“Metodología para calcular el pronóstico de la demanda y una
Transcripción
“Metodología para calcular el pronóstico de la demanda y una
INSTITUTO POLITÉCNICO NACIONAL UNIDAD PROFESIONAL INTERDISCIPLINARIA DE INVESTIGACIÓN Y CIENCIAS SOCIALES Y ADMINISTRATIVAS “Metodología para calcular el pronóstico de la demanda y una medición de su precisión, en una empresa de autopartes: Caso de estudio” TESIS QUE PARA OBTENER EL GRADO DE MAESTRO EN CIENCIAS CON ESPECIALIDAD EN ADMINISTRACIÓN PRESENTA: GILBERTO GERMAN MACIAS CALVARIO DIRECTOR DE TESIS: DR. EDUARDO GUTIÉRREZ GONZÁLEZ MEXICO, D.F. 2007 DEDICADO A: Adriana, Montse y Yael “por su cariño comprensión y motivación” Germán y Antonia “ por su confianza” Clara “ por su apoyo” Todos aquellos que contribuyeron para lograr este proyecto Contenido RESUMEN ABSTRACT INTRODUCCIÓN ………………………………………………………………………..1 CAPÍTULO 1 Perfil de la Compañia....................................................................................................... 4 1.1 ANTECEDENTES DE LA COMPAÑIA .............................................................................. 5 1.2 SITUACIÓN GENERAL DEL MERCADO DE AUTOPARTES Y REFACCIONES. .................. 7 1.2.1 INDUSTRIA ENSAMBLADORA EN EL TERRITORIO MEXICANO ............................... 8 1.2.1.1 MODELOS DE VEHÍCULOS ENSAMBLADOS EN MEXICO ................................. 8 1.2.2 ENTORNO GENERAL DEL MERCADO DE AUTOPARTES........................................ 10 1.2.3 VEHÍCULOS DE MAYOR POBLACIÓN EN MÉXICO................................................ 11 1.3 PERFIL ACTUAL DE LA EMPRESA .............................................................................. 12 1.3.1 MATRIZ DE EVALUACIÓN DE LOS FACTORES EXTERNOS (EFE).......................... 12 1.3.2 MATRIZ DEL PERFIL COMPETITIVO ................................................................... 14 1.3.3 MATRIZ DE EVALUACIÓN DE LOS FACTORES INTERNOS .................................... 14 1.3.4 MATRIZ FODA .................................................................................................... 15 1.3.5 MATRIZ DE LA POSICIÓN ESTRATÉGICA Y EVALUACIÓN DE LA ACCIÓN (PEEA) 17 1.3.6 MATRIZ DEL BOSTON CONSULTING GROUP ....................................................... 18 1.3.7 MATRIZ INTERNA EXTERNA ............................................................................... 20 1.3.8 MATRIZ CUANTITATIVA DE LA PLANIFICACIÓN ESTRATEGICA ............................ 21 1.4 SITUACIÓN ACTUAL DEL CÁLCULO DEL PRONÓSTICO................................................. 24 1.5 MEDICIÓN DE LA PRECISIÓN DEL PRONÓSTICO ......................................................... 26 CAPÍTULO 2 PRONÓSTICOS Y SERIES DE TIEMPO ......................................................................30 2.1 BASES DE LOSPPRONÓSTICOS.................................................................................... 31 2.1.1 IMPORTANCIA DE LOS PRONÓSTICOS ............................................................... 32 2.2 TIPOS DE PRONÓSTICOS ............................................................................................ 33 2.2.1 PRONÓSTICOS CUALITATIVOS .......................................................................... 34 2.2.2 PRONÓSTICOS CUANTITATIVOS ........................................................................ 36 2.3 CONCEPTOS BÁSICOS DE SERIES DE TIEMPO ESTACIONARIAS ................................. 39 2.3.1 COMPONENTES DE UNA SERIE DE TIEMPO ....................................................... 41 2.3.2 DESCOMPOSICIÓN DE LAS SERIES DE TIEMPO ................................................. 43 2.3.3 MODELOS ARMA .............................................................................................. 44 2.3.3.1 NOTACIÓN BACKSHIFT ............................................................................... 44 1. OPERADOR AR(P) .................................................................................................. 45 2. OPERADOR MA(Q) ................................................................................................. 45 3. OPERADOR ARMA(P, Q) ......................................................................................... 46 2.4 CONCEPTOS BÁSICOS DE SERIES DE TIEMPO NO ESTACIONARIAS ............................ 46 2.4.1 MODELOS LINEALES NO ESTACIONARIOS........................................................ 48 2.4.2 TRANSFORMACIÓN DE MODELOS LINEALES NO ESTACIONARIOS A ESTACIONARIOS ........................................................................................................ 50 2.5 FUNCIÓN DE AUTOCORRELACIÓN ............................................................................. 51 2.5.1 ESTIMACIÓN DE LA FUNCIÓN DE AUTOCORRELACIÓN ..................................... 51 2.6 MEDICIÓN DEL ERROR EN EL PRONÓSTICO .............................................................. 53 2.6.1 CUANTIFICANDO ERRORES DE PREDICCIÓN .................................................... 54 2.7SELECCIÓN DE UNA TÉCNICA DE PRONÓSTICO .......................................................... 55 CAPÍTULO 3 SELECCIÓN DEL MÉTODO DE PRONÓSTICO Y SU METODOLOGÍA ...............................56 3.1 METODOLOGÍA ........................................................................................................ 57 3.2 ANÁLISIS DE PARETO ............................................................................................... 57 3.3 FACTORES A CONSIDERAR PARA ELEGIR UNA TÉCNICA DE PRONÓSTICO ............... 59 3.4 ANÁLISIS DE AUTOCORRELACIÓN ............................................................................. 61 3.5 ANÁLISIS DEL PATRON DE DATOS MEDIANTE EL CORRELOGRAMA .......................... 62 3.6 SELECCIÓN DE LA TÉCNICA DE PRONÓSTICO ............................................................ 65 3.7 DESCRIPCIÓN DE LA TÉCNICA SELECCIONADA......................................................... 66 3.8 SELECCIÓN DEL ARREGLO MÁS PRECISO .................................................................. 73 3.9 COMPARATIVO ENTRE LA METODOLOGÍA ACTUAL Y LA PROPUESTA. ....................... 73 CAPÍTULO 4 ESTUDIO DE CASO .............................................................................................. 75 4.1 DETERMINACIÓN DE LOS PRODUCTOS A ANALIZAR MEDIANTE EL ANÁLSIS DE PARETO .................................................................................................................... 76 4.2 FACTORES QUE INFLUYEN PARA LA ELECCIÓN DE LA TÉCNICA ............................... 78 4.3 AUTOCORRELACIÓN DE LA SERIE DE DATOS ............................................................ 80 4.4 CORRELOGRAMA DEL PATRON DE DATOS PRESENTADA POR LA SERIE..................... 82 4.5 ELECCIÓN DE LA TÉCNICA DE PRONÓSTICO .............................................................. 84 4.6 APLICACIÓN DE LA TÉCNICA SELECCIONADA PARA EL CÁLCULO DEL PRONÓSTICO 85 4.7 DETERMINACIÓN DE LOS ARREGLOS MÁS PRECISOS A APLICAR .............................. 86 4.8 COMPARACIÓN DE RESULTADOS ENTRE LA METODOLOGÍA ACTUAL Y LA PROPUESTA .............................................................................................................. 90 4.9 RESULTADOS DE LOS PERIODOS PRONOSTICADOS .................................................... 95 CONCLUSIONES ........................................................................................................... 105 BIBLIOGRAFÍA 108 APÉNDICES 110 RESUMEN La presente obra nos muestra una metodología general para el cálculo del pronóstico de la demanda en las empresas del ramo de autopartes, para atacar la falta de consistencia en la manera de realizar el cálculo del pronóstico de la demanda y al mismo tiempo, otorgar al nivel directivo una solución mediante la búsqueda y prueba de nuevas técnicas, despertando la inquietud de utilizar algunas otras técnicas para anticipar su demanda. Por las razones anteriores, el trabajo lo abocamos en una metodología basada en la técnica estadística Box-Jenkins de series de tiempo que ayude a los directivos de las empresas a conocer la demanda de autopartes de su organización que pudiera presentarse en el futuro, utilizando una herramienta más confiable que disminuya el error al momento de calcular el pronóstico y mejore su eficiencia, para que resulten mejores tomas de decisiones a la hora de realizar pedidos y de esta forma, se optimicen recursos al disminuir gastos de inventarios innecesarios y las posibles pérdidas de oportunidad de la empresa. En la investigación nos enfocaremos exclusivamente a estudiar el tipo de demanda que se presenta en el mercado de repuesto, ya que debido a la diversidad en los tipos de organizaciones con las que se trabaja en el mercado de refacciones automotrices, es difícil sistematizar las solicitudes de los pedidos y por ende la determinación del tipo de demanda que presenta cada organización se vuelve más complicada. Por lo cual, la metodología que propondremos abarca todos aquellos artículos clasificados como A, dentro de una clasificación ABC, logrando con esto evaluar sólo aquellos productos de mayor peso en la organización, que contribuyan de manera importante a mejorar la precisión en el cálculo de su pronóstico de forma global e individual. Abstract This thesis shows a general methodology used in the forecast calculus for the demand in automotive enterprises, trying to get an homogenized method in the calculus of the forecast and at the same time, provide to the top level management new techniques which they can anticipate the patron of the demand. According with the above mentioned, this work provide a new methodology founded in the Box Jenkins statistical technique for time serial, which will help to the managers to know and manage the possible demand for their organization in the future, using a reliable tool to reduce the mistakes in the forecast calculus and improve its efficiency, allowing that the decisions can be taken in the best way and the resources optimized, reducing the inventory cost and avoiding the possible opportunity cost for customer orders not covered. This investigation will focus exclusively to the demand existing in the aftermarket, since in the different types of organizations involve in this automotive segment, the systematization of the customer orders is not easy. Therefore, the determination of the kind of demand showed by every enterprise becomes more difficult. As regards, the proposal methodology encompasses all those articles classified as “A” getting from an ABC classification, making possible evaluating those articles with a big impact within the organization, contributing to improve the accuracy in the forecast for every article and in a global way. Introducción C omo es sabido, el proceso de pronosticar constituye la base o el fundamento para cualquier planeación de productos o servicios que se requieran fabricar, comprar o vender, es decir, en medida que las organizaciones cuenten con un pronóstico altamente eficiente (entendiendo como eficiencia la mínima variación que se obtiene del valor pronosticado respecto al valor real en un periodo de tiempo), contarán con un nivel de artículos disponibles más sano, que invariablemente proporcionará a las compañías mayor flexibilidad para el cumplimiento de pedidos, lo que incrementará el nivel de servicio y por consiguiente la satisfacción por parte del cliente La situación anterior se puede revertir a partir del hecho de que los directivos descuidan el aspecto de la vanguardia en la utilización de nuevas técnicas para realizar el cálculo del pronóstico. Por tales razones, de no corregirse o considerarse lo anterior, puede provocar que la organización (dependiendo de su tamaño y estructura organizativa), se vuelva más rígida para reaccionar ante la demanda de sus clientes, ya que un pronóstico deficiente de la demanda de artículos origina cualquiera de los siguientes aspectos, o se excede la cantidad necesaria, o se presentan faltantes. El primer aspecto impactará sin duda al costo de los inventarios, mientras que el segundo puede ser aún más grave ya que el producto no se encontrará disponible al momento en que se le requiera, ocasionando órdenes sin entregar que a la larga pueden ser canceladas, aunque ya se haya iniciado a trabajar sobre ellas, debido a que el servicio no se prestó en el momento adecuado, ocasionando posibles penalizaciones o pérdidas de oportunidad. Así pues, dado la alta tecnificación con la que se cuenta en nuestros días, resulta difícil aceptar que las organizaciones que se encuentran inmersas en el ámbito mundial, mantengan sistemas de gestión de demanda basados sólo en la experiencia o en el uso de técnicas elementales. Por lo tanto, como una herramienta para revertir este tipo de conductas presentadas en las empresas de hoy en día el presente trabajo plantea una metodología que ayuda y facilita 1 Introducción a las organizaciones la utilización de técnicas más desarrolladas que permitan pronosticar con un mayor grado de certeza su demanda. La investigación consistió en comparar los niveles actuales de eficiencia en el pronóstico contra los que se pudieran obtener con una nueva metodología, con el objetivo de evaluar qué tan adecuado es seguir utilizando la metodología actual para el cálculo de su demanda, persiguiendo para tal fin el cumplimiento de 3 objetivos específicos. 1.- Definir las etapas a seguir para la determinación y aplicación de la técnica de pronósticos más adecuada para el cálculo del pronóstico y la precisión. 2.- Obtener una mejora en el cálculo de la precisión del pronóstico global en al menos el 50% de los periodos estudiados mediante la aplicación de la metodología. 3.- Obtener una mejora en el cálculo de la precisión del pronóstico para cada artículo independiente de al menos el 50% de los periodos pronosticados comparados contra el valor actual. El trabajo se abordó a través de cinco capítulos en los cuales se establecen todos aquellos elementos que permitan al lector adentrarse de una manera sencilla y amigable a los términos, conceptos y técnicas para pronosticar las demandas. Los capítulos se estructuraron de la siguiente manera. El capítulo 1 contempla todo lo relacionado con los antecedentes de la empresa como primer paso, para enseguida analizar cuál es la situación que se presenta actualmente para el mercado de autopartes en México. Posteriormente, se presenta el perfil de la empresa dentro de su segmento de mercado para finalizar éste con la descripción de la técnica actual para calcular el pronóstico de la demanda y su precisión. Lo anterior se llevó a cabo mediante la investigación de campo; es decir, se utilizó la información presentada por la empresa y por diversos organismos del ramo automotriz. 2 Introducción Durante el segundo capítulo, se efectúa toda la investigación bibliografía necesaria para mostrar aquellos aspectos teóricos que proporcionara el fundamento para entender la naturaleza del problema, y se condujo hacia la identificación de aquellas técnicas que se han desarrollado en la actualidad para los distintos tipos de demanda presentes en las organizaciones y sus tipos para ser consideradas y estudiadas. Finalizando con algunas formas de calcular el error en el pronóstico y con sus interpretaciones respectivas, lo anterior sirvió de base para la elaboración del tercero y cuarto capítulo. En el tercer capítulo, se desarrolla la metodología general de acuerdo a los conceptos vertidos durante la etapa 2. Se pretenderá que esta metodología obedezca a su concepto general, ya que será posible que cualquier organización del mismo ramo pudiera utilizarla para calcular su demanda si presentan algún problema similar. Para el caso de la empresa se llevará a efecto el estudio como un estudio de caso El capítulo 4 muestra la aplicación de la metodología desarrollada durante la etapa previa mediante un estudio de caso (empresa), con esto será posible determinar el cumplimiento de los objetivos perseguidos, esta sección será el preámbulo para la obtención de las conclusiones del estudio. Finalmente se presentan los resultados de todos los productos estudiados así como las conclusiones del estudio de caso. 3 Capítulo 1 PERFIL DE LA COMPAÑÍA entro de las organizaciones modernas cada día es más común enfrentarse a la toma de decisiones, para tener éxito este tipo de decisiones exigen un alto grado de conocimiento del entorno interno y externo que pudieran afectarla cuando ésta se decida a adoptar alguna de las diferentes alternativas del abanico de opciones que se le presenten. D El reto para los directores o gerentes de las unidades de negocios hoy en día, es el conocer cada vez con mayor detalle y anticipadamente aquellas situaciones que por ser inciertas puedan amenazar sus debilidades o incrementar sus fortalezas, por lo que debe tratar de prevenir las negativas, así como resaltar aquellas que resulten positivas. Una herramienta con la que cuentan los ejecutivos de las organizaciones para conocer estos factores es sin duda su experiencia, pero no todo puede ser analizado en base a una gran experiencia, en muchas de las ocasiones se precisa de algunas técnicas científicas que valoren o justifiquen desde otro punto de vista el análisis empírico que se ha realizado. Definitivamente las técnicas de pronóstico correctamente seleccionadas y entendidas permitirán obtener un panorama a corto o largo plazo de lo que pudiera suceder. También, existen otras técnicas de análisis que permiten conocer las fortalezas y las amenazas de la empresa, como la matriz FODA o el análisis de las fuerzas externas entre otras. Lo anterior sin duda, ayudará a los ejecutivos a construir escenarios más precisos de las situaciones que se puedan presentar y además, permitirá que los análisis y pronósticos de la demanda de un producto que presente su mercado, resulten más confiables al momento de tener que decidir las estrategias a llevar a cabo. Dentro de este capítulo abordaremos a la empresa y su entorno como eje central del mismo, se comentará de manera general cuál ha sido la situación de la industria automotriz durante el año 2005, y que podría esperarse de ésta para los próximos años. Lo anterior servirá de base para conocer cómo afectarían los posibles escenarios a la industria de autopartes. 4 Perfil de la compañía También se presentan los antecedentes generales de la empresa y un breve análisis de sus fuerzas y debilidades, que nos permite entender en que posición se encuentra dentro del ambiente de fabricantes de autopartes, para concluir presentamos un panorama de la manera actual de calcular el pronóstico y la precisión del mismo. 1.1 ANTECEDENTES DE LA COMPAÑÍA1 En el año de 1963 Borg & Beck México S.A. de C.V. fue establecida. Para 1990 Sachs adquiere Borg & Beck México, creando Sachs México S.A. de C.V. y en 1992 Sachs México obtiene el certificado Q1 y se introduce al mercado independiente. Durante 1996 Sachs México obtiene los certificados ISO 9001-QS 9000 y en 1997 Sachs México integra a sus instalaciones la planta de Canadá, convirtiéndose en la planta del grupo Sachs que surte a toda la zona del TLC. En 1999 El grupo Sachs es adquirido por Siemens AG, siendo manejado como una empresa independiente. Pero en el 2001 el grupo Sachs es adquirido por el grupo alemán ZF, líder mundial en tren motríz. Y en el 2002 Sachs incrementa el tamaño de sus instalaciones para producir clutches Heavy Duty. Como socio de sistemas para la industria automotriz y un desarrollo global activo, ZF Sachs se mantiene por más de un siglo con innovación en movimiento alrededor del mundo. Con su centro principal de desarrollo en Schweinfurt, Alemania y otro en Troy Michigan, ZF Sachs cuenta ahora con las condiciones para un trabajo superior de desarrollo y para incrementar el rango tecnológico en componentes y sistemas de transmisiones y suspensiones. La posición que ocupa el grupo ZF en Alemania, Europa y Mundialmente se refleja en la siguiente figura, como se puede apreciar, en el mercado Europeo está dentro de las 5 firmas con mayor facturaje, mientras que a nivel mundial se encuentra dentro de las primeras 15. Globalmente el grupo ZF cuenta con 119 localidades de producción, 6 centros principales de desarrollo, 26 compañías de venta y servicios y 500 puntos de servicio al cliente, para un total de 1300 empleados. Sus principales negocios se dividen en: partes para transmisión, partes de suspensión y partes de hule metal. Las marcas que comercializa son: SACHS, BOGE y LEMFORDER, las cuales reportan ingresos de alrededor de 700 millones de euros anualmente. 