realmente es una gran pérdida para ellos. Por lo tanto, el pronóstico es muy importante, para ser apropiado. Por desgracia, en la India, no hacemos tanta previsión para los productos de precio medio y menos precio. ¿Por qué sabes? Porque nosotros en la India, por la población y por el dinero en las manos de la gente, una cantidad decente de dinero gastable, cualquier cosa que producimos, y se vende. Eso es algo que tenemos que ser, es por eso que la aplicación de la previsión es limitada y limitada sólo a las grandes corporaciones que lo utilizan como método científico de previsión. Creo que he compartido con ustedes. No recuerdo si he compartido con usted en las diapositivas anteriores, pero entonces, verá, la previsión es tanto en la práctica. Coke y Pepsi, están pronosticando cuánto van a vender por día en los meses de verano, porque en consecuencia tendrán que embotellar, tendrán que enviarlo a los pequeños puntos de venta repartidos en innumerables zonas por la ciudad y si no vende, si no les da, es una venta perdida. Pero entonces, Coke y Pepsi, por lo que tienen un método muy preciso de previsión que está en práctica durante muchos años y lo está haciendo bastante bien. Pero entonces, en todo el pronóstico vamos a ir heno donde si hoy afuera, en lugar del ardiente sol abrasador, justo para hoy, está nublado. Medio nublado, las personas no sentirán tanta sed y por eso no irán a comprar una Coke y Pepsi. Por lo tanto, las previsiones van mal. Por lo tanto, la previsión también depende de su temperatura. Por lo tanto, le estoy dando previsiones de diferentes dimensiones. Incluso la temperatura es necesaria para llegar a una técnica adecuada de pronóstico. Ahora, así que, lo que quiero decir es que esta previsión, hay que saber, hay que modela correctamente y hay que utilizar el método adecuado para el producto adecuado. Simplemente no sé diez métodos y me mantendré en la previsión. Debe haber un método apropiado para un producto de método particular; método particular para un producto en particular. Permítanme volver a expresarlo. Tienes que entender primero las características del producto y luego tendrás que pronosticar. Así que, ustedes ven lo que tenemos, déjenme decirles ahora lo que hemos hecho. (24:06) Ver, mi cadena de suministro comenzó con la previsión. Una vez hecho el pronóstico, entonces la selección del proveedor; una vez que se hacen las selecciones del proveedor, entonces la compra; una vez que se hace la compra, luego el transporte; una vez que se hace el transporte, luego el almacenaje; y una vez que se hace el almacén, entonces el transporte secundario y luego todo esto tiene que ser diseñado. Por lo tanto, si usted ve, tenemos tanto tiempo, hasta ahora, hemos hecho pronósticos, modelos de selección de proveedores. La compra forma parte de la selección de proveedores. Hemos hecho modelos de transporte. Hemos hecho la modelización de almacenaje y nosotros, después de este almacén, una gran y la cosa más importante, el inventario. Hemos hecho modelos de inventario. El transporte secundario se incluye de todos modos en el transporte. Así que con esto, vamos a ir, así que este es el marco general, que hemos completado hasta ahora. Con esto, vamos a ir para el diseño de la cadena de suministro o la modelización de las redes de la cadena de suministro. Por lo tanto, esto es bastante el marco general de modelado de la cadena de suministro y hemos completado hasta este punto a partir de esta semana.   Así, esto es referencia que usted puede tomar para esta sesión de conferencia. Te estoy dando esta referencia porque es la fácil, me he encontrado. Así que, ¡gracias por hoy! ¡Gracias!