1 1 G. Varela, Presentación anual junta de distribuidores 2006, México D.F 5 Capítulo 1 Germany 1. 2. 3. 4. 5. 6. 7. 8. 9. 10. Bosch Siemens VDO ZF Group Continental Thyssen INA LuK FAG Mahle Behr Hella Benteler bil US $ 23.2 9.5 8.2 7.6 7.3 3.3 3.1 2.4 2.3 2.2 Europe 1. 2. 3. 4. 5. 6. 7. 8. 9. 10. Bosch Faurecia Siemens VDO Valeo ZF Group Continental Thyssen Autoliv Michelin GKN bil US $ 23.2 12.7 9.5 8.8 8.2 7.6 7.3 5.3 4.7 3.9 Grupo GrupoZF: ZF: Division automotriz Division automotriz World 1. 2. 3. 4. 5. 6. 7. 8. 9. 10. 11. 12. 13. 14. 15. 16. 17. 18. 19. 20. Delphi Bosch Denso Visteon Lear / UTA Magna Intern. Johnson Aisin Faurecia TRW Autom. Siemens VDO Valeo ZF Group Dana Continental Thyssen Yazaki DU Pont Calsonic Autoliv bil US $ 26.2 23.2 16.8 16.5 15.7 15.3 15.1 13.5 12.7 11.3 9.5 8.8 8.2 7.9 7.6 7.3 5.9 5.5 5.4 5.3 Tabla 1.1 Posición de ZF SAHS EN Europa Fuente: Presentación Junta de distribuidores 2005 El grupo ZF de igual forma cuenta con una comercializadora para todas sus marcas llamada ZF TRADING, y se encuentra distribuida globalmente como sigue: Fig.1.1Oficinas Mundiales de ZF TRADING Fuente: Presentación Junta de distribuidores 2005 6 Perfil de la compañía Oficina Matriz: Schweinfurt / Germany Centro de distribucion principal : Schweinfurt and Bremen Ventas, logistica y servicios: Frankfurt, Munich Subsidiarias en Europa: Austria, France, Spain/Portugal, UK/Ireland, Turkey Subsidiarias Globales: Australia, China, Southeast Asia, USA Divisiones de Mercado Independiente: Argentina, Brasil, Mexico Oficinas de Marketing: Hungary, Italy, Japan, Poland, Russia Greece, Czechia, Portugal, Yugoslavia Dentro de las divisiones anteriores se encuentra la oficina en México, la que se enfoca a la venta de partes para transmisión como son los embragues, además fabrica y exporta aplicaciones para la zona NAFTA, que está comprendida por USA, CANADA y MÉXICO. La experiencia, la habilidad y la maestría son las bases para el constante éxito y crecimiento de ZF Sachs. Los productos Sachs se fabrican en México en nuestras tres subsidiarias. ZF Sachs se encuentra en una posición ideal para complementar el espectro de productos del grupo ZF, y abrir nuevos horizontes en las áreas de módulos y sistemas. 1.2 SITUACIÓN GENERAL DEL MERCADO DE AUTOPARTES Y REFACCIONES El mercado de auto partes y refacciones ha mantenido una tendencia hacia la alta, a pesar de los efectos adversos que la situación política del país genera. Año con año la industria automotriz ha roto record de ventas de vehículos nuevos del año previo, lo que significa que cada vez se encuentra una población de vehículos actuales mayor que la del año anterior, originando que la industria de refacciones deba adaptarse a este crecimiento y a su vez, mantener en oferta aquellos productos dedicados a un segmento más antiguo del parque vehicular, por lo que este tipo de empresas deben mantener inventarios sanos y flexibles para poder atender todos estos segmentos de mercado. A continuación se presentará un panorama de la industria de auto partes mexicana 7 Capítulo 1 1.2.1 INDUSTRIA ENSAMBLADORA EN EL TERRITORIO MEXICANO2 Anteriormente las llamadas 3 grandes Ford, General Motors y Chrysler se encontraban localizadas en el centro del País, es decir, tenían su centro de operación y ensamble en el DF, en el momento en que comenzaron ha ser fuertemente atacadas por las empresas asiáticas y en la medida en que sus costos de operación se convirtieron cada vez más en un problema, decidieron emigrar hacia el interior del País. En la actualidad la distribución de las armadoras en México se encuentra como se indica en la Figura 1.2 Fig. 1.2. Localización de las industrias ensambladoras en México Fuente: Asociación Mexicana de la Industria de Autopartes 1.2.1.1 MODELOS DE VEHÍCULOS ENSAMBLADOS EN MÉXICO Además de las 3 grandes, otras armadoras llegaron al territorio nacional y se asentaron en el centro y norte del país, ubicando su producción de automóviles para consumo nacional y exportación de acuerdo con la tabla 1.2. Sin embargo, hoy en día el mercado de autos en México no solo está compuesto por las marcas que tienen plantas de ensamble en el país, ya que en el transcurso de los 2 Reporte económico de coyuntura, Julio 2006, Asociación Mexicana de distribuidores Automotrices 8 Perfil de la compañía años otras firmas han ingresado al territorio nacional para aprovechar los tratados de libre comercio que tienen firmados México con los Estados Unidos y Canadá, y de así poder incorporar sus vehículos en estas regiones al integrarse a las armadoras del país mediante los llamados JOINT VENTURE. CIUDAD PRODUCTO MARCA Hermosillo Focus ZX3, Fusion, Milan y Zephyr Ford Motor Co. Chihuahua Motores a gasolina de 4 cilindros Ford Motor Co. Ramos Arizpe RAM Pick up, Motores a gasolina de 4 cilindros Daimler México Chrysler de Saltillo Estampados Daimler México Chrysler de Ramos Arizpe Cavalier, Chevy, Monza, Sunfire. Aztek, Rendesvouz, Motores a gasolina de 4 y 8 cilindros, Estampado General Motors de Mexico Aguascalientes Platina y Sentra, Motores a gasolina de 4 cilindros, Estampados Transejes y Defensas, Fundición aluminio Nissan Mexicana El Salto Accord Honda de México Zona Industrial Toluca PT Crusier Refacciones Daimler México Cuautitlan Ikon, Serie F Pick up Ford Motor Co. Zona Industrial Toluca C-35 y Kodiak, Motores a gasolina 8 cilindros General Motors de Mexico Fundición Nissan Mexicana Cuernavaca Tsubame y Tsuru Pick up Nissan Mexicana Silao Avalanche, Escalade Escalade ESV y Suburban. Puebla Beetle, Beetle Cabrio y Jetta, Motores a gasolina de 4 cilindros, Estampado Fundición Parque Lerma Industrial EXT, Chrysler de General Motors de México Volkswagen de México Tabla 1.2: Ubicación de los productos de las armadoras en el territorio nacional Fuente: Industria Nacional Automotriz 9 Capítulo 1 1.2.2 ENTORNO GENERAL DEL MERCADO DE AUTOPARTES Durante el 2006, la industria automotriz tuvo un crecimiento superior al presentado en el 2005, con lo que sumó el sexto año consecutivo logrando imponer record de ventas al conseguir la cifra más alta de la historia en un sexenio, 6.2 millones de vehículos vendidos.3. Este resultado refleja un crecimiento sostenido promedio en los últimos seis años que identifica al país como uno de los mercados más sobresalientes, comparado con el comportamiento de los mercados automotrices más importantes del mundo. Para el 2007, las ventas de vehículos podrían verse afectadas por la disposición fiscal que disminuye la deducibilidad de autos de 300 mil a 150 mil pesos, se prevé que la producción crezca 6.2 por ciento durante este año. La exportación en el acumulado del 2006, sumó las 1,538,038 unidades, lo que representó un aumento de 29.4 por ciento con relación al 2005. Durante enero-diciembre 2006, la producción fue de 1,976,726 vehículos, un 21.4 por ciento más que en el 2005. La venta de automotores nacionales representó el 35.79 por ciento de la venta total. El 64.21 por ciento restante correspondió a unidades importadas. Finalmente, la mayor participación de mercado en ventas fue GM con el 19.90 por ciento; seguido de Nissan con el 19.45 por ciento; VW con 17.89; Ford con 17.30 por ciento; por ciento; Daimler Chrysler con 14.73 por ciento; Honda con 1.94 por ciento; y Toyota con 0.97 por ciento. El pronóstico para los próximos años prevé que la actividad de la industria automotriz en el mercado nacional continuará su ritmo ascendente por los menos durante los siguientes 5 años de acuerdo con las intenciones de inversión en el país de las diferentes armadoras y marcas, las cuales han sido publicadas por diferentes medios. Lo anterior vislumbra un escenario favorable para las industrias de autopartes quienes se benefician con los proyectos de las plantas armadoras, al establecer como su nicho de mercado el mercado secundario o de refacciones. 3 Boletín de prensa de Diciembre 2006, Asociación Mexicana de la Industria Automotriz, Diciembre 2006 página 1 10 Perfil de la compañía Por ejemplo, la Secretaria de Economía dijo que como mínimo cerrará durante 2006 tres negocios en el sector automotriz por un valor total de 3,000 mdd y varios en autopartes por hasta 5,000 mdd. La secretaría prevé que cerrar en 2006 el 60 por ciento de los proyectos que negocia actualmente, lo que permitirá que en 2010 el país produzca 3.5 millones de vehículos y exporte 2.4 millones de unidades4 1.2.3 VEHÍCULOS DE MAYOR POBLACIÓN EN MÉXICO. Como se ha comentado el porcentaje de ventas de automóviles nacionales es de 35.79 % mientras que el de extranjeros es de 64.21% la proporción de los automóviles nacionales ha venido disminuyendo de la siguiente forma: Por otra parte con la apertura de las fronteras para los vehículos americanos mayores a 15 años, ha contribuido a que el parque vehicular de automóviles ilegales se haya acrecentado aproximadamente el 50% de ingresos, es decir que por cada dos vehículos legales que se venden en el territorio nacional, existe una entrada de 1 vehículo ilegal, lo que ha arrojado que existan en el territorio nacional casi un millón de vehículos ilegales. Lo anterior puede beneficiar a las industrias fabricantes de autopartes del país al tener un mercado más grande al que ofrece sus productos, pero se presenta una disyuntiva que no debe dejarse de lado, ya que estos automotores debido a la edad que presentan, así como al precio con el que fueron adquiridos es posible que no haga justificable adquirir refacciones nuevas, lo que haría pasar desapercibido este mercado si es que no se ofrecen los productos a precios competitivos. Otro sector que pudiera ser afectado es el de la industria automotriz nacional, ya que al incrementarse la adquisición de vehículos ilegales esto quizá reduciría las ventas de vehículos legales nuevos y/o usados, lo que trasladaría el mismo efecto a las ventas de autopartes. En el apéndice 1 se muestran los 100 vehículos de mayor volumen durante el año 2006 en el territorio nacional. 4 Melgar, Luis, estudio de parque vehicular mexicano, Melgar y asociados 2005. 11 Capítulo 1 1.3 PERFIL ACTUAL DE LA EMPRESA5 A continuación se construirán algunas matrices que permitirán establecer cuál es el perfil actual de la empresa dentro de su entorno interno y externo. La intención es mostrar como se encuentra la empresa en comparación con sus competidores, en las cuestiones tecnológicas, financieras, de posición en el mercado etc. 1.3.1 MATRIZ DE EVALUACIÓN DE LOS FACTORES EXTERNOS (EFE) Una Matriz EFE permite a los estrategas resumir y evaluar la información económica, social, cultural, demográfica, ambiental, política, gubernamental, legal, tecnológica y competitiva Para poder elaborarla, se deben seguir cinco pasos básicos: 1.- Hacer una lista de los factores críticos determinantes para el éxito de la empresa, incluyendo tanto oportunidades como amenazas 2.- De acuerdo a la importancia relativa que tienen los factores para alcanzar el éxito en la industria, se les asigna un peso que va desde 0.0 (no es importante) a 1.0 (muy importante). 3.- Se le asigna una calificación a cada factor, con base en la eficiencia con que están respondiendo las estrategias a estos factores: 4 = una respuesta superior, 3= una respuesta superior a la media, 2= una respuesta media y 1= una respuesta mala De tal modo que las calificaciones se basan en la empresa, mientras que los pesos del paso anterior se basan en la industria. 4.- Se multiplica el peso de cada factor por su calificación, para obtener una calificación ponderada. 5.- Se suman las calificaciones ponderadas de cada una de las variables con el fin de determinar el total ponderado de la organización. 5 Fred R, David, Conceptos de Administración Estratégica, Prentice Hall, México, ISBN 970-26-0427-3 2003. pag 110-111 12 Perfil de la compañía De acuerdo a lo anterior el total ponderado obtenido, tiene los siguientes significados: 4.0 es el más alto que puede tener la empresa, y significa que las estrategias de la empresa están aprovechando, con eficacia las oportunidades existentes y minimizando los efectos negativos de las amenazas externas. 2.5 es el promedio ponderado que puede tener una empresa, lo que significa que no todas las estrategias están funcionando de manera eficiente. 1.0 es el resultado más bajo que puede obtener y significa: que las estrategias de la empresa no están capitalizando las oportunidades ni evitando las amenazas externas, por lo que se requiere un cambio o adaptación de las mismas de manera urgente. FACTORES EXTERNOS CLAVE VALOR CLASIFICACIÓN VALOR PONDERADO 0.10 1 0.1 0.10 3 0.3 0.20 1 0.2 Oportunidades Mercado cada vez mas diversificado de modelos de automóviles. Plantas del grupo europeas con mayor participación de mercado Agilidad en desarrollo de nuevos productos producidos en Sachs México Vehículos con mayor similitud en la transmisión Mayor fortaleza a nivel mundial de la marca Amenazas Entrada de productos asiáticos Calidad de los productos asiáticos considerable Precio menor de los productos asiáticos. Cobertura de las aplicaciones de mayor movimiento 0.10 0.10 2 3 0.2 0.3 0.05 0.05 0.10 0.10 1 1 4 3 0.05 0.05 0.4 0.3 Contracción de la demanda de mercado .10 1 0.1 TOTAL 1 2.0 Tabla 1.3: Matriz de evaluación de los factores externos Fuente: Elaboración propia La empresa se encuentra justo en la media, lo cual refleja que sus estrategias para alcanzar sus fortalezas y evitar sus amenazas se cumplen medianamente. 13 Capítulo 1 1.3.2 MATRIZ DEL PERFIL COMPETITIVO Esta matriz tiene como objetivo identificar a los principales competidores de la empresa, así como sus fortalezas y debilidades particulares, en relación con la posición estratégica de la empresa SACHS C P C P 0.03 0.1 0.1 0.05 0.02 0.05 0.05 0.1 0.1 0.08 3 4 4 2 2 3 4 1 3 1 0.09 0.4 0.4 0.1 0.04 0.15 0.2 0.1 0.3 0.08 4 4 4 3 3 3 4 3 4 3 0.12 0.4 0.4 0.15 0.06 0.15 0.2 0.3 0.4 0.24 2 3 4 2 2 1 1 4 1 4 0.06 0.3 0.4 0.1 0.04 0.05 0.05 0.4 0.1 0.32 0.1 1 0.1 4 0.4 1 0.1 0.05 2 0.1 3 0.15 3 0.15 0.1 0.07 3 1 0.3 0.07 4 4 0.4 0.28 1 1 0.1 0.07 Valor Publicidad Calidad de los productos Competitividad de los precios Dirección Rentabilidad Lealtad de los clientes Expansión Global Diversidad de productos Participación en el mercado Amplitud de la linea de Productos Ventajas de Marca o Patente Registradas Capacidad y Eficiencia de producción Experiencia Adelantos Tecnológicos Total 1 2.43 LUK NIKKO C P 3.65 2.24 Tabla 1.4: Matriz del perfil Competitivo Fuente: Elaboración propia Se puede apreciar que el líder posee clara ventaja sobre los dos competidores restantes en casi la totalidad de los factores considerados. 1.3.3 MATRIZ DE EVALUACIÓN DE LOS FACTORES INTERNOS Es un instrumento muy útil que permite de manera fácil formular estrategias, resumiendo y evaluando las fuerzas y debilidades más importantes dentro de las áreas funcionales de un negocio y además ofrece una base para identificar y evaluar las relaciones entre dichas áreas. De igual forma, se elabora siguiendo los cinco pasa pasos ya descritos para la elaboración de la matriz EFE utilizando los mismos criterios. 14 Perfil de la compañía La calificación total de 2.2 sugiere que la empresa tiene fortaleza interior, pero esto es relativo ya que en lo particular dicho valor está muy cerca del límite interior por lo que fácilmente se podría desbalancear VALOR CLASIFICACIÓN VALOR PONDERADO 20 años en el mercado de refacciones 0.05 3 0.15 Se ha comenzado a tener presencia de marca 0.05 3 0.15 Respaldo de productos con las otras plantas del grupo 0.15 4 0.6 Canales de distribución adecuados 0.1 4 0.4 Creatividad 0.05 3 0.15 FACTORES INTERNOS CLAVE Fortalezas internas Debilidades internas 0 Baja participación en el negocio de equipo original 0.15 1 0.15 Cobertura de parque vehicular menor al 80% 0.1 2 0.2 Poco desarrollo en planta de productos para vehículos modernos 0.1 1 0.1 Tiempos de desarrollos muy lentos 0.1 1 0.1 Costos de producción muy altos 0.1 1 0.1 Poca revisión de diseños anteriores 0.05 2 0.1 TOTAL 1 2.2 Tabla 1.5: Matriz de evaluación de los factores internos Fuente: Elaboración propia 1.3.4 MATRIZ FODA Esta matriz es una herramienta que sirve para obtener las diferentes estrategias, las que nos permitirán obtener las siguientes relaciones: Estrategias de fuerzas y oportunidades FO: utilizar las fuerzas internas para aprovechar la ventaja de las oportunidades externas. Estrategia de debilidades y oportunidades DO: pretende superar las debilidades internas, aprovechando las oportunidades externas. Estrategias de fuerzas y amenazas FA: aprovechan las fuerzas de la empresa, para evitar o disminuir las repercusiones de las amenazas externas. 15 Capítulo 1 Estrategias de debilidades y amenazas DA: son tácticas defensivas que pretenden disminuir las debilidades internas y evitar las amenazas del entorno. La construcción de una matriz FODA consiste de ocho pasos: 1.- Elabora una lista de oportunidades externas de la empresa. 2.- Elaborar una lista de amenazas externas clave 3.- Elaborar una lista de fortalezas internas clave 4.- Elaborar una lista de debilidades internas clave 5.- Establecer la relación entre las fortalezas internas con las oportunidades externas FO 6.- Establecer la relación entre las debilidades internas con las oportunidades externas DO 7.- Establecer la relación entre las fortalezas internas con las amenazas externas FA 8.- Establecer la relación entre las debilidades internas con las amenazas externas DA 1. 2. 3. 4. 5. Fortalezas: F 20 años en el mercado de refacciones Se ha comenzado a tener presencia de marca Respaldo de productos con las otras plantas del grupo Canales de distribución adecuados Creatividad 1. 2. 3. 4. 5. 6. 1. 2. 3. 4. 5. 1. 2. 3. 4. 5. Oportunidades: O Mercado cada vez más diversificado de modelos de automóviles. Plantas del grupo europeas con mayor participación de mercado Agilidad en desarrollo de nuevos productos producidos en Sachs México Vehículos con mayor similitud en la transmisión Mayor fortaleza a nivel mundial de la marca Amenazas: A Entrada de productos asiáticos Calidad de los productos asiáticos considerable Precio menor de los productos asiáticos, Cobertura de las aplicaciones de mayor movimiento Contracción de la demanda de mercado 1. 2. 3. 1. 2. Estrategias FO Incrementar el portafolio de productos para modelos nuevos (F1, F2, F3, O1, O2). Investigación de aplicaciones en otros países para su utilización en el mercado (F2, F3, O2,) Utilizar los canales de distribución para publicitar fuertemente la marca (F5, O5). Estrategias FA Optimizar costos en productos de alto movimiento (F3,F4, A2,A3) Acceso a otros nichos de mercado (F3, F4, F5, A1, A5) 1. 2. 1. 2. Debilidades: D Baja participación en el negocio de equipo original. Cobertura de parque vehicular menor al 80%. Poco desarrollo en planta de productos para vehículos modernos. Tiempos de desarrollos muy lentos Costos de producción muy altos Poca revisión de diseños anteriores Estrategias DO Incrementar cobertura de productos (D1, D2, O1,O2, O4) Desarrollo de nuevos productos en tiempo calidad y costo (D3, D4, D5, D6, O2). Estrategias DA Optimizar gastos para productos A (D4, A1, A3, A4) Creación de valor en el desarrollo de nuevos productos (D2, D4, D6, A5) Tabla 1.6: Matriz FODA Fuente: Elaboración propia 16 Perfil de la compañía 1.3.5 MATRIZ DE LA POSICIÓN ESTRATÉGICA Y EVALUACIÓN DE LA ACCIÓN (PEEA) Esta matriz, consta de cuatro cuadrantes en donde indica si la estrategia es agresiva, conservadora, defensiva o competitiva, y si ésta es la más adecuada para una organización dada. FUERZA FINANCIERA CALIFICACION Fortaleza financiera general y la solvencia 1 La razón deuda sobre capital fue de .25 y se requiere que sea de 1.06, que es el promedio de la industria 2 El rendimiento sobre el capita fue de 1.24% y se requiere 5.06%, que es el promedio de la industria Incremento de ventas general en los últimos tres años 2 5 FUERZA INDUSTRIAL Existe un parque vehicular ilegal que no ha sido atacado 6 Hay una cultura de compra de material reconstruido 2 Las firmas automotrices han ingresado una gran cantidad de Modelos diversos al mercado nacional 5 13 ESTABILIDAD DEL AMBIENTE Hay una transición política que crea incertidumbre ante las políticas económicas que pueden provocar fuga de capital del país. -3 Hay estabilidad macroeconómica -3 El precio de los productos está determinado por el conocimiento de marca en el mercado. -6 -12 VENTAJAS COMPETITIVA Hay gran participación en el mercado -3 La competencia es grande y creciente en el mercado de refacciones -3 La evolución en la tecnología hace cada vez más difícil la competencia debido a la creación de patentes -4 -10 PROMEDIO Promedio FF 1.66 Promedio FI 4.33 Promedio EA -4.0 Promedio VC -3.33 Eje X 1 Eje Y -2.34 Tabla 1.7: Matriz de la fortaleza financiera Fuente: Elaboración propia 17 Capítulo 1 6 5 4 3 2 1 VC -6 -5 -4 -3 -2 -1 0 -1 -2 -3 -4 FI 1 2 3 4 5 6 (1,-2.66) -5 Gráfica 1.1 Matriz de la posición estratégica y evaluación de la acción (PEEA) Fuente: Elaboración propia De acuerdo a lo sugerido por la teoría, la organización es competitiva en un mercado inestable 1.3.6 MATRIZ DEL BOSTON CONSULTING GROUP (BCG) La matriz BCG permite a una empresa con divisiones múltiples dirigir su cartera de negocios por medio del análisis de posición relativa en el mercado y la tasa de crecimiento industrial en cada división respecto a todas las demás divisiones de la empresa. La posición de la participación relativa en el mercado se define como la razón o índice de dividir la propia participación en el mercado en una industria en particular entre la participación en el mercado de la empresa rival más importante en esa industria. 18 Perfil de la compañía División Ingresos E.O. Nacional Utilidades Porcentaje de utilidades Porcentaje de participación en el mercado Porcentaje de la tasa de crecimiento 35,050,179.58 9,601,324.81 3.68% 10% 3.5% E.O. Exportación 104,510,400.19 23,738,791.03 9.11% 6% -7.0% M.I. Nacional 241,220,119.68 167,477,608.79 64.26% 28% 9.7% M.I. Exportación 73,646,433.16 14,830,430.94 5.69% 15% 4.5% E.O.S. Nacional 28,298,604.39 12,166,421.85 4.67% 15% 3.2% E.O.S. Exportación 103,736,348.37 32,810,311.80 12.59% 10% -2.3% Total 260,624,889 586,462,085.37 100% Tabla 1.8: Posición de la participación relativa en el mercado de la empresa Fuente: Elaboración propia MI NACIONAL Alta 64.2% MI EXPORTACION 5.69% Tasa de crecimiento de las ventas en la industria de autopartes (Porcentaje) 3.68% EO NACIONAL Media 12.59% EOS EXPORTACION EOS NACIONAL 4.67% 9.11% EO EXPORTACION Baja Gráfica 1.2 Posición de la participación relativa en el mercado de la empresa Fuente: Elaboración propia Las unidades de negocio que se encuentran en el primer cuadrante resultan ser signos de interrogación, aunque se observa un desplazamiento de la UEN MI nacional hacia el cuadrante de las estrellas, mientras que existen dos UEN que se encuentran dentro de la clasificación de los perros los cuales podrían considerarse de casta, ya que solo sirven para tener imagen de la marca en el extranjero. 19 Capítulo 1 1.3.7 MATRIZ INTERNA EXTERNA (IE) Esta matriz tiene como función colocar las diferentes divisiones de una organización dentro de un cuadro de nueve celdas. La matriz IE se parece a la matriz del BCG en el hecho que las dos requieren que las divisiones de la organización se coloquen dentro de un diagrama esquemático, por eso se les conoce como matrices de cartera. División Ventas Porcentaje de Ventas Utilidades Porcentaje de utilidades 41.13% 167,477,608.79 64.26% M.I. Nacional 241,220,119.68 Puntaje de la Puntaje de la matriz EFI matriz EFE 2.2 2.0 Tabla 1.9: Valores para la matriz interna externa de la empresa Fuente: Elaboración propia Sólido CRECER Y CONSTRUIR 3.0 a 4.0 4.0 1.0 a 1.99 Débil 2.0 a 2.99 3.0 Alto PUNTAJES 3.0 a 4.0 DE VALORES Medio TOTALES DE LA 2.0 a 2.99 MATRIZ Bajo EFE Promedio 1.0 a 1.99 2.0 1.0 I II III IV V VI VII VIII IX 3.0 2.0 1.0 CONSERVAR Y MANTENER COSECHAR Y ENAJENAR Gráfica 1.3 Puntajes de valores totales de la matriz EFI Fuente: Elaboración propia 20 Perfil de la compañía TOTALES PONDERADOS DEL EFI FUERTE 3.0 a 4.0 4.0 TOTALES PONDERADOS DEL EFE 4.0 DEBIL 1.0 a 1.99 PROMEDIO 2.0a 2.99 3.0 2.0 1.0 ALTO 3.0 a 4.0 3.0 MI NACIONAL MEDIO 2.0a 2.99 64% 2.0 BAJO 1.0 a 1.99 1.0 Gráfica 1.4 Matriz Interna-Externa Fuente: Elaboración propia El análisis ha permitido observar que la unidad estratégica de negocio (UEN) sea colocada en el cuadrante V lo que es típico de las divisiones que requieren “mantener y retener”. Ahora bien está situada en el límite entre lo bajo y lo medio de los EFE. Si la empresa no comienza a llevar a cabo las estrategias adecuadas, es muy probable que empeore ocasionando su ubicación en el cuadrante VIII, donde la estrategia a implementar es desparecer o vender. La penetración del mercado y el desarrollo del producto son dos estrategias comúnmente utilizadas para este tipo de unidades. En segundo lugar, las divisiones que caen en las celdas III, V o VII se pueden administrar mejor con estrategias para “Retener y mantener”, la penetración en el mercado y el desarrollo del producto son dos estrategias comúnmente empleadas para este tipo de divisiones. 1.3.8 MATRIZ CUANTITATIVA DE LA PLANIFICACIÓN ESTRATÉGICA Esta técnica indica en forma objetiva cuales son las mejores estrategias alternativas con base en los factores críticos de éxito, internos y externos identificados en los análisis de la etapa 1 y 2. 21 Capítulo 1 FACTORES CLAVE Desarrollo de Penetración de Productos Mercado Valor PA PTA PA PTA Mercado cada vez más diversificado de modelos de automóviles. Plantas del grupo europeas con mayor participación de mercado 0.1 0.1 3 4 0.3 0.4 2 2 0.2 0.2 Agilidad en desarrollo de nuevos productos producidos en Sachs México 0.2 4 0.8 1 0.2 Vehículos con mayor similitud en la transmisión 0.1 2 0.2 1 0.1 Mayor fortaleza a nivel mundial de la marca 0.1 ---------- ---------- Entrada de productos asiáticos 0.05 ---------- ---------- Calidad de los productos asiáticos considerable 0.05 ---------- ---------- Precio menor de los productos asiáticos. 0.1 1 Cobertura de las aplicaciones de mayor movimiento 0.1 ---------- Contracción de la demanda de mercado 0.1 1 20 años en el mercado de refacciones 0.05 ---------- ---------- Se ha comenzado a tener presencia de marca 0.05 ---------- ---------- Respaldo de productos con las otras plantas del grupo 0.15 2 0.3 2 0.3 Canales de distribución adecuados 0.1 1 0.1 3 0.3 Creatividad 0.05 3 0.15 1 0.05 Baja participación en el negocio de equipo original 0.15 4 0.6 4 0.6 Cobertura de parque vehicular menor al 80% 0.1 2 0.2 2 0.2 Poco desarrollo en planta de productos para vehículos modernos 0.1 4 0.4 1 0.1 Tiempos de desarrollos muy lentos 0.1 4 0.4 4 0.4 Costos de producción muy altos 0.1 1 0.1 4 0.4 Poca revisión de diseños anteriores 0.05 2 0.1 3 0.15 Oportunidades Amenazas 0.1 1 0.1 ---------0.1 1 0.1 Fortalezas internas Debilidades internas TOTAL 4.25 3.4 Tabla 1.10: Matriz de la planeación estratégica cuantitativa para la empresa Fuente: Elaboración propia La empresa no presenta UEN estrella, más bien sólo está dependiendo de lo que el MI nacional logre crecer, aunque de igual forma se encuentra en el cuadrante de las UEN. La empresa se encuentra situada en el cuadrante de competitividad en un ambiente inestable de acuerdo con la matriz interna externa, lo que corresponde con el análisis de la matriz PEEA. 22 Perfil de la compañía Las estrategias que se sugieren a partir de la matriz PEEA son el desarrollo de productos y la penetración del mercado. Evaluando estas estrategias mediante la matriz de la planeación estratégica cuantitativa, se obtiene que la estrategia con un puntaje más alto y que se debe emplear sean aquellas enfocadas al desarrollo de nuevos productos. El desarrollo de nuevos productos como estrategia principal, obliga a la empresa a estudiar aquellos nuevos productos relacionados con los actuales así como los no relacionados, teniendo que estudiar aquellos factores que puedan influir hacia los clientes potenciales (externos) y hacia los propios recursos con los que cuente la organización (internos). La mayoría de las empresas pronostican sus propios ingresos y utilidades de forma anual; a veces, pronostican la participación en el mercado o la lealtad de los clientes. Puesto que los pronósticos son tan importantes en la dirección estrategia y la habilidad para pronosticar (a diferencia de la habilidad para utilizar los pronósticos) es vital, durante el presente capítulo y lo expuesto en el apéndice 2 otorga un panorama a los directivos de la empresa del porque de la importancia de realizar pronósticos más eficientes considerando los factores externo e internos que afectan a la empresa, ya que con frecuencia deben confiar en sus propios pronósticos o en los publicados. David6 menciona que el pronosticar es una actividad compleja debido a factores como: la innovación tecnológica, cambios culturales, productos nuevos, mejores servicios, competidores más fuertes, condiciones económicas inestables y acontecimientos imprevistos. Debido a que los pronósticos son imperfectos y algunos incluso muy inexactos, se acentúa la necesidad de que se dedique suficiente tiempo y recursos por parte de la organizaciones al desarrollo de pronósticos más eficientes mediante de la utilización de técnicas adecuadas al comportamiento de su demanda, ya que solo estos proporcionan ventajas competitivas importantes a las empresas y son vitales para el proceso de la dirección estratégica y para el éxito de las empresas. 6 David Fred R, , Conceptos de Administración Estratégica, Prentice Hall, México, ISBN 970-26-0427-3 , 2003 pág. 103 23 Capítulo 1 1.4 SITUACIÓN ACTUAL DEL CÁLCULO DEL PRONÓSTICO7 Actualmente la empresa no se apega a ninguna de las metodologías teóricas más comúnmente conocidas para realizar el cálculo de su pronóstico, de hecho, tampoco se ajusta a ninguna de las técnicas especiales desarrolladas en los últimos años para este fin. Si bien se emplean los promedios para iniciar con el cálculo, no podemos decir que se esté utilizando una técnica de promedios móviles y mucho menos de series de tiempo, aunado a esto, los promedios resultantes son afectados por un factor exponencial, el cual, sólo tiene como función incrementar el valor del pronóstico para asegurar que no existan faltantes, pero se deja de lado el costo del inventario en el que se pueda incurrir; este factor es colocado por la experiencia de la gerencia de ventas y es distinto para cada mes. La razón dada para realizar el cálculo de esta manera es que la demanda de la empresa no sigue un patrón determinado, debido principalmente a que los competidores desestabilizan el mercado al jugar con los precios de los productos en periodos de tiempo aleatorios, por lo que el mercado responde de una manera diferente según el estímulo que le apliquen los proveedores, por ejemplo, si existe una baja de precios con seguridad se incrementarán los pedidos durante el periodo de tiempo que dure la oferta, en cuanto los precios regresan a su nivel normal, los pedidos disminuyen notablemente pero esta baja en la demanda es duradera ya que el distribuidor se ha inventariado con un producto más barato, por lo que generalmente espera a vender casi la totalidad de éste antes de volver a consumir de forma normal porque la utilidad de su operación se ve incrementada al actuar de esta manera. A continuación se presentará un ejemplo práctico para intentar proporcionar una idea más clara sobre la metodología utilizada por la empresa para el cálculo del pronóstico de su demanda. 7 Datos proporcionados por la empresa Reporte ejecutivo Enero 2006 24 Perfil de la compañía Número Entra de Pedidos 2005 Facturado 2005 Prmedio Entrada de Pedidos 2005 Promedio de Facturación 2005 Entrada de Pedidos Enero Entrada de Pedidos Febrero SN31846 KM11004-01 KM639-02 KF224-02B KM173-01 KM168-01 SN9001 KF537-04 KM80203-01 K1121-01 31,154 17,258 14,142 13,426 10,672 8,282 4,579 9,387 4,619 1,401 31,199 16,442 14,015 13,273 10,336 7,971 4,096 9,292 4,594 1,404 2,596 1,438 1,179 1,119 889 690 382 782 385 117 2,600 1,370 1,168 1,106 861 664 341 774 383 117 5,299 1,221 653 625 825 546 219 350 189 163 2,108 1,200 959 821 698 639 457 507 292 248 2,760 1,357 760 712 939 743 394 572 285 342 Entrada de Pedidos Marzo Entrada de Pedidos Abril Total Entrada de Pedidos EneAbr '06 1,050 1,476 855 958 825 464 721 465 272 260 11,217 5,254 3,227 3,116 3,287 2,392 1,791 1,894 1,038 1,013 Promedio ultimos 3 meses Entrada de pedidos 1,972 1,344 858 830 820 615 524 514 283 283 4,319 1,201 633 615 825 452 219 340 189 163 777 1,074 840 787 627 95 440 446 260 180 3,647 1,302 744 682 906 1,294 377 567 282 178 2,447 1,269 810 939 757 494 699 502 267 233 11,190 4,846 3,027 3,023 3,115 2,335 1,735 1,855 998 754 Facturado Enero Facturado Febrero Facturado Marzo Facturado Abril Total Facturado Ene-Abr '06 Promedio ultimos 3 meses Facturado 2,290 1,215 798 802 763 627 505 505 269 197 Junio 2,290 1,344 858 830 820 627 524 514 283 283 10 Politica de Inventarios Días 10 10 10 10 10 10 10 10 10 Stock 763 448 286 277 273 209 175 171 94 94 Julio 3,053 1,792 1,144 1,107 1,093 836 699 685 377 377 Agosto 2,131 1,280 828 816 792 621 515 510 276 240 Septiembre 2,238 1,343 869 857 831 652 540 535 290 252 Octubre 2,195 1,318 853 840 815 640 530 525 284 247 Noviembre 2,195 1,318 853 840 815 640 530 525 284 247 Diciembre 2,344 1,407 911 898 871 683 566 560 304 264 Tabla 1.11: Entrada de pedidos y pronóstico actual de la empresa Fuente: Datos de la empresa Reporte ejecutivo Enero 2006 25 Capítulo 1 Para cada número de parte el procedimiento es el mismo, utilizaremos los datos del número de parte SN31846 de la tabla anterior para ejemplificar el método. Primeramente se calcula el promedio del año anterior para tener una referencia del nivel en que debe moverse la cantidad mensual, y éste se calcula tanto para la entrada de pedidos como para el total facturado. En este caso 31,159 y 31,199 respectivamente que divididos entre 12 meses tenemos 2,596 para la entrada de pedidos y 2600 para las piezas facturadas. Posteriormente se registran la entrada de pedidos de los últimos 4 meses junto con las piezas facturadas en el mismo periodo, para posteriormente determinar el promedio de cada una de las cantidades, las cuales para los meses de Febrero a Abril arrojan el resultado de 1,972 para la entrada de pedidos y 2,290 para el material facturado. Enseguida se comparan estas cantidades y la que resulte mayor se toma como el promedio del siguiente mes, y ya que 2,290 > 1,972 entonces el promedio del material facturado se toma como el pronóstico del mes de Junio según nuestro ejemplo. Posteriormente se divide el pronóstico del mes de junio entre 30 días y se multiplica por 10 días que son los días de inventario que se requieren, obteniendo 763 piezas de inventario, esta cantidad es sumada al pronóstico del mes de Junio obteniendo un total de 3,053 que es promedio del mes de julio. El pronóstico del mes de agosto es el promedio entre los resultados de los promedios de los 3 meses de pedidos y los 3 últimos meses facturados lo que quiere decir que es el promedio de las siguientes cantidades 1,972 y 2,290 que es igual a 2,131. El pronóstico del mes de Septiembre es el resultado para agosto mas un 3%, mientras que para los meses de Octubre a Diciembre es el pronóstico para agosto mas un 5%. Estos factores son dados por la gerencia de ventas de acuerdo a la experiencia. 1.5 MEDICIÓN DE LA PRECISIÓN DEL PRONÓSTICO8 La medición en la precisión del pronóstico se calcula por mes y para dos casos, cuando se incluye las órdenes retrasadas y cuando no se incluyen. Debiendo cumplirse que el error de la variación entre el valor real y el pronosticado se encuentren dentro de un rango de ±20% del valor real, para que la empresa considere al pronóstico como aceptable. 8 idem pag 24 26 Perfil de la compañía La metodología utilizada para el primer caso es la siguiente: CUANDO SE INCLUYE LAS ÓRDENES RETRAZADAS Tomaremos la tabla siguiente para ejemplificar el caso. Código SPM KM639-02 Pronóstico MI Pedido con B.O. B.O. Al cierre mes anterior Forecast Accurary Pedido Unfavorable Accuracy 750 781 38 743 31 31 KM11004-01 1,375 1,714 320 1,394 339 339 SN31846 - 2,610 190 - 190 2,800 2,610 KM173-01 650 684 343 341 34 34 KF537-04 600 630 - 630 30 30 KM168-01 720 706 146 560 14 - 14 1,200 745 - 745 455 - 455 K0047-06 480 380 - 380 100 - 100 KM80203-01 300 215 - 215 85 - 85 K70038-01 175 90 75 85 - 85 K1121-01 115 34 34 81 - 81 K70037-02 610 604 142 462 6 - 6 K0465-05 285 289 209 80 4 4 93 31 21 10 62 - 62 K1886-01 170 109 39 70 KF594-01 290 290 225 65 K9082-01 150 149 - 149 1 - 1 SN9001 350 200 - 200 150 - 150 19 102 - 102 - - KF224-02B K70277R-01 15 - 61 - KM136-01 140 38 SN1106 200 200 - KF251-01 500 489 393 96 11 - 11 KM10993-01 136 10 - 10 126 - 126 KF587-04 300 281 231 50 19 - 19 SBA1002 231 180 - 180 51 - 51 K0036-02 138 18 - 18 120 - 120 KM168-02 155 121 86 34 - 34 SBA1029 86 37 - 37 49 - 49 K0050-01 156 16 - 16 140 - 140 KF295-01 144 136 - 136 8 - 8 K1914-06 200 189 159 30 11 - 11 K260033-01 19 61 - 200 35 50 35 - 35 15 - 15 SBA60026 190 180 - 180 10 - 10 K70149-01 25 22 5 3 - K70285-01 - - 17 - - - 3 - K70285-02 - - - - - - K70149-02 - - - - - - K70144-02 - - - - - - K70145-01 - - - - - - K70128-04 Total Código A 20 18 13,784 12,231 2,352 18 9,879 Forecast Accuracy / Unfavorable Productos A 2 2,429 82% 2 438 97% Tabla 1.12: Cálculo de la precisión del pronóstico situación actual Fuente: Datos de la empresa Reporte ejecutivo Enero 2006 27 Capítulo 1 La cantidad pedida para el número de parte KM639-02 es de 743u y la orden retrazada (BO), es de 38u por lo que el total de esta suma es de 781u que es el pedido más la orden retrazada. El pronóstico para este mismo número en el periodo dado es de 750u, por lo que restando esta cantidad de la suma anterior tenemos que la precisión del pronóstico es de 31u desfavorables, es decir que se quedó corto. Este mismo procedimiento se ejecuta para cada uno de los números de parte colocando su valor absoluto en la columna de precisión favorable y por otro lado se coloca su signo en la columna de pronóstico desfavorable. Posteriormente se obtienen las sumatorias de cada una de las columnas indicadas en la tabla, con la salvedad de que la columna donde se coloca la precisión desfavorable sólo considera aquellos valores que son mayores a cero. El criterio de la precisión desfavorable es que todos aquellos valores que resulten con signo positivo significan faltantes en el pronóstico calculado, mientras que un valor negativo significa excesos en el cálculo del pronóstico. Con este criterio se entiende que en la columna de la precisión desfavorable sólo se consideran aquellos valores que provocan un valor faltante, ya que la empresa considera que es mejor que sobre el material, ya que de esta manera se pueden atender más pedidos extras, aunque en ocasiones sólo se queda inventariado el material y no se contempla que el inventario representa capital estático. Por lo tanto, el valor obtenido para la precisión desfavorable se divide entre la sumatoria del pronóstico, a este resultado se le resta la unidad para obtener con esto la precisión para este rubro. Por otra parte, el cálculo de la precisión favorable se calcula de la misma forma pero se toman en cuenta todos los valores absolutos en la sumatoria y este resultado se divide de igual forma entre el total del pronóstico para obtener la precisión favorable del pronóstico. En realidad con este procedimiento no se obtiene la desviación absoluta promedio ni el error cuadrado medio. Por lo tanto estos valores no reflejan en realidad el nivel de precisión del pronóstico, entonces de acuerdo a la teoría no se puede establecer si el método utilizado es correcto. El mismo procedimiento se aplica para el caso en donde no se consideran las órdenes retrazadas. A continuación se presentan los valores. 28 Perfil de la compañía Código SPM KM639-02 Pronóstico Forecast Accuracy Pedidos Unfavorable Accuracy 49 - Avance de pronóstico 750 743 7 7 99% KM11004-01 1,375 1,394 19 361 19 101% SN31846 93% 2,800 2,610 190 36,100 - 190 KM173-01 650 341 309 95,481 - 309 52% KF537-04 600 630 30 900 30 105% KM168-01 720 560 160 25,600 - 160 78% 1,200 745 455 207,025 - 455 62% K0047-06 480 380 100 10,000 - 100 79% KM80203-01 300 215 85 7,225 - 85 72% K70038-01 175 75 100 10,000 - 100 43% K1121-01 115 34 81 6,561 - 81 30% K70037-02 610 462 148 21,904 - 148 76% K0465-05 285 80 205 42,025 - 205 28% 93 10 83 6,825 - 83 11% K1886-01 170 70 100 10,000 - 100 41% KF594-01 290 65 225 50,625 - 225 22% K9082-01 150 149 1 1 - 1 99% SN9001 350 200 150 22,500 - 150 57% KM136-01 140 19 121 14,641 - 121 SN1106 200 200 KF251-01 500 96 404 163,216 - 404 KM10993-01 136 10 126 15,926 - 126 7% KF587-04 300 50 250 62,500 - 250 17% SBA1002 231 180 51 2,600 - 51 78% K0036-02 138 18 120 14,491 - 120 13% KM168-02 155 86 69 4,761 - 69 55% SBA1029 86 37 49 2,409 - 49 43% K0050-01 156 16 140 19,547 - 140 10% KF295-01 144 136 8 61 - 8 95% K1914-06 200 30 170 28,900 - 170 15% 50 35 15 225 - 15 70% SBA60026 190 180 10 100 - 10 95% K70149-01 25 5 20 400 - 20 20% KF224-02B K70277R-01 K260033-01 - - - 14% 100% 19% K70285-01 - - - - - 0% K70285-02 - - - - - 0% K70149-02 - - - - - 0% K70144-02 - - - - - 0% K70145-01 - - - K70128-04 Total A - 20 18 2 13,784 9,879 4,003 For. Accuracy / Unfavorable Productos A 71% 4 - 0% 2 90% 49 72% 100% Tabla 1.13: Cálculo de la precisión del pronóstico situación actual sin considerar órdenes retrazadas Fuente: Datos de la empresa Reporte ejecutivo Enero 2006 29 Capítulo 2 PRONÓSTICOS Y SERIES DE TIEMPO esde tiempos memorables el conocer el futuro siempre ha sido un suceso místico para la humanidad, es decir, el ser humano siempre ha intentando anticiparse a conocer aquellas situaciones que intervengan directamente con su entorno y que puedan afectar benéficamente o no, su forma de existir. A este respecto con el paso de los años el ser humano ha experimentado diversas formas de conocer el futuro que va desde consultar a los adivinos o videntes, hasta el establecimiento de formas más científicas mediante el estudio analítico de su medio ambiente o una combinación de ambas. D Dicha naturaleza del ser humano lo ha conducido a intentar conocer de qué manera pudiera influir la volatilidad del medio ambiente en sus negocios para una correcta toma de decisiones. A este respecto ha intentado realizar predicciones de lo que pudiera surgir o de cómo se pudiera mover su entorno, en la medida en que ha ido perfeccionando dichas predicciones sus observaciones comienzan a ser estudiadas con mas profundidad, permitiéndole llegar a establecer un pronóstico, que le sirva para decidir con mayor certeza sobre los asuntos que le interesen. Por ejemplo, en las organizaciones el empleo del termino Demanda es tan común que muchas veces se olvida la importancia que tiene el conocer con exactitud de qué tipo se trata. Es claro que el desconocer en qué forma se comporta el medio evita el pronosticar correctamente, lo que obliga a las organizaciones a analizar con profundidad cómo se va modificando la Demanda a través del tiempo para definir la metodología que se ha de emplear para pronosticarla. En este capítulo se presentan algunas metodologías actuales que los administradores pueden utilizar para la realización de sus pronósticos en los negocios. 30 Pronósticos y series de tiempo El tema central del capítulo será la metodología Box-Jenkins, empleada en las series de tiempo. Cabe mencionar que antes de 1970 el estudio de los procesos estocásticos en series de tiempo era demasiado complicado y poca gente lo dominaba, hasta que en 1970 Box-Jenkins publicaron un libro que significó el inicio de una nueva era en las aplicaciones de los modelos de series de tiempo. Box y Jenkins simplificaron considerablemente la metodología de Series de Tiempo, y actualmente muchos más especialistas de diferentes áreas usan apropiadamente esta metodología. En el enfoque de Box-Jenkins se emplean modelos estadísticos para estimación de parámetros, las predicciones tienen propiedades óptimas y se obtienen intervalos de confianza para las predicciones. 2.1 BASES DE LOS PRONÓSTICOS Para iniciar a hablar acerca de los pronósticos en los negocios, es necesario contar con una definición que nos apoye a limitar y clarificar el significado que esta palabra posee, para que de esta forma se logre un mejor entendimiento de lo qué nos referimos al hablar de pronóstico, predicción y planeación. Pronóstico Adam y Ebert1 proporcionan la siguiente definición: • El pronóstico es un proceso de estimación de un acontecimiento futuro, proyectando hacia el futuro datos del pasado. Los datos del pasado se combinan sistemáticamente en forma predeterminada para hacer una estimación del futuro. • La predicción es un proceso de estimación de un suceso futuro basándose en consideraciones subjetivas, diferentes a los simples datos provenientes del pasado, estas consideraciones subjetivas no necesariamente deben combinarse de una manera predeterminada. Por otro lado Ploss2 comenta lo siguiente: la planeación y el control se relacionan básicamente con el futuro. El pasado está fuera de control, es necesario comenzar por la situación presente y prepararse para el futuro. Para hacer esto es necesario hacer conjeturas, suponer o de otro modo estimar lo que va a pasar de hoy en adelante. La predicción es vital para efectuar una planeación adecuada. Por ejemplo, 1. Planear la producción de Televisores de una empresa mediante la predicción de las ventas de los próximos 6 meses. 2. Planear la compra de acciones de una cierta empresa mediante la predicción de su valor en los próximos 3 meses. 1 Adam, Ebert, Administración de la producción y operaciones conceptos, modelos y funcionamiento ed, Pearson Prentice hall, México, ISBN 968-880-221-2, 1991 pág. 84 2 George W Ploss, Control de la producción y de Inventarios Principios y Técnicas, Prentice Hall, México, ISBN 0-13-725144-0, 1993 pág. 69 31 Capítulo 2 2.1.1 IMPORTANCIA DE LOS PRONÓSTICOS Para Hanke y Reitsch 3, todas las organizaciones operan en una atmósfera de incertidumbre y a pesar de este hecho, se deben tomar decisiones que afectan el futuro de la organización. Para los gerentes de organizaciones, las conjeturas académicas son más valiosas que las no académicas. Así, quienes toman decisiones lo harán mejor si a partir de la comprensión de las técnicas de pronóstico, las utilizan de manera adecuada, en vez de que se vean forzados a planear el futuro sin el beneficio de esta valiosa información complementaria. Debido a que siempre ha sido cambiante el mundo en el que operan las organizaciones, constantemente ha existido la necesidad de hacer pronósticos. Para tal efecto, en los últimos años se ha incrementado la confianza en las técnicas que abarcan una compleja manipulación de datos. Una nueva tecnología y nuevas disciplinas aparecieron de la noche a la mañana; la actividad gubernamental se intensificó en todos los niveles; la competencia se hizo más cerrada en muchas áreas; en casi todas las industrias se implantó el comercio internacional; crecieron y se crearon nuevas agencias de ayuda y servicios. Estos factores se combinaron para crear un clima organizacional que es más complejo, con una dinámica más rápida y más competitiva que nunca. De tal forma que las organizaciones que no puedan reaccionar con rapidez a las condiciones cambiantes y prever el futuro con algún grado de precisión, están condenadas a la extinción. ¿Quién requiere hacer pronósticos?, casi cualquier organización, grande y pequeña, pública y privada, utiliza el pronóstico ya sea explícito o implícito, debido a que casi todas las organizaciones deben planear cómo enfrentar las condiciones futuras de las que tiene un conocimiento imperfecto. Además, la necesidad de hacer pronósticos cruza todas las líneas funcionales lo mismo que todo tipo de organizaciones. Se requiere hacer pronósticos en las áreas de finanzas, comercialización, personal y de producción, tanto en organizaciones gubernamentales y de búsqueda de ganancias, como en pequeños clubes sociales y en los partidos políticos nacionales. Es claro el hecho de que el pronosticar abarca casi todas las funciones de la empresa, de tal forma que en la actualidad es casi impensable que existan compañías que no realicen algún tipo de pronósticos, pero esta necesidad no sólo se centra en el punto de observar la importancia que tiene el combinar la intuición con la técnica, para Ploss4, los diferentes tipos de pronósticos que se pueden realizar en una empresa se resumen de la siguiente forma: 3 John E. Hanke, Arthur G. Reitsch, Ponosticos en los Negocios, Prentice Hall, México, ISBN 968-880-681-1, 1996 pág 1-3 George W Ploss, Control de la producción y de Inventarios Principios y Técnicas, Prentice Hall, México, ISBN 0-13-725144-0, 1993 pág 70 4 32 Pronósticos y series de tiempo Pronóstico Requerido por 1. Formaciones de familias Comercialización: determinar el crecimiento potencial total del mercado 2. Producción total Fabricación: programa de expansión de requerida los próximos la planta cinco años 3. Cantidad de horas (por tipo) requeridas próximos dos años Fabricación: presupuesto de capital del siguiente año 4. Ventas del próximo año de productos individuales Ventas: cuotas Finanzas: presupuestos de gastos familias Fabricación: capacidades de trabajador y de máquina Control del material: requerimientos estaciónales de inventario y pedidos de compra abiertos 5. Ventas para el trimestre de productos siguiente Control de material: capacidades del trimestre de productos centros de trabajo, componentes individuales fabricados y comprados 6. Ventas para la próxima semana de productos Control de material: programas de semana de productos montaje y prioridades de despacho individuales Tabla 2.1 Tipos de Pronósticos y sus Aplicaciones Fuente: George W Ploss, 1993 Control de la producción y de Inventarios Principios y Técnicas, Prentice Hall, México, ISBN 0-13-725144-0 2.2 TIPOS DE PRONÓSTICOS Los autores más reconocidos establecen diversas clasificaciones de los tipos de pronósticos, sin embargo, la clasificación presentada por Hanke y Reistch5 agrupa de una manera sencilla a la mayoría de ellas. Primeramente, se deben clasificar los procedimientos de pronóstico de largo o corto plazos. Los pronósticos a largo plazo son necesarios para establecer el curso general de la organización para un largo periodo; de ahí que se conviertan en el enfoque particular de la alta dirección. Los pronósticos a corto plazo se utilizan para diseñar estrategias inmediatas y que usan los administradores de rango medio y de primera línea para enfrentar las necesidades del futuro inmediato. También se podría clasificar a los pronósticos en términos de su posición en el entorno micro-macro, es decir, según el grado en que intervienen pequeños detalles contra grandes valores resumidos. Por ejemplo, el gerente de una planta pudiera estar interesado en pronosticar el número de trabajadores que requerirá en los próximos meses (un micropronóstico), mientras que el gobierno federal está pronosticando el número total de personas empleadas en toda la nación (un macro-pronóstico). De nuevo, los diferentes 33 Capítulo 2 niveles de administración en una organización tienden a enfocar diferentes niveles del entorno micro-macro. Así, la alta dirección estaría interesada en pronosticar las ventas de toda la compañía, en tanto que los vendedores individuales estarían mucho más interesados en pronosticar su propio volumen de ventas. Los procedimientos de pronóstico pueden clasificarse de acuerdo con su tendencia a ser más cuantitativos o cualitativos. En uno de los extremos, una técnica puramente cualitativa es aquella que no requiere de una abierta manipulación de datos, sólo utiliza el “juicio” de quien pronostica. Desde luego, incluso aquí, el “juicio” del pronosticador es en realidad el resultado de la manipulación mental de datos históricos pasados. En el otro extremo, las técnicas puramente cuantitativas no requieren de elementos de juicio; son procedimientos mecánicos que producen resultados cuantitativos. Por supuesto, ciertos procesos cuantitativos requieren de una manipulación de datos mucho más compleja que otros. 2.2.1 PRONÓSTICOS CUALITATIVOS Makridakis6 llama a los pronósticos cualitativos como discrecionales y menciona que éstos están basados en la observación de las tendencias existentes, los cambios en esas tendencias y la magnitud del cambio futuro, también están sujetas a cierto número de deficiencias. Y su ventaja es poder identificar el cambio sistemático con más rapidez e interpretar mejor el efecto de dicho cambio en el futuro. Existen diversos métodos para efectuar los pronósticos discrecionales, Schroeder7 proporciona una clasificación de éstos. En la tabla 2.2 se describen los métodos cualitativos más conocidos y algunas de las características de cada uno de ellos, se podrá apreciar que los métodos cualitativos casi siempre se utilizan para pronósticos a mediano y largo plazo que involucren situaciones como diseño del proceso o capacidad de las instalaciones 5 John E. Hanke, Arthur G. Reitsch, Pronósticos en los Negocios, Prentice Hall, México, ISBN 968-880-681-1, 1996 Makridakis, S., Wheelwright, S., 2000, Métodos de Pronósticos, Limusa, México, ISB 968-18-4879-9 7 Schroeder, R., 1996 Administración de operaciones, toma de decisiones en la función de operaciones, McGraw Hill, México, ISBN 970-10-0088-9 6 34 Pronósticos y series de tiempo Métodos cualitativos Descripción del método Exactitud (en un plazo) Usos Pronóstico desarrollado mediante un grupo de expertos que responden preguntas en rondas sucesivas. Las respuestas anónimas del grupo retroalimentan en cada ronda a todos los participantes. Se pueden usar entre tres y seis rondas para lograr un consenso sobre el pronóstico. Pronósticos de ventas a largo plazo para planeación de capacidad o instalaciones. Pronósticos tecnológicos para evaluar cuándo pueden presentarse los cambios tecnológicos. Grupos, cuestionarios, pruebas de mercado o estudios que se usan para obtener datos sobre las condiciones del mercado. Pronósticos de las ventas totales de la compañía, De grupos de productos importantes o de productos individuales. 3. Analogía de los ciclos de vida Predicción basada en la fase de introducción, crecimiento y saturación de productos similares. Aprovecha la curva de crecimiento de las ventas en forma de S. Pronósticos de ventas a largo plazo para planeación de capacidad o instalaciones. Pronósticos de ventas totales y de productos individuales. 4. Juicio informado Pronóstico que puede hacer un grupo o un individuo basándose en sus experiencias, intuición o hechos relacionados con la situación. No se usa un método riguroso. 1. Delphi 2. Estudios de mercado Identificación del punto de retomo Costo relativo Regular a muy buena Regular a buena Medio a alto Buena Regular Regular a buena Alto Mala Regular a buena Regular a buena Mala a regular Medio Mala a regular Mala a regular Mala a regular Mala a regular Bajo corto mediano largo Regular a muy buena Regular a muy buena Muy buena Tabla 2.2 Métodos Cualitativos de pronósticos Fuente: Schroeder, R., 1996 Administración de operaciones, toma de decisiones en la función de operaciones, McGraw Hill, México, ISBN 970-10-0088-9 35 Capítulo 2 2.2.2 PRONÓSTICOS CUANTITATIVOS Todas las técnicas cuantitativas se apoyan en la suposición de que el pasado pueda extenderse hacia el futuro de manera significativa para proporcionar pronósticos precisos. Las técnicas cuantitativas se clasifican frecuentemente en dos categorías: estadísticas y determinísticas o causales. Las técnicas estadísticas se enfocan completamente en patrones, cambios en los patrones y perturbaciones causadas por influencias aleatorias, como los promedios móviles y la atenuación exponencial, descomposición de series de tiempo, proyecciones de tendencia y la metodología Box-Jenkins. Las técnicas estadísticas de pronóstico emplean básicamente dos enfoques. Uno está basado en la suposición de que los datos se puedan descomponer en componentes como tendencia, ciclo, estacionalidad e irregularidad. Se realiza una predicción mediante la combinación de las proyecciones de cada uno de estos componentes individuales. El segundo enfoque se asocia con las metodologías de modelos econométricos de series de tiempo y de Box-Jenkins. Los fundamentos teóricos se basan principalmente en conceptos estadísticos y no se supone que los datos estén representados por componentes separados. Las técnicas determinísticas (causales) comprenden la identificación y determinación de relaciones entre la variable por pronosticar y otras variables de influencia. En estas técnicas se incluyen los modelos de regresión y regresión múltiple, indicadores básicos y modelos econométricos. Schroeder8 identifica cómo se clasifican estos tipos de pronósticos de una manera bastante útil y sencilla, además proporciona algunas descripciones breves de cada uno de los métodos y donde son usados, mediante las siguientes tablas. 8 Schroeder, R., Administración de operaciones, toma de decisiones en la función de operaciones, McGraw Hill, México, ISBN 970-10-0088-9, 1996 36 Pronósticos y series de tiempo Exactitud (en un plazo) Métodos por series de tiempo Descripción del método 1. Promedio móvil El pronóstico se basa en un promedio aritmético ponderado de un número de puntos de datos del pasado. Planeación de corto a mediano plazo para inventarios, niveles de producción y programación. Es bueno cuando hay muchos productos. Mala a muy buena 2. Suavización exponencial Similar al promedio móvil y da un mayor peso exponencial a los datos más recientes. Bien adaptado para usarse con computadoras y cuando es necesario pronosticar un gran número de artículos. Igual que el promedio Móvil Regular a muy buena 3. Modelos matemáticos Un modelo lineal o no lineal ajustado con los datos de series de tiempo, normalmente mediante regresión. Incluye las líneas de tendencias, polinomios, logaritmos lineales, series de Fouríer, etcétera. Igual que el promedio móvil pero con limitaciones debido al costo y a su uso con pocos productos. Muy buena 4. Box-Jenkíns Métodos de autocorrelación que se usan para identificar las series de tiempo subyacentes y para ajustar él 'mejor" modelo. Se necesitan aproximadamente 60 puntos de datos del pasado. Limitado debido al costo de los productos que requieren de pronósticos muy exactos a corto plazo. Muy buena a excelente Usos corto mediano Mala largo Identificación del punto de retomo Costo relativo Muy mala Mala Bajo Muy mala Mala Medio Muy mala Mala Bajo a medio Muy mala Mala Medio a alto Mala a buena Regular a buena Regular a buena Tabla 2.3 Métodos por Series de Tiempo para pronósticos Fuente: Schroeder, R., 1996 Administración de operaciones, toma de decisiones en la función de operaciones, McGraw Hill, México, ISBN 970-10-0088-9 37 Capítulo 2 corto mediano largo Identificación del punto de retomo Buena a muy buena Buena a muy buena Mala Muy buena Medio Pronóstico de ventas por clases de producto para planeación a corto y mediano plazo. Muy buena a excelente Muy buena Buena Excelente Alto Un método para pronosticar que describe el flujo de un sector de la economía a otro para predecir los insumos que se necesitan para producir los productos que requiere otro sector. Pronósticos de ventas de toda la compañia o de todo el país por sector económico. No disponible Buena a muy buena Buena a muy buena Regular Muy alto Simulación del sistema de distribución para describir los cambios en las ventas y flujos del producto en el tiempo. Refleja los efectos del canal de distribución. Pronósticos de las ventas de toda la compañía por grupos importantes de productos. Muy buena Buena a muy buena Buena Buena Alto Exactitud (en un plazo) Métodos causales Descripción del método 1. Regresión Este método relaciona la demanda con otras variables externas o internas que tienden a cambiar la demanda. Este método de regresión utiliza los mínimos cuadrados para obtener un mejor ajuste entre las variables. Planeación a corto y mediano plazo para producción agregada o inventarios que involucren a pocos productos. Útil cuando hay estrechas relaciones de causa y efecto. 2. Modelo econométrico Un sistema de ecuaciones de regresión independientes que describe algún sector de la economía o actividad lucrativa. 3. Modelo de insumo 4. Box-Jenkins Usos Tabla 2.4 Métodos Causales de Pronósticos Fuente: Schroeder, R., 1996 Administración de operaciones, toma de decisiones en la función de operaciones, McGraw Hill, México, ISBN 970-10-0088-9 38 Costo relativo Pronósticos y series de tiempo 2.3 CONCEPTOS BÁSICOS DE SERIES DE TIEMPO ESTACIONARIAS Con frecuencia se realizan observaciones de datos a través del tiempo, cualquier variable que conste de datos reunidos, registrados u observados sobre incrementos sucesivos de tiempo se denomina serie de tiempo. La siguiente idea es de fundamental importancia conceptual para la interpretación de un modelo ajustado a una serie de tiempo. “La serie de tiempo x1 , x 2 , K , x N será visualizada como una realización de las variables aleatorias X 1 , X 2 , K , X N con función de densidad conjunta f ( x1 , x 2 , K , x N ) ” Como se puede apreciar el modelo teórico tiene una gran cantidad de variables, pero en la práctica no es necesario verlas todas, ya que se hace referencia a los procesos estocásticos. Notas 1. Observamos que la serie de tiempo z1 , z 2 , K , z N se modela con una densidad conjunta f ( z1 , z 2 , K , z N ) . 2. A este tipo de modelo f ( z1 , z 2 , K , z N ) se le llama un proceso estocástico porque las observaciones son generadas de acuerdo a una ley probabilística. 3. En el análisis de series de tiempo rara vez (por no decir nunca) se expresa al modelo en forma de densidad conjunta f ( z1 , z 2 , K , z N ) , sino que en lugar de esto se expresa el mecanismo aleatorio que genera a f ( z1 , z 2 , K , z N ) . Por ejemplo, se dice que Z t = Z t −1 + U t , t = 1, 2, K , Donde, U t tienen cierta distribución. Definiciones 1 • Un proceso {X 1 , X 2 , X 3 K}. estocástico es una colección de variables aleatorias • La media del proceso E ( X t ) = mt . 39 Capítulo 2 • La varianza del proceso var( X t ) = σ t2 . • La covarianza del proceso cov( X t , X s ) = γ (t , s ) , (función que depende sólo del tiempo entre las variables). • La correlación del proceso ρ = corr ( X t , X s ) . Definición 2 Un proceso estocástico estacionario de 2do. orden, es aquel que cumple con las siguientes 3 propiedades. a) mt = m para toda t, la misma media para todas las variables. b) σ t2 = σ 2 para toda t, varianzas homogéneas, es decir cumple la propiedad de homoscedasticidad. c) cov( X t , X s ) = f ( s − t ) , esto indica que la covarianza entre dos variables sólo depende de la distancia que las separa. Los modelos o procesos estocásticos estacionarios son de gran importancia en el análisis de series de tiempo. Definición 3 Un proceso estocástico Z1 , Z 2 ,K es estacionario si para cualquier conjunto de tiempos {t1 , t 2 , K , t m } , no necesariamente continuos, con m y k cualesquiera enteros, se tiene que f ( z t1 , z t2 ,K, z tm ) = f ( z t1 + k , z t2 + k ,K, z tm + k ) . Es decir, la función de densidad conjunta de Z t1 , Z t2 ,K, Z tm es igual a la densidad conjunta de Z t1 + k , Z t2 + k ,K, Z tm + k . En donde, la longitud puede ser m = 1 año, 2 años, … y k el tiempo en el que vamos a verificar en el futuro. En distribución se cumple: [Z t1 , Z t 2 ] [ ] ,K, Z tm ~ Z t1 + k , Z t2 + k ,K, Z tm + k para toda k y m. La propiedad de estacionaridad significa que el proceso está en un estado de equilibrio estadístico, es decir, su comportamiento estadístico no cambia a través del 40 Pronósticos y series de tiempo tiempo, es decir, se cumple para toda m y k. Por ejemplo, cuando m = 1 , la propiedad de estacionariedad indica que f Zt ( x) = f Zt + k ( x) para toda k, o sea que la densidad de Z t es la 1 1 misma para toda t = 1, 2, K (marginales). Así, que E ( Z t ) = µ y var( Z t ) = σ 2 para toda t. A continuación se muestra un ejemplo gráfico de una realización de un proceso estocástico estacionario. En donde, los estimadores para el valor esperado y la varianza son: ∧ 1 T 1 T Eˆ ( Z t ) = z = ∑ z i , var( Z t ) = s Z2 = ∑ ( zi − z ) 2 . T i =1 T − 1 i =1 Como se trata de una realización de un proceso estocástico estacionario, la varianza es constante y por lo tanto, no puede haber picos extremos, todos deben estar en un intervalo alrededor de la media σ E(Z t ) = µ σ Gráfica 2.1 Muestra una serie de tiempo estacionaria. Fuente: Elaboración propia Así, se puede decir que una serie de tiempo consta de datos que se reúnen, registran u observan sobre incrementos sucesivos de tiempo. 2.3.1 COMPONENTES DE UNA SERIE DE TIEMPO En el análisis de series de tiempo de datos, una tentación inmediata consiste en intentar explicar o contabilizar el comportamiento de las series. Para evitar esfuerzos inútiles, lo que se necesita es un enfoque sistemático para analizar las series. La descomposición 41 Capítulo 2 clásica es un método que se basa en la suposición de que se puedan descomponer en componentes como tendencia, ciclo, estacionalidad e irregularidad. Una predicción se hace mediante la combinación de las proyecciones de cada componente individual. Muchas variables macroeconómicas, como el Producto Nacional Bruto (PNB), el empleo y la producción industrial están dominadas por una fuerte tendencia. La tendencia de una serie de tiempo es el componente a largo plazo que representa el crecimiento o disminución en la serie sobre un periodo amplio. Las fuerzas básicas que ayudan a explicar la tendencia de una serie son el crecimiento de la población, la inflación de precios, el cambio tecnológico y los incrementos en productividad. El componente cíclico es la fluctuación en forma de onda alrededor de la tendencia, afectada (regularmente), por las condiciones económicas generales. Los patrones cíclicos tienden a repetirse en los datos aproximadamente cada dos, tres o más años. Es común que las fluctuaciones cíclicas estén influidas por cambios de expansión y contracción económica, a los que comúnmente se hace referencia como el ciclo de los negocios. El componente estacional se refiere a un patrón de cambio que se repite año tras año. En el caso de las series mensuales, el componente estacional mide la variabilidad de las series cada enero, febrero, etc. En las series trimestrales hay cuatro elementos estaciónales, uno para cada trimestre. La variación estacional puede reflejar condiciones de clima, días festivos o la longitud de los meses del calendario. El componente aleatorio mide la variabilidad de las series de tiempo después de que se retiran los otros componentes. Contabiliza la variabilidad aleatoria en una serie de tiempo ocasionada por factores imprevistos y no recurrentes. La mayoría de los componentes irregulares se conforman de variabilidad aleatoria. Sin embargo, ciertos sucesos a veces impredecibles como huelgas, cambios de clima (sequías, inundaciones o terremotos), elecciones, conflictos armados o la aprobación de asuntos legislativos, pueden causar irregularidades en una variable. Una forma útil de enfocar la identificación de patrones pasados y de su extrapolación al futuro es tratarlos como si comprendieran cuatro elementos: estacionalidad, tendencia, ciclicidad y aleatoriedad. Una de las más grandes ventajas de los métodos cuantitativos es la facilidad que se tiene para identificar los elementos de estacionalidad, tendencia, ciclicidad y aleatoriedad de manera eficiente y razonablemente objetiva. Subsecuentemente, cada uno de los tres primeros elementos: estacionalidad, tendencia y ciclicidad; pueden extrapolarse para preparar 42 Pronósticos y series de tiempo pronósticos más exactos. Por definición, la aleatoriedad no puede pronosticarse, pero una vez que ha sido aislada, su magnitud se puede estimar y utilizar para determinar el alcance de la probable variación entre los resultados reales y pronosticados. En otras palabras, la aleatoriedad ayuda a determinar el alcance de la incertidumbre en las predicciones. En el análisis de series de tiempo, las consideraciones subjetivas son en extremo importantes, ya que a la fecha no se ha encontrado un enfoque satisfactorio de probabilidad para dicho análisis. Aunque las consideraciones subjetivas serían necesarias en la formulación de pronósticos, incluso si hubiera disponible un enfoque de probabilidad adaptable al análisis de series de tiempo. Siempre que se examina el pasado en busca de pistas con respecto al futuro, sólo es relevante hasta el grado en que las condiciones causales que estuvieron en efecto anteriormente, se mantengan constantes. La gran multitud de factores causales en el trabajo tiende a cambiar constantemente, así que la conexión entre pasado, presente y futuro se debe reevaluar continuamente. 2.3.2 DESCOMPOSICIÓN DE LAS SERIES DE TIEMPO Un enfoque al análisis de series de tiempo comprende un intento de identificar los factores que ejercen influencia sobre cada uno de los valores periódicos de una serie. Este procedimiento de identificación se denomina descomposición. Cada componente se identifica por separado de tal manera que la serie histórica pueda proyectarse al futuro y utilizarse en pronósticos tanto de corto como de largo plazo. Los cuatro componentes que se encuentran en una serie histórica son: tendencia, variaciones cíclicas, variaciones estacionales y fluctuaciones irregulares. • Tendencia: Las tendencias son movimientos de largo plazo en una serie histórica que se pueden describir mediante una línea recta o curva. Las fuerzas básicas que producen o afectan la tendencia de una serie son: cambios en la población, cambios de precios, cambios tecnológicos, incrementos en la productividad y ciclos de vida de los productos. • Variación ciclica: El componente cíclico es la fluctuación en forma de onda o ciclo de más de ocho meses de duración, debida a condiciones económicas cambiantes. Una forma de investigar los patrones cíclicos es a través del estudio de indicadores empresariales. Un indicador empresarial es una serie histórica relacionada con los negocios que se usa para ayudar a evaluar el estado general de la economía, en particular con referencia al ciclo de los negocios. Mucha gente de negocios y economistas siguen sistemáticamente el 43 Capítulo 2 movimiento de tales series estadísticas para obtener su información en la forma de una imagen que se desdobla, que esté actualizada, que sea comprensible, relativamente objetiva y capaz de ser leída y entendida en el menor tiempo posible. • Variacion Estacional: El análisis del componente estacional de una serie histórica tiene implicaciones más inmediatas de corto plazo y es de gran importancia para los niveles medio e inferior de la administración. Por ejemplo, los planes de comercialización deben tener en cuenta los patrones estacionales esperados en las compras del consumidor. La identificación del comportamiento estacional en una serie histórica difiere del análisis de tendencia en por lo menos dos formas. 1. Mientras que la tendencia se determina en forma directa a partir de los datos disponibles, el componente estacional se determina eliminando los otros componentes, de modo que al final sólo quede el estacional. 2. Mientras que la tendencia se determina mediante una ecuación o líneas de mejor ajuste, se debe calcular un valor estacional por separado para cada mes (o trimestre) del año. 2.3.3 MODELOS ARMA Los modelos ARMA o modelos de promedio móvil autorregresivo son un tipo general de los modelos de Box-Jenkins para series de tiempo estacionarias. Este grupo incluye a los modelos AR sólo con términos autorregresivos, los modelos MA sólo con términos de promedio móvil y los modelos ARMA que comprenden tanto términos autorregresivos como de promedio móvil. La metodología de Box-Jenkins permite al analista seleccionar el modelo que mejor se ajuste a sus datos. 2.3.3.1 NOTACIÓN BACKSHIFT Para simplificar su estudio, así como el de los procesos estacionarios AR, MA y ARMA, revisaremos una notación que tiene gran uso en la literatura de series de tiempo y que lleva el nombre de Notación backshift (operador de retrazo). Definición 4 El operador de retraso, denotado por B, de un proceso estocástico {Z t } está dado por B ( Z t ) = Z t −1 . 44 Pronósticos y series de tiempo Así, B 2 ( Z t ) = B( Z t −1 ) = Z t − 2 , y en general B k ( Z t ) = Z t − k , para k ∈ N . Por otro lado, cuando se aplica a una constante, c, no la afecta B k (c) = c , para k∈N . Definición 5 El operador identidad, denotado por I, de un proceso estocástico {Z t } está dado por I ( Z t ) = Z t . Así, I 2 ( Z t ) = I ( Z t ) = Z t , y en general I k ( Z t ) = Z t . Con estos operadores se pueden representar los modelos para procesos estacionarios AR, MA y ARMA. 1. OPERADOR AR(p) Un proceso estocástico {Z t } es llamado autoregresivo de orden p, AR(p), sí Z t − φ1 Z t −1 − φ 2 Z t − 2 − L − φ p Z t − p = δ + U t . En donde, δ es la media del proceso, φ i son los parámetros y U t son variables aleatorias independientes (0, σ 2 ) . Denotando al operador Φ p ( B ) = I − φ1 B − φ 2 B 2 − L − φ p B p . Resulta que el AR(q) se puede representar por Φ p ( B ) Z t = δ + U t . 2. OPERADOR MA(q) Un proceso estocástico {Z t } es llamado de promedios móviles de orden q, MA(q), sí Z t = µ + U t − θ1U t −1 − θ 2U t − 2 − L − θ qU t − q . En donde, µ es la media del proceso, θ i son los parámetros y U t son variables aleatorias independientes (0, σ 2 ) . Denotando el operador Θ q ( B ) = I − θ1 B − θ 2 B 2 − L − θ q B q . 45 Capítulo 2 Resulta que el MA(q) se puede representar por Z t = µ + Θ q ( B )U t . 3. OPERADOR ARMA(p, q) Un proceso estocástico {Z t } es llamado autoregresivo de promedios móviles de orden p, q, ARMA(p, q), sí Z t − φ1 Z t −1 − φ 2 Z t − 2 − L − φ p Z t − p = µ + U t − θ1U t −1 − θ 2U t − 2 − L − θ qU t −q Φ p ( B) Z t = µ + Θ q ( B)U t . En donde, µ es la media del proceso, θ i y φ i son los parámetros y U t son variables aleatorias independientes (0, σ 2 ) . Los modelos de promedio móvil (MA) proporcionan pronósticos de Z t con base en una combinación lineal de errores anteriores, mientras que los modelos autorregresivos (AR) expresan Z t como una función lineal de cierto número de valores anteriores reales de Z t . 2.4 CONCEPTOS BÁSICOS DE SERIES DE TIEMPO NO ESTACIONARIAS Hasta el momento se han estudiado los procesos estacionarios mediante las familias de modelos puros MA(q) y AR(p) y una combinación de ellos, los ARMA(p, q). Los modelos estacionarios se caracterizaron porque los datos estaban distribuidos alrededor de la media, con cierta varianza constante, obviamente surge la pregunta ¿Qué pasa cuando los datos no se encuentran distribuidos alrededor de la media? Por ejemplo, supóngase que se tienen los precios de la acción AT&T durante 52 intervalos. Cuya gráfica se muestra a continuación. 46 Pronósticos y series de tiempo 65 64 63 62 61 60 59 58 57 56 55 54 53 52 51 50 Media 57.796 1 4 7 10 13 16 19 22 25 28 31 34 37 40 43 46 49 52 Gráfica 2.2 Muestra los datos de las acciones de la empresa AT&T Fuente: Elaboración propia Como se puede apreciar en la Gráfica 2.2, los datos no son estacionarios y por consiguiente no se podrían aplicar los modelos ARMA. Veremos que en estas situaciones se tienen que hacer algunas transformaciones basadas en las diferencias, o una transformación logarítmica o de Box-Cox, etc. o combinaciones de ellas para obtener un proceso estacionario y poder aplicar los modelos puros MA o AR o las combinadas ARMA. A los procesos transformados, que obtendremos con las diferencias, les llamaremos ARIMA, procesos autorregresivos de promedio móviles integrados, estos son los modelos más utilizados en el caso de no estacionalidad. Definición 6 El operador diferencia, denotado por ∇ , de un proceso estocástico {Z t } está dado por ∇( Z t ) = Z t − Z t −1 . Notas De las definiciones anteriores resultan las siguientes relaciones • ∇( Z t ) = I ( Z t ) − B ( Z t ) = ( I − B )( Z t ) diferencia de primer orden. 47 Capítulo 2 ∇ k ( Z t ) = ( I − B) k ( Z t ) , diferencia de orden k. • Así, ∇ d ( Z t ) = ( I − B) d ( Z t ) . Con estos operadores se pueden representar los modelos para procesos no estacionarios ARIMA. OPERADOR ARIMA(p, d, q) Un proceso estocástico {Z t } es llamado autoregresivo de promedios móviles integrados de orden p, d, q, ARIMA(p, d, q), sí Φ p ( B )∇ d ( Z t ) = µ + Θ q ( B )U t . En donde, µ es la media del proceso, θ i y φ i son los parámetros y U t son variables aleatorias independientes (0, σ 2 ) . Generalmente, después de las transformaciones se trabaja cuando µ = 0 , de tal forma que un modelo ARIMA(p, d, q) de orden d estará dado por: Φ p ( B )∇ d ( Z t ) = Θ q ( B )U t . 2.4.1 MODELOS LINEALES NO ESTACIONARIOS Muchas series de tiempo encontradas en la práctica se comportan no-estacionariamente en el sentido de que no tienen media fija. Por otra parte, existen series de tiempo tales que en el ámbito local o posiblemente nivel y tendencia local una parte de la serie se comporta en forma muy parecida a las otras partes de la serie. Así, a estas series se les llama homogéneas no-estacionarias. Véanse 3 ejemplos de series homogéneas no estacionarias, cuya parte homogénea se representa en los rectángulos. 48 Pronósticos y series de tiempo 65 64 63 62 61 60 59 58 57 56 55 54 53 52 51 50 1 4 7 10 13 16 19 22 25 28 31 34 37 40 43 46 49 52 Gráfica 2.3. Muestra los datos de las acciones de la empresa AT&T. Fuente: Elaboración propia 90 89 88 87 86 85 84 83 82 81 80 79 78 77 76 75 1 4 7 10 13 16 19 22 25 28 31 34 37 40 43 46 49 52 55 58 61 64 67 70 73 76 79 82 85 88 Gráfica 2.4 Muestra los datos de partes disponibles. Fuente: Elaboración propia 49 Capítulo 2 86 82 78 74 70 66 62 58 54 50 46 1 4 7 10 13 16 19 22 25 28 31 34 37 40 43 46 49 52 55 58 61 64 67 70 Gráfica 2.5 Muestra los datos de préstamos en bienes raíces. Fuente: Elaboración propia ¿Para qué estudiar los modelos ARMA en lugar de los ARIMA? La respuesta es sencilla, los modelos ARMA se pueden construir fácilmente y tienen un soporte teórico probabilístico bien fundamentado, por otro lado los modelos ARIMA se pueden transformar en modelos ARMA, bajo alguna transformación. 2.4.2 TRANSFORMACIÓN DE MODELOS LINEALES NO ESTACIONARIOS A ESTACIONARIOS Cuando una serie de tiempo no es estacionaria, lo primero que se debe hacer es buscar una transformación que la haga estacionaria. Entre las técnicas más utilizadas para estacionarizar tenemos. • Diferencias. La primera transformación que se debe intentar resulta de trabajar con las diferencias de la serie. Esta transformación es apropiada cuando la serie representa un comportamiento homogéneo no-estacionario, puesto que sus diferencias sucesivas serán estacionarias. • Transformación Box-Cox (1964). Esta transformación estabiliza la varianza y de esta forma se puede proceder a las diferencias. La transformación se hace por medio de 50 Pronósticos y series de tiempo U tλ − 1 U t ≥ 0, λ > 0 f λ (U t ) = λ ln(U t ) U t > 0, λ > 0 En general, la transformación es prácticamente un arte y no se tienen reglas generales para llevarla a cabo. Por ejemplo en la transformación de Box-Cox se debe saber elegir el valor del parámetro λ , para una buena transformación. 2.5 FUNCIÓN DE AUTOCORRELACIÓN Sea un proceso estacionario de 2do. orden, se denota a la función de autocovarianza de orden r como γ (r ) , y se define γ (r ) = cov(Z t , Z t + r ) = cov(Z1 , Z 1+ r ) = E{(Z1 − E ( Z 1 ) )(Z 1+ r − E ( Z 1+ r ) )}. { } En particular la varianza γ (0) = cov(Z1 , Z 1 ) = E (Z 1 − E ( Z1 ) ) = var(Z1 ) = σ Z21 . 2 Sea un proceso estacionario de 2do. orden, se denota a la función de autocorrelación de orden r como ρ (r ) , y se define ρ (r ) = γ (r ) cov(Z1 , Z1+ r ) = . γ ( 0) σ Z21σ Z21 Notas • A ρ (r ) , también se le conoce como la FAC-función de autocorrelación del proceso, y podemos decir que se trata de la FAC teórica. • A la FAC también se le conoce como Autocorrelograma. • A la gráfica de la función de autocorrelación se le llama correlograma. • ρ ( 0) = 1 • ρ (r ) efectivamente es una función ya que da un valor para cada r. 2.5.1 ESTIMACIÓN DE LA FUNCIÓN DE AUTOCORRELACIÓN Sea z1 , z 2 ,K, zT una serie de tiempo, un estimador puntual de γ (r ) = cov(Z1 , Z1+ r ) = E{(Z 1 − E ( Z1 ) )(Z1+ r − E ( Z 1+ r ) )}. 51 Capítulo 2 Se obtiene de forma natural como c( r ) = 1 T −r ∑ ( zt − z )( zt +r − z ), r = 1, 2,K T t =1 De forma similar la función de autocorrelación estimada o muestral será ρˆ ( j ) = c( j ) , c ( 0) j = 0, 1, 2, K FAC muestral. Así, a la gráfica de ρˆ ( j ) se le llama correlograma muestral. Para calcular c(r ) o ρˆ (r ) se recorren los valores de la serie y se hacen corresponder en los cálculos. Por ejemplo en el caso de r (1) y r (2) , las correspondencias respectivas son: z1 z2 z3 M zT − 2 zT −1 zT z1 z2 z3 z1 z4 z2 y M M zT −1 zT − 2 zT zT −1 zT z1 z2 z3 z4 M zT Cálculos c(1) = 1 T −1 1 T −2 ( z − z )( z − z ) y c ( 2 ) = ∑ t ∑ ( zt − z )( zt +2 − z ) . t +1 T t =1 T t =1 Luego, ρˆ (1) = c(1) c ( 2) y ρˆ (2) = . c ( 0) c ( 0) Posteriormente se trazan sus gráficas. Para un buen número de situaciones prácticas γ (k ) = 0 para toda k ≥ 4 . Cuando se está en la etapa de identificación del modelo apropiado, se obtiene con ayuda de los datos el valor k 0 tal que γ (k ) = 0 para toda k > k 0 , y se estima a las correlaciones distintas de cero, es decir, 52 Pronósticos y series de tiempo ρˆ (k ) = c (k ) , k = 1, 2, K , k 0 . σˆ 2 Con base en estas correlaciones estimadas se selecciona del catálogo de modelos a aquel modelo cuyas correlaciones se aproximan más a las correlaciones estimadas. Esta característica de los procesos estacionarios de permitirnos identificarlos mediante las correlaciones ρ (k ) = γ (k ) , k = 1, 2, K , k 0 . σ2 Es la que los hace sumamente valiosos para utilizarlos como modelos de series de tiempo. Un esquema conceptual de los procesos estocásticos. Procesos estocásticos Procesos estacionarios de 2do. orden ARMA Fuente: Elaboración propia Resulta que los procesos ARMA generan a toda la clase de los procesos estocásticos de 2do. Orden mediante aproximaciones. 2.6 MEDICIÓN DEL ERROR EN EL PRONÓSTICO Toda situación de predicción conlleva algún grado de incertidumbre, ya que siempre existe un componente irregular, CI, (fluctuaciones impredecibles de los datos) incluido en el patrón de una serie de tiempo. 53 Capítulo 2 Cuando la CI es pequeña, la estimación de los patrones de tendencia, estacional y cíclico nos permitirá predecir con precisión. Sin embargo, cuando la CI es sustancial, entonces nuestra capacidad de predecir con precisión es limitada. ¿La CI es la única fuente de error al predecir? La CI no es la única fuente de error al predecir, también la precisión con que se estima a las componentes de tendencia, estacional y cíclica de la serie de tiempo, contribuye a la magnitud del error de predicción. En la práctica las componentes de la serie no pueden estimarse de manera perfecta, entonces el error de predicción está compuesto por los efectos combinados de la CI y por el grado de precisión de la técnica de predicción de las componentes de la serie. 2.6.1 CUANTIFICANDO ERRORES DE PREDICCIÓN El error de predicción es: error = (valor observado) − (valor predicho) et = y t − yˆ t Es importante que el modelo de predicción se ajuste lo más posible al patrón de la serie de tiempo. Por lo que conviene examinar los errores de predicción sobre todo el periodo de tiempo de la serie. n n ∑ | et | Desviación absoluta promedio DAM = n t =1 n ∑ | yt − yˆt | = n t =1 n . n ∑ et2 Error cuadrado medio ECM = t =1 ∑ ( yt − yˆ t ) 2 = t =1 n . El DAM (MAD) y ECM (MSE) se usan de dos maneras: 1. Para ayudarnos a seleccionar un modelo de predicción entre varios disponibles. 2. Para monitorear un modelo de predicción y así detectar cuando algo “anda mal”. Si esto ocurre deberemos ajustar un nuevo modelo. 54 Pronósticos y series de tiempo 2.7 SELECCIÓN DE UNA TÉCNICA DE PRONÓSTICOS.9 Un factor principal que influye en la selección de una técnica de pronóstico consiste en la identificación y comprensión de patrones históricos en los datos. Si se pueden reconocer patrones de tendencia, cíclicos o estacionales, entonces se pueden seleccionar las técnicas con la capacidad de utilizar eficazmente estos patrones. A continuación se presentan algunas de las preguntas que se deben considerar antes de decidir sobre la técnica de pronóstico más adecuada para un problema en particular. ¿Por qué se requiere un pronóstico? ¿Quién utilizará el pronóstico? ¿Cuáles son las características de los datos disponibles? ¿Qué espacio de tiempo se pronosticará? ¿Cuáles son los requerimientos mínimos de datos? ¿Cuál es la precisión deseada? ¿Cuál será el costo del pronóstico? Para una buena selección de la técnica de pronóstico adecuada, el pronosticador deberá poder hacer lo siguiente: • Definir la naturaleza del problema de pronóstico. • Explicar la naturaleza de los datos bajo investigación. • Describir las capacidades y limitaciones de las técnicas de pronóstico potencialmente útiles. • Desarrollar algunos criterios predeterminados sobre los cuales se pueda tomar la decisión de la selección. Un factor principal que influye en la selección de una técnica de pronóstico consiste en la identificación y comprensión de patrones históricos en los datos. Si se pueden reconocer patrones de tendencia, cíclicos o estacionales, entonces se pueden seleccionar las técnicas con la capacidad de utilizar eficazmente estos patrones. 9 Diebold, F, Elementos de Pronósticos, International Thomson Editores, México D.F., ISBN 968 7529 74 1., 1999 55 Capítulo 3 SELECCIÓN DEL MÉTODO DE PRONÓSTICO Y SU METODOLOGÍA urante el capítulo dos se abordó de manera discreta la forma en que los diversos métodos de pronósticos se identifican y qué factores son aquellos a considerar para su correcta selección, según sea la respuesta a una serie de preguntas formuladas con el fin de conocer el comportamiento de los datos disponibles, y cuál es el objetivo que se desea obtener de ellos al trasladarlos hacia el futuro. D Pues bien, durante en este capítulo se desarrolla la metodología a utilizar durante el trabajo para que apoyados en ésta, sea posible determinar y definir mediante una serie de consideraciones al modelo de pronósticos que mejor se adapte al problema de la demanda de una empresa de autopartes, obteniendo así la metodología adecuada ha ser utilizada en el cálculo del pronóstico de la demanda de la empresa, misma que será evaluada durante el capítulo 4. 56 Selección del método de pronóstico y su metodología 3.1 METODOLOGÍA Para definir la metodología a emplear se debe considerar que cada serie de datos describe su propio comportamiento, por lo que es importante entender que con el método y los pasos resultantes de este trabajo llegaremos a la metodología para elegir el mejor modelo que nos ayude a pronosticar las demandas en la venta de autopartes, pero debemos estar conscientes que el modelo no será único para todas las situaciones dentro de la misma rama industrial, ya que el tratamiento de los datos se debe realizar bajo diferentes factores. Es decir, la metodología propuesta está dedicada a la elección del mejor modelo de pronóstico y no a encontrar un modelo universal. Por lo tanto, a continuación se describirá la metodología sugerida para intentar dar solución a aquellos problemas que tengan que ver con el cálculo de la demanda de las organizaciones dedicadas a la producción de autopartes, los pasos a seguir se listan a continuación. Paso 1.- Análisis de Pareto Paso 2.- Factores a considerar para elegir una técnica de pronóstico. Paso 3.- Análisis de autocorrelación Paso 4.- Análisis del patrón de datos mediante el correlograma. Paso 5.- Selección de la técnica de pronóstico. Paso 6.- Descripción de la técnica seleccionada. Paso 7.- Selección de un arreglo más preciso. Paso 8.- Comparación entre la metodología actual y la propuesta. 3.2 ANÁLISIS DE PARETO El primer paso a considerar en la metodología propuesta es el establecimiento de un análisis PARETO el que permitirá definir del portafolio de productos a aquellos que tengan mayor relevancia para la empresa. Además se podrá definir claramente cuáles de los productos ofrecidos por la empresa podrán colaborar a que la precisión del pronóstico calculado incremente su eficiencia, ya que esto es otro de los objetivos perseguidos en el presente trabajo. 57 Capítulo 3 Para Plossl1, uno de los principios más eficaces en los negocios que puede aplicarse al control de los inventarios, al control de la producción, al control de la calidad y a muchos otros problemas administrativos, es el principio de PARETO, el cual dice que una pequeña cantidad de artículos dentro del grupo responderá por la mayor parte del valor total. Alrededor del 20% de la gente de una nación tiene el 80% de la riqueza, aproximadamente el 20 % de las diversas marcas de carros responde por el 80% de las ventas. Este concepto tiene una amplia aplicación en muchas otras actividades de control de fabricación: 1.- Algunos clientes entregan la mayoría de sus pedidos a una compañía. 2.- Unos pocos artículos detienen la mayoría de los pedidos atrasados. 3.- Unos pocos proveedores provocan la mayoría de los retrasos en la adquisición de los materiales comprados. Cuando se aplica a los inventarios, este concepto se llama clasificación ABC, esta división es arbitraria muchas compañías hacen aún más divisiones, Según Plossl2, Un ejemplo muy simplificado según de la forma de llevar a cabo un análisis ABC o de PARETO consiste primeramente en enlistar los artículos y sus usos anuales, luego multiplicar estos por los costos unitarios y finalmente, asignar un número para jerarquizar los artículos en orden, iniciando por el valor más alto en unidades monetarias de uso anual, este listado se muestra a continuación: ARTÍCULO USO INTERMEDIO COSTO UTILIZACIÓN DE $ DE PIEZAS UNITARIO EN $ ANUAL CLASIFICACIÓN F11 40,000 0.07 2,800.00 5 F20 195,000 0.11 21,450.00 1 F31 4,000 0.10 400.00 9 L45 100,000 0.05 5,000.00 3 L51 2,000 0.14 280.00 10 L16 240,000 0.07 16,800.00 2 L17 16,000 0.08 1,280.00 6 N8 80,000 0.06 4,800.00 4 N91 10,000 0.07 700.00 7 N100 5,000 0.09 450.00 8 Tabla 3.1 Usos anuales de los artículos. Fuente: Goerge W Plossl, 1993 Control de la producción y de Inventarios Principios y Técnicas, Prentice Hall, México, ISBN 0-13-725144-0 1 Idem pág. 32 58 Selección del método de pronóstico y su metodología En seguida, estos artículos se enlistan en orden jerarquizado con el uso anual acumulado más el porcentaje acumulado calculado. El siguiente paso de este análisis se muestra en la siguiente tabla. ARTÍCULO F20 L16 L45 N8 F11 L17 N91 N100 F31 L51 UTILIZACIÓN DE $ ANUAL UTILIZACIÓN ACUMULATIVA ANUAL DE $ 21,450.00 16,800.00 5,000.00 4,800.00 2,800.00 1,280.00 700.00 450.00 400.00 280.00 21,450.00 38,250.00 43,250.00 48,050.00 50,850.00 52,130.00 52,830.00 53,280.00 53,680.00 53,960.00 PORCENTAJE CLASE ACUMULATIVO 39.8% 70.9% 80.2% 89.0% 94.2% 96.6% 97.9% 98.7% 99.5% 100.0% A A B B B C C C C C Tabla 3.2 Análisis ABC para un grupo de artículos. Fuente: Goerge W Plossl, 1993 Control de la producción y de Inventarios Principios y Técnicas, Prentice Hall, México, ISBN 0-13-725144-0 Si se decide en forma arbitraria, que los artículos A serán el primer 20% de los artículos, este grupo incluirá los primeros y segundos artículos, los siguientes tres, en orden de jerarquía serían los artículos B y representarían el 30% del total de artículos. El restante 50% de los artículos serían designados artículos C. Existen dos reglas a recordar sobre la propuesta ABC. 1.- Si tenemos muchos artículos de poco valor, éstos deben estar disponibles cuando se requieran. 2.- Utilícese el esfuerzo de control para reducir el inventario de los artículos de mucho valor. 3.3 FACTORES A CONSIDERAR PARA ELEGIR UNA TÉCNICA DE PRONÓSTICO Existen diferentes factores que se deben considerar para elegir la técnica de pronóstico que más se adecue a los datos obtenidos, Hanke Reitsch3 menciona lo siguiente: Todos los procedimientos formales de pronóstico comprenden la extensión de las experiencias del pasado al futuro incierto. De ahí la suposición de que las condiciones 2 3 Idem pág. 32 Idem pág.. 34 59 Capítulo 3 que generaron los datos anteriores son indistinguibles de las condiciones futuras, con excepción de aquellas variables reconocidas de manera explícita por el modelo de pronóstico. La aceptación de que las técnicas de pronóstico funcionan sobre datos generados en sucesos históricos pasados conduce a la identificación de cuatro pasos en el proceso del pronóstico: 1. Recopilación de datos. 2. Reducción o condensación de datos. 3. Construcción del modelo. 4. Extrapolación del modelo (el pronóstico en sí). El paso 1 sugiere la importancia de obtener los datos adecuados y asegurarse que son correctos. El paso 2 la reducción de datos con frecuencia es necesaria ya que en el proceso de pronóstico es posible tener muchos o muy pocos datos. Algunos datos pueden no ser pertinentes al problema, por lo que reducirían la precisión del pronóstico. El paso 3 la construcción del modelo, implica el ajustar los datos reunidos en un modelo de pronóstico que sea el adecuado para minimizar el error en el pronóstico. Con frecuencia se debe establecer un balance entre un enfoque de pronóstico complejo que ofrezca ligeramente más precisión y un enfoque sencillo que sea fácil de entender. El paso 4 consiste en la extrapolación en sí del modelo de pronóstico, lo cual ocurre una vez que se recolectaron y tal vez redujeron, los datos adecuados y que se seleccionó un modelo de pronóstico apropiado. Por otra parte, Makridakis4 sugiere que para la obtención de una técnica de pronóstico debe considerarse lo siguiente: • 4 La precisión del pronóstico con el método seleccionado: ya que si bien este factor no requiere un amplio fundamento, se puede agregar que en la medida que se modele una situación incierta hacia el futuro haciendo una buena selección de la técnica adecuada, esto sin duda arrojará un mejor resultado. Makridakis, S., Wheelwright, S., 2000, Métodos de Pronósticos, Limusa, México, ISB 968-18-4879-9 60 Selección del método de pronóstico y su metodología • Análisis del patrón de datos: es importante tener en cuenta este factor, ya que existen una gran variedad de métodos que pueden cubrir gran variedad de distintos patrones, por lo que debe analizarse si los datos presentan patrones que se repiten con el tiempo como tendencia o estacionalidad, o aquellos que no se repiten en un intervalo fijo de tiempo y que se pueden considerar cíclicos causados por la propia dinámica de los negocios, estos factores son una consideración muy importante para selección de la técnica de pronóstico a utilizar. • Tipo de series: es otro factor importante para la evaluación de un método de pronóstico debido a que éstos varían de forma importante en su precisión dependiendo del tipo de series que estén siendo pronosticadas. • Facilidad de la aplicación: es probablemente el criterio que toma en cuenta aquellas consideraciones no cubiertas por los criterios previos, incluyendo entre otras cosas a la complejidad del método, la periodicidad del pronóstico otorgada, el nivel de conocimiento requerido para su aplicación y los conceptos básicos y la facilidad que podrán ser entregadas al usuario final. 3.4 ANÁLISIS DE AUTOCORRELACIÓN Para determinar qué tipo de modelo es el que se adapta mejor a la serie de datos obtenida, y considerando los factores ya descritos para efectuar una buena elección del método, se tendría que anteponer aquél que ofrezca un alto grado de precisión, lo que nos dirige a considerar aquellos métodos con mayor grado de complejidad. Sin embargo, no debemos olvidar que esta dificultad en el método elegido para obtener un resultado muy preciso, podría afectar otros factores como el de la facilidad de la aplicación. Por lo tanto, para evitar crear ambigüedades a la hora de tomar una decisión sobre el método más conveniente, es necesario utilizar una herramienta que permita evaluar el comportamiento de la serie y que además considere a los elementos que la componen, según se mostró con oportunidad durante el capítulo 2. Esta herramienta es el ANÁLISIS DE AUTOCORRELACIÓN, con el que es posible establecer un análisis del patrón de la serie de datos además de obtener el coeficiente de autocorrelación que sin duda permitirá identificar qué elementos de la serie se encuentran presentes en ésta. Los patrones de datos que incluyen componentes como tendencia, estacionalidad e irregularidad se pueden estudiar usando el enfoque del análisis de autocorrelación. 61 Capítulo 3 Los coeficientes de autocorrelación para diferentes desfases de tiempo de una variable se emplean para identificar patrones en las series de tiempo de datos. Comúnmente se usa la ecuación 3.1 para calcular el coeficiente de autocorrelación de primer orden o la correlación entre Yt y Yt +1 (ver sección 2.5) ∑ (Y n −1 r= t =1 t )( − Y Yt +1 − Y ∑ (Y n −1 t =1 t −Y ) ) . 3.1 2 Las variables Yt +1 y Yt + 2 son en realidad valores de Y que se han desfasado uno y dos periodos, respectivamente. Por otra parte, el resultado obtenido será de gran ayuda para identificar aquella técnica que resulte la más adecuada de entre todo el abanico de posibilidades. El análisis de los FAC son fundamentales para la identificación del modelo, aunque en la práctica puede existir cierta confusión en la identificación del modelo, por ejemplo en el MA(1) para valores de θ1 pequeños. Por tal motivo, para reforzar la identificación del modelo MA(1), se puede utilizar a la función de autocorrelación parcial, denotada por FACP, que se obtiene de la matriz de covarianzas del proceso, nosotros en el paso 7 veremos los resultados principales para la FACP de un AR(1), AR(2), MA(1) y MA(2). Ilustramos su definición para el caso más simple de un modelo MA(1) Sea Z1 , Z 2 ,K un proceso estacionario, con Z t un MA(1) con U t variables aleatorias independientes N (0, σ 2 ) , se llama función de autocorrelación parcial de orden k del proceso MA(1), a la correlación condicionada corr ( Z1 , Z k +1 | Z 2 = z 2 , Z 3 = z 3 , K , Z k = z k ) , y se denota por FACP(k) o φ kk . Por definición, φ11 = ρ1 = corr ( Z 1 , Z 2 ) . 3.5 ANÁLISIS DEL PATRÓN DE DATOS MEDIANTE EL CORRELOGRAMA Con la utilización del análisis de autocorrelación, será posible obtener un correlograma que permitirá definir cuál es el patrón que los datos presentan. El correlograma es una herramienta gráfica muy útil autocorrelaciones para varios desfasamientos de una serie de tiempo5. 5 para exhibir idem pág. 34 62 Selección del método de pronóstico y su metodología La escala vertical en la parte izquierda muestra el número de periodos desfasados de interés. La escala vertical a la derecha muestra los coeficientes de autocorrelación, las correlaciones entre Yt y Yt +1 para el número correspondiente de periodos desfasados que aparece a la izquierda. La escala horizontal en la parte inferior muestra el nivel posible del coeficiente de autocorrelación, − 1 a +l. El coeficiente de autocorrelación para un desfasamiento de tiempo en particular corresponde a esta escala horizontal. Sobre el cero, a la mitad del correlograma, se coloca una línea vertical (ver gráfica 3.1). Figura 3.1 Correlograma para 6 periodos Fuente: John E. Hanke, Arthur G. Reitsch, 1996 Ponosticos en los Negocios, Prentice Hall, México, ISBN 968-880-681-1 Es posible utilizar programas de cómputo como el JMP, SAS, S-PLUS, MINITAB, u otros para obtener este tipo de correlogramas, nosotros vamos a utilizar el programa JMP para resolver el problema en el capítulo 4. Mediante el enfoque del análisis de autocorrelación tenemos que los coeficientes de autocorrelación para diferentes periodos desfasados de una variable se pueden utilizar en una serie de tiempo de datos para identificar lo siguiente: 1. ¿Los datos son aleatorios? 2. ¿Los datos tienen una tendencia (no estacionaria)? 3. ¿Los datos son estacionarios? 4. ¿Los datos son estacionales? • Si una serie es aleatoria, la correlación entre Yt y Yt +1 es cercana a cero y los valores sucesivos de la serie de tiempo no guardan relación entre sí. • Si una serie tiene una tendencia Yt y Yt +1 están altamente correlacionados y es típico que los coeficientes de autocorrelación sean diferentes de cero de manera significativa para varios de los primeros periodos de desfasamiento y caigan 63 Capítulo 3 gradualmente hacia cero al incrementarse el número de periodos. El coeficiente de autocorrelación para el periodo de desfase 1 es por lo regular muy grande (cercano a 1). El coeficiente de autocorrelación para el periodo de desfasamiento 2 será también grande. Sin embargo, no lo será tanto como para el periodo de desfasamiento 1, ya que se emplea un término menos para calcular su numerador. • Si una serie tiene un patrón estacional, se presentará un coeficiente de autocorrelación significativo en el periodo de desfasamiento correspondiente: cuatro en los datos trimestrales o doce en los datos mensuales. Quenouille6 y otros han demostrado que los coeficientes de autocorrelación de datos aleatorios tienen una distribución que se puede aproximar a una curva normal con una media de cero y una desviación estándar de 1/ n . Sabiendo lo anterior, el analista puede comparar los coeficientes de autocorrelación de la muestra con esta distribución teórica de muestreo y determinar si los datos provienen de una población cuya media sea cero en periodos de desfase. En realidad, los coeficientes de autocorrelación se pueden probar en forma simultánea para todos los periodos de desfase. Si la serie es en efecto aleatoria, la mayoría de los coeficientes de autocorrelación debe ubicarse dentro de un nivel especificado por 0, más o menos un cierto número de errores estándar. A un nivel específico de confianza, se puede considerar aleatoria una muestra si los coeficientes de autocorrelación calculados se encuentran todos dentro del intervalo producido por la ecuación 3.2 0±Z 1 3.2 n en donde: Z = valor normal estándar para un nivel de confianza dado n = número de observaciones en la serie de datos 6 M.H. Quenouille, The joint Distribution of Serial Correlation Coefficients, Annualss of Mathematical Statics, Vol. 20 1949, pág. 561-571. 64 Selección del método de pronóstico y su metodología 3.6 SELECCIÓN DE LA TÉCNICA DE PRONÓSTICO El siguiente paso de la metodología sugerida consiste en seleccionar una técnica de pronóstico que se adapte mejor al patrón de datos encontrado con el correlograma, la que deberá contemplar aquellos factores ya descritos durante el presente capítulo en términos de confiabilidad y aplicabilidad al momento de ser elegida. Hanke Reitsch7 han aportado una tabla resumen donde sugieren las técnicas de pronóstico que se deben utilizar con determinados patrones de datos la cual se muestra a continuación: Con la utilización de esta tabla será posible determinar cuál es la técnica más conveniente a utilizar para nuestro problema. De acuerdo con los antecedentes presentados por las compañías, éstas deben poseer series de datos lo suficientemente grandes como para pensar en utilizar metodologías que contemplen el tratamiento de los datos de forma estadística sin considerar que los datos estén representados por componentes separados, además de ofrecer un nivel de precisión mejor al ser comparado con otras técnicas que contemplen los datos siendo representados por sus componentes, y que consideren al horizonte de planeación de corto a mediano plazo. REQUERIMIENTOS DE DATOS MINIMOS HORIZONTE EN TIPO DE PATRON DE DATOS EL TIEMPO MODELO No formales ST, T, S S TS Promedios simples ST S TS Promedios, móviles ST S TS Atenuación exponencial ST S TS Atenuación exponencial lineal T S TS Atenuación exponencial cuadrática T S TS Atenuación exponencial estacional S S TS Filtración adaptiva S S TS Regresión simple T I C Regresión múltiple C, S I C Descomposición clásica S S TS Modelos de tendencia exponencial T I, L TS Ajuste de curva-S T I, L TS Modelos de Gompertz T I, L TS Curvas de crecimiento T I, L TS Census II S S TS Box-Jenláns ST, T, C, S S TS Indicadores principales C S C Modelos econométricos C S C Regresión múltiple de series de tiempo T, S I, L C MÉTODO NO ESTACIONALES 1 30 4-20 2 3 4 ESTACIONALES 2*L 5*L 10 10*V 5*L 10 10 10 10 24 24 30 6*L 3*L 6*L Tabla 3.3 Técnicas de pronóstico sugeridas para diferentes patrones de datos. Fuente: John E. Hanke, Arthur G. Reitsch, 1996 Ponosticos en los Negocios, Prentice Hall, México, ISBN 968-880-681-1 65 Capítulo 3 Donde: • Patrón de datos: ST, estacionarios; T, con tendencia; S, estacionales; C, cíclicos. • Horizonte en el tiempo: S, corto plazo (menos de 3 meses); I, mediano plazo; L, largo plazo. • Tipo de modelo: TS, serie de tiempo; C, causal. • Estacionales: L, longitud de la estacionalidad. Makridakis8 sugiere que los métodos de suavizamiento exponencial y descomposición cubren las necesidades de predicción a un costo y esfuerzo razonables para aquellas organizaciones que no requieren de técnicas altamente desarrolladas en los modelos predictivos. Por lo tanto, dado que las organizaciones ubicadas en el mercado automotriz generalmente son la vanguardia en el desarrollo y aplicaciones de investigaciones y técnicas, no resultaría conveniente aplicar los modelos que sugiere Makridakis, por lo que entonces la técnica a desarrollar será la metodología ARIMA ya que esta metodología contempla a todos los patrones de datos sin considerar sus componentes individuales, utiliza modelos de series de tiempo y el horizonte de planeación es de corto a mediano plazo, la desventaja radica en que para la utilización de esta técnica se requieren al menos de 24 datos cuando la serie no es estacionaria, lo que es fácilmente superado por aquellas organizaciones que tienen más de 5 años de permanencia en el mercado. Es importante que al seleccionar esta técnica se espera equilibrar su complejidad con la utilización de programas de cómputo que facilitan en demasía el cálculo del pronóstico, además de contemplar que la experiencia del analista es lo bastante extensa como para asegurar una buena mezcla de conceptos teóricos y prácticos. 3.7 DESCRIPCIÓN DE LA TÉCNICA SELECCIONADA El método Box Jenkins de pronóstico es diferente de la mayoría de los métodos. Esta técnica no asume ningún patrón particular en los datos históricos de la serie a pronosticar. Utilizan un enfoque iterativo de identificación de un modelo útil a partir de modelos de tipo general. El modelo elegido se verifica contra los datos históricos para ver si describe la serie con precisión. El modelo se ajusta bien si los residuos entre el modelo 7 8 idem pág.. 34 Idem pág. 34 66 Selección del método de pronóstico y su metodología de pronóstico y los puntos de datos históricos son reducidos, distribuidos de manera aleatoria e independiente. Los modelos ARIMA o modelos de promedio móvil autorregresivo integrado son un tipo general de los modelos de Box-Jenkins para series de tiempo estacionarias. Recuerde que una serie histórica estacionaria es aquella cuyo valor promedio no cambia a través del tiempo. Este grupo incluye a los modelos AR sólo con términos autorregresivos, los modelos MA sólo con términos de promedio móvil y los modelos ARIMA que comprenden tanto términos autorregresivos como de promedio móvil. La metodología de Box-Jenkins permite al analista seleccionar el modelo que mejor se ajuste a sus datos. Se puede efectuar la selección del modelo apropiado comparando la distribución de los coeficientes de autocorrelación de la serie histórica que se está ajustando, con las distribuciones teóricas para los distintos modelos. En las figuras. 3.2, 3.3 y 3.4 se muestran distribuciones teóricas de los coeficientes de autocorrelación para algunos de los modelos ARIMA más comunes. Figura 3.2 Coeficientes de autocorrelación y de autocorrelación parcial de los modelos AR(1) y AR(2). 67 Capítulo 3 Fuente: John E. Hanke, Arthur G. Reitsch, 1996 Pronósticos en los Negocios, Prentice Hall, México, ISBN 968-880-681-1 Figura 3.3 Coeficientes de autocorrelación y de autocorrelación parcial de los modelos MA(1) y MA(2). Fuente: John E. Hanke, Arthur G. Reitsch, 1996 Pronósticos en los Negocios, Prentice Hall, México, ISBN 968-880-681-1 68 Selección del método de pronóstico y su metodología Figura 3.4 Coeficientes de autocorrelación y de autocorrelación parcial de un modelo mixto ARIMA (1,1). Fuente: John E. Hanke, Arthur G. Reitsch, 1996 Pronósticos en los Negocios, Prentice Hall, México, ISBN 968-880-681-1 Al seleccionar un modelo, recuerde que las distribuciones que se muestran son teóricas y que es muy improbable que las autocorrelaciones de datos reales no sean idénticas a cualquiera de las distribuciones teóricas, pero si que deben ser semejantes. El enfoque de Box-Jenkins se resume en seguida. 69 Capítulo 3 METODOLOGÍA DE BOX-JENKINS9 La técnica consiste en ajustar a la serie de tiempo un modelo del tipo ARIMA y en base a éste, efectuar las predicciones deseadas. Este enfoque se puede resumir en 4 partes principales y como veremos se verifican en 3 etapas. 1. Identificación del modelo adecuado para ajustarse a los datos en la clase de modelos ARIMA. 2. Estimación de los parámetros contenidos en el modelo seleccionado. 3. Verificación del modelo estimado. 4. Predicción. Con esto podemos ver lo bueno del modelo. Ideas Básicas en la construcción del modelo Clase general de modelos disponibles Identificar el modelo de uno tentativamente propuesto Estimación de parámetros en el modelo propuesto tentativamente Comprobar el diagnóstico (¿es el modelo adecuado?) No Si El modelo se puede usar para predecir o el control Ventajas de la clase ARIMA sobre otros modelos 1. Los conceptos y métodos asociados al ajuste de modelos ARIMA están respaldados por teorías sólidas de Probabilidad. Otros métodos no tienen esta característica aunque no todos. 2. ARIMA es una familia de modelos (no solamente un modelo) y la estrategia de BoxJenkins para el ajuste de modelos ARIMA nos permite elegir un modelo de la familia usando la serie observada. 9 John E. Hanke, Arthur G. Reitsch, Pronósticos en los Negocios, Prentice Hall, México, ISBN 968-880-681-1, 1996, pág. 432 70 Selección del método de pronóstico y su metodología 3. La predicción que produce el modelo ARIMA tiene la propiedad de ser óptima, en el sentido de que ningún otro modelo nos da una predicción con menor error cuadrado medio de predicción. Etapa 1: Identificación del modelo 1. El primer paso en la identificación del modelo consiste en determinar si la serie es estacionaria, es decir, si el valor de la media no varía a través del tiempo. Si la serie no es estacionaria, en general se puede convertir a una serie estacionaria mediante el método de diferenciación. El analista especifica el grado de diferenciación y el algoritmo de Box-Jenkins convierte los datos en una serie estacionaria y realiza los cálculos subsecuentes utilizando los datos convertidos. 2. Una vez obtenida una serie estacionaria, el analista debe identificar la forma del modelo a utilizar. Este paso se logra mediante la comparación de los coeficientes de autocorrelación y de autocorrelación parcial de los datos a ajustar con las correspondientes distribuciones de los diversos modelos ARIMA. Para ayudar en la selección de un modelo apropiado, en las figuras. 3.2, 3.3 y 3.4, se muestran las distribuciones teóricas para los modelos ARIMA más comunes. Como puede verse, cada modelo tiene un conjunto único de autocorrelaciones y de autocorrelaciones parciales, y el analista debe ser capaz de poder ubicar los coeficientes correspondientes a los datos a una de las distribuciones teóricas. Aun cuando en general no será posible hacer coincidir exactamente los datos con las distribuciones teóricas, se pueden efectuar pruebas durante la etapa 2 para determinar si el modelo es adecuado. Entonces, si el modelo no es satisfactorio, se puede intentar un modelo alternativo. En términos generales, el analista debe identificar las autocorrelaciones que caen exponencialmente a cero. Si las autocorrelaciones descienden exponencialmente a cero, el proceso indicado es el AR; si son las autocorrelaciones parciales las que descienden a cero, entonces el proceso indicado es el MA; y, si tanto los coeficientes de autocorrelación como los coeficientes de autocrrelación parcial descienden a cero, el indicado es un proceso mixto ARIMA. El analista puede determinar el orden de los procesos AR y/o MA contando el número de coeficientes de autocorrelación y de autocorrelación parcial que son diferentes de cero en forma significativa. 71 Capítulo 3 Etapa 2: Estimación del modelo y prueba de su adecuación Una vez seleccionado un modelo tentativo, se deben estimar los parámetros para ese modelo. Este paso se realiza revisando los términos de error para asegurarse de que son aleatorios. Esta verificación puede hacerse revisando que las autocorrelaciones de los términos de error para estar seguros de que no son diferentes de cero en forma significativa. Si algunos retrasos de orden menor ó estaciónales son diferentes de cero de manera significativa, entonces el modelo resulta inadecuado. El analista debe regresar a la etapa 1, y seleccionar un modelo alternativo y después continuar el análisis. Etapa 3: Pronóstico con el modelo 1. Una vez que se encontró un modelo adecuado, se pueden realizar pronósticos para uno o varios periodos a futuro. También se pueden formular intervalos de confianza sobre estas estimaciones. En general, entre más a futuro se pronostica, mayor será el intervalo de confianza. Estos pronósticos e intervalos de confianza se calculan mediante el programa de BoxJenkins a solicitud del analista. 2. Al haber más datos disponibles, se puede utilizar el mismo modelo para revisar los pronósticos, seleccionando otro periodo de origen. 3. Si la serie parece cambiar a través del tiempo, pudiera ser necesario recalcular los parámetros, o incluso desarrollar un modelo nuevo por completo. Si se aprecian pequeñas diferencias en los errores de pronóstico, pudieran indicar que es necesario recalcular los parámetros, y el analista deberá regresar a la etapa 2, en el paso 1. Cuando se aprecian grandes diferencias en la dimensión de los errores de pronóstico, pudieran indicar que se requiere un modelo completamente nuevo, y el analista deberá regresar a la etapa l, paso 2, o inclusive a la etapa 1, paso 1 y repetir el proceso de ajustar un nuevo modelo a la serie histórica. La siguiente notación se utiliza con frecuencia en las técnicas de Box-Jenkins. Se identifica un modelo como ARIMA(p, d, q), en donde p es el orden del término autorregresivo, d es el nivel de diferenciación y q es el orden del término del promedio móvil. En la práctica, cuando no hay diferenciación, el modelo apropiado es ARMA(p, q). 72 Selección del método de pronóstico y su metodología 3.8 SELECCIÓN DEL ARREGLO MÁS PRECISO Definida la técnica a utilizar, se procederá a evaluar de entre diferentes arreglos de los métodos autoregresivos (AR) la diferenciación (I) y los modelos de promedio móvil (MA), aquél que presente la desviación media absoluta (DAM) menor. De acuerdo con lo mencionado en la sección previa, durante la etapa 1 se analizará el correlograma que se obtenga de las autocorrelaciones y las autocorrelaciones parciales de la serie con el fin de determinar si éstas son significativamente diferentes de cero, además de evaluar cuál de éstas cae exponencialmente a cero o si ambas lo hacen. Enseguida ya ubicados durante la etapa 2 se realizará el cálculo del DAM, para lo que se tomarán los últimos 6 periodos del valor real para cada producto a analizar y se calcularán los pronósticos mediante el ARIMA para este mismo horizonte cumpliendo así con lo estipulado en la etapa 3. Enseguida se compara cuál de los DAM obtenidos para los diferentes arreglos es el de menor valor y éste se seleccionará como el arreglo a utilizar para el pronóstico. Dado que es difícil que los coeficientes de autocorrelación se ajusten a cualquier tipo de distribución mostradas en las figuras 3.1, 3.2 y 3.3. Como una sugerencia a continuación se presentan algunos arreglos con los cuales se puede realizar la comparación del DAM, teniendo en cuenta que cualquier otro arreglo pudiera arrojar valores que reflejarían muy poca variación, sin que esto se entienda como una regla a seguir, ya que el propio analista puede encontrar arreglos con los que se obtengan mejores resultados. 1.- ARIMA (1.1.1) 2.- ARIMA (1.1.2) 3.- ARIMA (1.2.2) 4.- ARIMA (2.2.2) 5.- ARIMA (2.2.1) 6.- ARIMA (2.1.1) 3.9 COMPARATIVO ENTRE LA METODOLOGÍA ACTUAL Y LA PROPUESTA. Con la técnica seleccionada, se debe calcular el pronóstico mediante el uso de la metodología ARIMA con el arreglo de menor DAM. Para aplicar la metodología ARIMA se deberán considerar todos los valores reales de la serie exceptuando los últimos 6 periodos, posteriormente se pronostican 73 Capítulo 3 estos y el resultado obtenido se compara contra los valores reales y los pronosticados con la técnica actual, para conocer su desviación y evaluar cuál de las dos técnicas resulta con el menor error. De igual forma se pueden emplear los razonamientos expuestos en el capítulo 2 para el cálculo del error en el pronóstico. Por otra parte, con el empleo de la técnica seleccionada, se calculará el pronóstico de cada uno de los datos contemplados dentro de la clasificación ABC, posteriormente se utilizarán los resultados obtenidos para el cálculo de la precisión del pronóstico, de acuerdo con el procedimiento descrito en el capítulo 1 para este fin. Para realizar el cálculo de la precisión global del pronóstico se debe considerar un nuevo procedimiento para la obtención de los porcentajes de la precisión del pronóstico, el cociente sobre el que se dividirán las sumatorias del error en el pronóstico tanto negativas como absolutas deberá ser la sumatoria de la entrada de pedidos. Por lo tanto, la utilización del total de piezas pronosticadas ya no se utilizará para determinar el porcentaje de precisión del pronóstico. El empleo de este procedimiento se utilizará sólo para determinar el porcentaje de precisión en aquellos productos considerados como clasificación A. Los artículos incluidos en la clasificación B y C pueden ser solicitados en grandes cantidades para generar un stock de acuerdo a una previa evaluación de sus costos. Finalmente, mediante la comparación de ambos valores del porcentaje de precisión obtenidos con la metodología empleada, se podrá determinar cuál de ellos es mejor en términos de ofrecer un error menor, para así definir si esta nueva metodología cumple los objetivos planteados. 74 Capítulo 4 ESTUDIO DE CASO urante este capítulo se hizo uso de la metodología descrita en el capítulo anterior para calcular el pronóstico de la demanda de la empresa en aquellos productos que resulten de relevancia de acuerdo con la clasificación ABC, los cuales al ser comparados con la metodología actual, nos darán una visión de la precisión del pronóstico calculado. D Por otra parte, la precisión obtenida al utilizar esta metodología, se comparó con la precisión del pronóstico actual, y se podrá conocer cuál es el porcentaje de mejora al utilizar la propuesta, o si se obtienen resultados equivalentes, tal que no promuevan un cambio de técnica. Finalmente es importante señalar que durante el desarrollo de esta metodología se utilizó solo un artículo para ejemplificar la metodología sugerida, con el fin de no ser repetitivos y extender demasiado el presente trabajo. 75 Capítulo 4 4.1 DETERMINACIÓN DE LOS PRODUCTOS A ANALIZAR MEDIANTE EL ANÁLSIS DE PARETO Para determinar y limitar que productos son los que se analizarán de acuerdo al principio de PARETO, el 20% de los productos requieren de una mayor precisión en el cálculo del pronóstico para evitar pedidos sin surtir y que esto genere un nivel de servicio al cliente deficiente en las entregas de material. A continuación se presenta el análisis para clasificar los productos A, B, C con el que se podrá determinar a que productos va aplicarse la metodología. La compañía está bastante familiarizada con este principio por lo que ya generan una clasificación basada en el volumen de ventas anual. Para complementar la metodología, se han clasificado de los años 2000 al 2005, aquellos productos que han sido considerados como A`s durante este periodo, con el fin de identificar aquellos artículos que cumplan con la cantidad de datos requeridos por la metodología a emplear para el pronóstico, es decir que al menos hayan sido clasificados durante 3 años como productos A, y que sigan siendo A durante el 2006. Con la tabla 4.1 se puede identificar a los productos clasificados como A, con lo que se da cumplimiento al primer paso de la metodología sugerida. El periodo de análisis corresponde del año 2000 al año 2006, los artículos marcados con la leyenda OK serán a los que se les aplicará la metodología. 76 Estudio de Caso Numero/ Año 2000 2001 BBC0465 K0036-01 K0036-02 K0047-06 K0050-01 2002 2003 2004 2005 OK OK K0465-05 K0465-07 K1914-06 OK OK OK OK OK OK OK K260033-01 K70037-02 K70038-01 K9082-01 OK K1121-01 K1886-01 2006 Clasf "A" en 2006 OK KF224-01 KF224-02B KF251-01 KF295-01 KF537-04 OK KF587-04 OK KF594-01 OK KM10993-01 OK KM11004-01 OK OK OK OK OK KM136-01 KM168-01 KM168-02 KM173-01 Tabla 4.1 Productos clasificados como A del 2000 al 2006. Fuente: Elaboración propia 77 Capítulo 4 4.2 FACTORES QUE INFLUYEN PARA LA ELECCIÓN DE LA TÉCNICA La siguiente etapa de la metodología propuesta, es considerar cuáles y qué tipos de factores pueden influir en la decisión de elegir una técnica de pronóstico, lo que se deberá realizar de acuerdo a los lineamientos establecidos en el capítulo anterior, Inicialmente se debe considerar el proceso del pronóstico descrito durante la sección 3.1.2, el que establece una recopilación de datos, esto se refiere a la estadística de todas las entradas de pedidos para cada artículo disponibles por la empresa. Como segundo paso en este proceso se deben condensar estos datos, para determinar cuáles de ellos son realmente valiosos para los objetivos perseguidos, y evitar el hecho de analizar información que no aportará algún beneficio, si no que sólo contribuirá a la generación de esfuerzos inútiles. Esta etapa es superada al efectuar el análisis de Pareto de acuerdo con lo descrito en la sección anterior. La tercera etapa correspondiente a la construcción del modelo, se desarrollará durante las siguientes secciones en el transcurso de la descripción de la técnica, mientras que lo correspondiente al cuarto paso se desarrollará cuando se requiera definir el arreglo más preciso, ya que ésta tiene que ver directamente con la extrapolación del modelo. Por otro lado, se ha mencionado que uno de los principales factores es la precisión del pronóstico que se desea obtener con el método seleccionado. Así, debido al tipo de problema que se desea resolver, la precisión es una parte clave en el presente trabajo, por lo que podemos establecer que si la precisión alcanzada con la técnica seleccionada no supera a la metodología actual se debe desechar y buscar otra alternativa que permita que esta prioridad sea cubierta. El cálculo de la precisión se desarrollará durante la sección 4.8 ya que será aquí donde se efectúe la comparación del método actual con el sugerido, mediante el cálculo de la precisión en el pronóstico de cada uno de los artículos A. Está claro que para mejorar la precisión del pronóstico se deben tener en cuenta otros factores, ya que no es posible lograr un mejor pronóstico sin los análisis previos adecuados y sin las interpretaciones correctas de los datos, de igual forma, el emplear el método más avanzado tampoco es garantía de que el pronóstico disminuya su error, para conseguir esto se deben considerar los siguientes factores, que ya fueron mencionados con oportunidad en el capítulo anterior. 78 Estudio de Caso El patrón de datos descrito por la serie: Debemos contemplar cuál es el comportamiento de los datos para conocer que tipo de patrón siguen, y con esto lograr establecer cuál es su tendencia, o si existen ciertos datos que se repiten cada determinado periodo de tiempo o si estos son o no cíclicos. Para concluir lo anterior es necesario analizar los datos gráficamente de toda la serie de tiempo. Debido a la naturaleza de la empresa, el análisis de cada uno de los artículos presenta comportamientos independientes, por lo tanto, sólo se presentarán los comportamientos de algunos de los artículos más importantes, y el análisis se realizará sólo sobre uno de ellos para ejemplificar la metodología, ya que el tratar de analizar cada uno de ellos resultaría repetitivo y muy extenso, los resultados de los análisis finales de todos los artículos A los mostramos en el capítulo 5. GRAFICA 4.3 SERIE DE TIEMPO DE ENE-00 A MAR-06 PARA EL ARTICULO SN1106 6000 1200 5000 1000 4000 DEMANDA REAL DEMANDA REAL GRAFICA 4.1 SERIE DE TIEMPO DE ENE-00 A MAR-06 PARA EL ARTICULO KF224-02B 3000 2000 800 600 400 1000 200 0 0 PERIODO PERIODO Figura 4.1 Serie de tiempo para el artículo KF224-02B Figura 4.2 Serie de tiempo para el artículo KM639-02 GRAFICA 4.4 SERIE DE TIEMPO DE ENE-00 A MAR-06 PARA EL ARTICULO KM80203-01 4000 800 3500 700 3000 600 DEMANDA REAL DEMANDA REAL GRAFICA 4.2 SERIE DE TIEMPO DE ENE-00 A MAR-06 PARA EL ARTICULO KM639-02 2500 2000 1500 500 400 300 1000 200 500 100 0 0 PERIODO Figura 4.3 Serie de tiempo para el artículo SN1106 PERIODO Figura 4.4 Serie de tiempo para el artículo KM80203-01 Fuente: Elaboración propia 79 Capítulo 4 En estas gráficas se puede observar que cada artículo presenta un patrón específico en su comportamiento a través del tiempo, debido a que el comportamiento de su demanda es independiente, entonces cada producto presenta diferentes componentes. Tipos de serie y facilidad de la aplicación: Es posible notar, por ejemplo, que la figura 4.4 parece presentar una tendencia, mientras que en las tres restantes este componente parece no presentarse, pero sin embargo se podría pensar que en éstas existe la presencia de un ciclo o una estacionalidad. Este análisis del patrón de los datos nos permite establecer que tipo de serie es la que se está tratando, además, es el antecedente para determinar qué método seleccionar para el cálculo del pronóstico, mediante los análisis de autocorrelación y correlograma. Por otro lado, no se debe olvidar que entre más fácil y amigable sea la técnica elegida para el analista, es más factible que ésta resulte exitosa. 4.3 AUTOCORRELACIÓN DE LA SERIE DE DATOS El analizar el patrón de datos para identificar si éstos se encuentran relacionados entre si o para identificar su aleatoriedad, es de gran utilidad ya que se le da un enfoque científico al tratamiento de los datos y permite que se identifique de una manera más clara y con bases más firmes el modelo que ha de utilizarse. Este análisis se realizará con la ayuda del paquete de computación JMP5 para facilitar la labor del analista al efectuar su tarea, y aunque aparentemente hace que el costo del cálculo del pronóstico se incremente, éste no resulta así ya que en la actualidad en la mayoría de la empresas se cuenta con la tecnología necesaria para llevar a cabo estas tareas, o al menos en la empresa bajo estudio el costo de este software no es lo suficientemente relevante como para impedir la ejecución de la actividad. También ya se describió en su oportunidad los fundamentos teóricos requeridos para poder llevar a cabo e interpretar correctamente los resultados obtenidos. A continuación se presentará el estudio de autocorrelación de un artículo el que servirá para ilustrar el procedimiento. Tomaremos el número KM639-02 (ver figura 4.2) ofrecido para el vehículo de mayor circulación en México durante el resto del capítulo para ilustrar el estudio, y más cálculo de la precisión general. Los valores de la serie siguiente tabla. que corresponde a un artículo (ver anexo 1), éste se utilizará adelante se concentrará para el de tiempo se presentan en la 80 Estudio de Caso N Yt 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 31 32 33 34 35 36 37 38 39 40 41 42 43 44 45 46 47 48 49 50 51 52 53 54 55 56 57 58 59 60 61 62 63 64 65 66 67 68 69 70 71 72 73 74 75 Σ Yt-1-Ymed (Yt-Ymed)2 (Yt-Ymed) (Yt-1-Ymed) 518 762 645 566 667 1571 387 677 624 567 2121 1551 1098 1027 826 1180 745 1283 1014 1690 826 1545 1937 963 1296 1653 1972 1160 1767 1917 3770 770 960 841 1392 0 3050 2370 1619 2431 1192 758 2027 1836 598 1405 658 877 479 960 585 804 920 1382 3576 1337 1336 889 857 1205 861 1014 2248 2269 1305 1478 956 467 434 1471 558 1118 653 959 -709 -465 -582 -661 -560 344 -840 -550 -603 -660 894 324 -129 -200 -401 -47 -482 56 -213 463 -401 318 710 -264 69 426 745 -67 540 690 2543 -457 -267 -386 165 -1227 1823 1143 392 1204 -35 -469 800 609 -629 178 -569 -350 -748 -267 -642 -423 -307 155 2349 110 109 -338 -370 -22 -366 -213 1021 1042 78 251 -271 -760 -793 244 -669 -109 -574 -268 -467 -709 -465 -582 -661 -560 344 -840 -550 -603 -660 894 324 -129 -200 -401 -47 -482 56 -213 463 -401 318 710 -264 69 426 745 -67 540 690 2543 -457 -267 -386 165 -1227 1823 1143 392 1204 -35 -469 800 609 -629 178 -569 -350 -748 -267 -642 -423 -307 155 2349 110 109 -338 -370 -22 -366 -213 1021 1042 78 251 -271 -760 -793 244 -669 -109 -574 -268 502019 215791 338181 436304 313078 118657 704816 301987 363046 434984 800071 105279 16521 39814 160427 2165 231874 3188 45170 214801 160427 101421 504763 69450 4826 181874 555721 4427 292104 476744 6469223 208423 71040 148636 27379 1504384 3325031 1307516 154030 1450740 1193 219523 640747 371450 395054 31850 323230 122174 558806 71040 411565 178534 93963 24170 5519994 12203 11983 113929 136555 464 133615 45170 1043394 1086737 6157 63235 73188 576891 628109 59764 446937 11779 328940 71574 217653 0 329137 270142 384122 369590 -192741 -289191 461352 331112 397391 -589931 290225 -41705 25647 79920 18638 22407 -27191 -12001 -98502 -185634 -127557 226260 -187232 -18307 29625 317917 -49598 -35959 373174 1756179 -1161177 121681 102757 -63793 -202950 -2236543 2085073 448773 472713 -41594 16180 -375045 487858 -383070 -112172 -101464 198721 261288 199243 170990 271069 129521 -47656 365264 259538 12092 -36949 124730 7957 7871 77688 -217096 1064845 81799 19732 -68030 205479 601955 -193748 -163434 72558 62247 153439 124813 91230 0 467 36397903 6630444 Yt-1 Yt-Ymed 518 762 645 566 667 1571 387 677 624 567 2121 1551 1098 1027 826 1180 745 1283 1014 1690 826 1545 1937 963 1296 1653 1972 1160 1767 1917 3770 770 960 841 1392 0 3050 2370 1619 2431 1192 758 2027 1836 598 1405 658 877 479 960 585 804 920 1382 3576 1337 1336 889 857 1205 861 1014 2248 2269 1305 1478 956 467 434 1471 558 1118 653 959 760 91990 Tabla 4.2 Valores de la serie de tiempo del artículo KM639-02 Fuente: Elaboración propia 81 Capítulo 4 Con los resultados de las sumatorias obtenidas se puede calcular el valor de r mediante la utilización de la siguiente ecuación 4.1. ∑ (Y − Y )(Y − Y ) ..............................4.1 = ∑ (Y − Y ) n =1 r1 t =1 t +1 t 2 n t =1 t El valor de r1 obtenido es de 0.1821, lo cual significa que la autocorrelación de primer orden refleja que no existe una correlación entre la demanda del primer periodo con la del segundo. Para la autocorrelación de segundo orden, el valor obtenido mediante el JMP 5.1 es de 0.1152, reflejando que tampoco existe relación alguna con el siguiente periodo. Es importante señalar que una serie aleatoria es aquella en donde los coeficientes de autocorrelación son cercanos a cero y los valores subsiguientes de la serie no guardan relación entre si. 4.4 CORRELOGRAMA DEL PATRÓN DE DATOS PRESENTADA POR LA SERIE Mencionamos en el capítulo 2 que la herramienta estadística a emplearse para determinar si una serie es aleatoria es el correlograma. Por otra parte además de conocer si los datos son o no aleatorios, se puede conocer si tienen tendencia, son estacionarios y/o si son estaciónales de acuerdo con las definiciones presentadas durante el capítulo 2. En la figura siguiente se presenta el correlograma de la serie analizada en la sección anterior donde se pueden observar los coeficientes de autocorrelación para cada periodo. El cálculo del intervalo de confianza para determinar si los coeficientes de autocorrelación son significativamente diferentes de cero nos servirán para conocer si la serie es aleatoria, esto se realiza utilizando la siguiente ecuación. Si se considera un nivel de confianza del 95% tenemos que: 1 0 ± Z .......................4.2 N 82 Estudio de Caso VALORES DE r 1 2 3 4 5 6 7 8 9 10 11 1213 14 15 16 17 18 19 20 21 22 23 2425 26 27 28 29 30 31 32 33 34 35 36 3738 39 40 41 42 43 44 45 46 47 48 4950 51 52 53 54 55 56 57 58 59 60 6162 63 64 65 66 67 68 69 70 71 72 73 GRAFICA DE AUTOCORRELACIONES PARA KM639-02 0.01 0.02 0.02 0.04 0.02 0.04 0.04 0.06 0.04 0.05 -0.01 -0.03 0.00 -0.01 0.01 0.02 -0.01 -0.03 -0.02 -0.03 -0.02 0.02 -0.02 -0.02 0.01 -0.05 -0.03 -0.04 -0.04 0.08 0.04 -0.06 0.01 -0.05 -0.02 -0.12 -0.04 -0.15 0.02 -0.08 0.07 0.09 -0.15 -0.23 -0.07 -0.10 -0.04 0.15 0.03 0.11 -0.08 -0.20 -0.16 0.01 -0.12 0.00 0.13 -0.09 0.11 -0.11 -0.07 0.03 0.05 -0.10 0.17 0.08 0.05 0.11 -0.15 -0.03 0.04 0.12 0.18 -1 -0.8 -0.6 -0.4 -0.2 0 0.2 0.4 0.6 0.8 1 COEFICIENTES DE AUTOCORRELACION Figura 4.5 Correlograma de la serie de datos del artículo KM639-02 Fuente: Elaboración propia 83 Capítulo 4 Entonces debido a que Z para un 95% de confiabilidad es igual a 1.96 tenemos de 4.2 que: 1 = ±0.227 . 0 ± 1.96 74 Este resultado se ha remarcado a lo largo de toda grafica de las autocorrelaciones (figura 4.5) en ambos extremos del intervalo. Con el análisis del correlograma y de acuerdo a lo descrito durante el capítulo anterior se determinan varias situaciones: La primera es que la serie no se correlaciona consigo misma, ya que los coeficientes son cercanos a cero o se encuentran por debajo del nivel de significancia, lo anterior promueve la utilización de métodos avanzados para el cálculo del pronóstico. Por otra parte, no se aprecia que la serie sea estacionaria, presente una tendencia o estacionalidad, ya que los coeficientes son completamente aleatorios, esto se comprueba al visualizar que todos los coeficientes de autocorrelación se encuentran por debajo de los límites calculados con un nivel de confianza del 95%, por lo que se puede decir que esta serie es aleatoria. 4.5 ELECCIÓN DE LA TÉCNICA DE PRONÓSTICO Se ha determinado con base al análisis de los factores que intervienen en la selección del modelo, así como del seguimiento de la metodología propuesta, que el modelo a emplear está en la metodología ARIMA, debido principalmente a que el patrón de datos que presenta la serie se ajusta perfectamente a los requerimientos de la técnica, además de que es uno de los métodos más avanzados de la actualidad y contempla tanto modelos autoregresivos como promedios móviles y la combinación de éstos. De igual forma es posible utilizarla para cualquier patrón de datos descrito por la serie ya que no considera a los componentes que se puedan encontrar en la serie y si bien es una técnica desarrollada para series estacionarias, es posible utilizarla para series no estacionarias cuando éstas son diferenciadas. 84 Estudio de Caso 4.6 APLICACIÓN DE LA TÉCNICA SELECCIONADA PARA EL CÁLCULO DEL PRONÓSTICO Para la aplicación de la metodología se considerarán los modelos propuestos en la sección 3.8 dado que la posibilidad de que los coeficientes de autocorrelación y de autocorrelación parcial cambien en su valor de manera significativa respecto a los demás modelos no es significativa. Se promueven sólo dichos modelos en virtud de que resultan ser los más representativos y por lo tanto cualquier otro valor obtenido al utilizar otro arreglo distinto sería ligeramente diferente. Los arreglos propuestos se aplicarán al número de artículo con el que se ha venido trabajando, con el fin de ilustrar el procedimiento a seguir. Continuando con el procedimiento para aplicar la metodología ARIMA, es necesario determinar si la serie es estacionaria o no estacionaria, recordando que una serie estacionaria es aquella en la que el valor de su media no cambia a través del tiempo. Por otro lado, para poder aplicar la técnica es necesario que la serie sea estacionaria, si esto no sucede como en el caso que estamos estudiando, entonces se debe convertir a estacionaria, esto se logra al diferenciar la serie. Posteriormente se comparan los coeficientes de autocorrelación y los de autocorrelación parcial, recordando que revisamos en el capítulo 2 que el modelo lo podemos determinar con base en los correlogramas dependiendo de cómo se ajusten las autocorrelaciones, pero en la realidad es difícil que éstas se comporten exactamente como se indica en la teoría, por lo que para este caso procederemos a utilizar los modelos propuestos durante el capítulo 3, comparando su DAM, y el que resulte más bajo será el que se elija. De igual forma se empleará el software JMP5.1 en el capítulo 5 para determinar el pronóstico de los productos restantes. La siguiente figura muestra los coeficientes de autocorrelación y autocorrelaciones parciales sólo para los primeros 30 periodos obtenidos con el software JMP5.1, en virtud de que ya se ha justificado que la serie no es estacionaria revisamos los modelos ARIMA propuestos en el capítulo 3. 85 Capítulo 4 Lag AutoCorr 0 1.0000 1 0.1822 2 0.1152 3 0.0444 4 -0.0253 5 -0.1544 6 0.1063 7 0.0457 8 0.0777 9 0.1661 10 -0.0986 11 0.0529 12 0.0254 13 -0.0672 14 -0.1117 15 0.1121 16 -0.0871 17 0.1322 18 -0.0023 19 -0.1190 20 0.0094 21 -0.1615 22 -0.2030 23 -0.0754 24 0.1106 25 0.0320 26 0.1545 27 -0.0444 28 -0.0961 29 -0.0682 -.8 -.6 -.4 -.2 0 .2 .4 .6 .8 Figura 4.6 Autocorrelación del artículo KM639-02 Lag 0 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 Partial -.8 -.6 -.4 -.2 0 .2 .4 .6 .8 1.0000 0.1822 0.0849 0.0102 -0.0460 -0.1542 0.1735 0.0352 0.0494 0.1272 -0.2076 0.1402 0.0077 -0.0801 -0.0619 0.0661 -0.0502 0.1577 -0.1198 -0.1282 0.1072 -0.2394 -0.0236 -0.0437 0.0806 0.1830 -0.0620 -0.0756 -0.0603 -0.0104 Figura 4.7 Autocorrelación parcial del artículo KM639-02 Fuente: Elaboración propia 4.7 DETERMINACIÓN DE LOS ARREGLOS MÁS PRECISOS A APLICAR Durante el capítulo 3 se propusieron diferentes arreglos para efectuar el pronóstico, durante esta etapa de la metodología utilizaremos el paquete de cómputo JMP para determinar el pronóstico de 6 periodos adelante, y mediante esto determinar las desviaciones medias absolutas DAM de cada uno de los arreglos, además del calculado para el pronóstico actual. Se efectuará una comparación y el que resulte más pequeño será el arreglo que se deba elegir. Los valores reales y pronosticados con cada uno de los arreglos para los 6 periodos considerados se muestran a continuación. 86 Estudio de Caso VALOR PRONÓSTICADO PERIODO Abr-06 Valor real ARIMA (1.1.1) ACTUAL ARIMA ARIMA ARIMA ARIMA ARIMA (1.1.2) (1.2.2) (2.2.2) (2.2.1) (2.1.1) 652.00 979.00 1044.96 1145.29 792.03 718.52 719.27 1070.10 May-06 1037.00 1173.00 1085.71 1210.32 716.36 715.52 714.72 1105.64 Jun-06 1147.00 858.00 1093.31 1244.82 688.45 646.98 647.84 1131.99 Jul-06 750.00 1144.00 1096.40 1263.48 636.88 604.62 604.65 1139.86 Ago-06 825.00 828.00 1098.88 1273.94 594.46 561.71 561.69 1144.40 Sep-06 1077.00 1000.00 1101.27 1280.14 546.12 510.13 510.46 1147.30 Tabla 4.3 Valor real y pronosticado para la serie de tiempo del artículo KM639-02 Fuente: Elaboración propia Con estos valores se calcula la desviación media absoluta DAM para cada uno de los arreglos incluyendo el pronóstico actual, con la finalidad de obtener cuál de ellos es el que presenta la menor desviación, la siguiente ecuación se utiliza para calcular el DAM (ver 2.6.1): n DAM = ∑ et t =1 n n = ∑y t =1 t − yˆ t ...........................4.3 n Donde: yt = Valor real ŷt = Valor pronosticado DAM Actual = 652 − 979 + 1037 − 1173 + 1147 − 858 + 750 − 1144 + 825 − 828 + 1077 − 1000 6 DAM Actual = 204.33 En la siguiente tabla se presentan todos los valores de la DAM calculada para cada uno de los modelos sugeridos. 87 Capítulo 4 DAM ACTUAL ARIMA (1.1.1) Abr-06 327.00 392.96 May-06 136.00 48.71 Jun-06 289.00 53.69 Jul-06 394.00 346.40 Ago-06 3.00 273.88 Sep-06 77.00 24.27 PROMEDIO 204.33 189.99 ARIMA (1.1.2) 493.29 173.32 97.82 513.48 448.94 203.14 321.66 ARIMA (1.2.2) 140.03 320.64 458.55 113.12 230.54 530.88 298.96 ARIMA (2.2.2) 66.52 321.48 500.02 145.38 263.29 566.87 310.59 ARIMA (2.2.1) 67.27 322.28 499.16 145.35 263.31 566.54 310.65 ARIMA (2.1.1) 418.10 68.64 15.01 389.86 319.40 70.30 213.55 Tabla 4.4 Desviaciones medias absolutas obtenidas con los arreglos sugeridos para el artículo KM639-02 Fuente: Elaboración propia. El DAM de menor valor corresponde al arreglo ARIMA 1.1.1 que quiere decir que se está empleando un modelo autoregresivo, una diferenciación y un promedio móvil, por lo tanto los valores del pronóstico que se deben de contemplar para su validación son los que ha arrojado este arreglo y que se presentan en la tabla 4.3. Este procedimiento se realiza para cada artículo definido por la clasificación ABC, en la tabla 4.5 se presentan los arreglos resultantes para cada uno de ellos con el valor de la DAM calculada. GRÁFICA DEL PRONÓSTICO ACTUAL Y ARIMA vs VALOR REAL 1400.00 1200.00 Unidades 1000.00 800.00 600.00 400.00 200.00 0.00 Abr-06 May-06 Jun-06 Jul-06 Ago-06 Sep-06 Periodo ACTUAL Valor real ARIMA (1.1.1) Figura 4.8 Comparación del valor real contra el pronóstico actual y el ARIMA 1.1.1 para el artículo KM639-02 Fuente: Elaboración propia 88 Estudio de Caso En la figura 4.8 se puede apreciar que a pesar de que el patrón que sigue la serie pronosticada con el método actual, es muy similar a la serie real, la desviación de la metodología ARIMA hace que el pronóstico calculado con esta última resulte más preciso. ARTÍCULO DAM ARIMA 1,1,1 DAM ARIMA 1,1,2 DAM ARIMA 1,2,2 K0036-02 DAM ARIMA 2,2,2 DAM ARIMA 2,2,1 15.865 K0047-06 16.159 K0465-05 K1121-01 DAM ARIMA 2,1,1 41.279 72.018 K1886-01 31.279 K1914-06 22.656 K260033-01 43.783 K70037-02 58.556 K9082-01 46.301 KF224-01 10.766 KF224-02B 182.371 KF251-01 31.588 KF295-01 24.186 KF537-04 110.067 KF587-04 36.183 KF594-01 35.985 KM10993-01 26.197 KM11004-01 122.971 KM136-01 34.959 KM168-01 174.196 KM168-02 39.593 KM173-01 KM639-02 144.222 189.986 KM80203-01 38.055 SB770 30.082 SBA1002 48.464 SBA1029 38.777 SBA60026 SD178B 28.246 10.096 SN1106 202.136 SN31846 504.045 SN9001 165.022 Tabla 4.5 Desviaciones medias absolutas obtenidas para los artículos clasificados como “A”. Fuente: Elaboración propia 89 Capítulo 4 4.8 COMPARACIÓN DE RESULTADOS ENTRE LA METODOLOGÍA ACTUAL Y LA PROPUESTA Como última etapa, se debe someter a prueba la metodología sugerida, esto se realiza para conocer si es capaz de arrojar mejores resultados que la técnica actual. El objetivo es mejorar la precisión del pronóstico, por lo que en caso de que se incremente la precisión global, entonces podemos dar por hecho que se ha cumplido el objetivo. Considerando los valores de la DAM obtenidos en la tabla 4.5 podemos observar que prácticamente cada uno de ellos es menor que el DAM actual, ya que no existen resultados negativos que sugerirían a la técnica actual como mejor que cualquiera de los arreglos considerados. Por lo tanto, está claro el hecho de que a nivel individual para cada artículo seleccionado el pronóstico calculado con ARIMA, comparado contra la técnica actual es mejor ya que su DAM es menor. Las gráficas siguientes representan la comparación entre el pronóstico actual y el calculado por ARIMA para algunos de los productos. GRÁFICA DEL PRONÓSTICO ACTUAL Y ARIMA vs VALOR REAL 180.00 160.00 Unidades 140.00 120.00 100.00 80.00 60.00 40.00 20.00 0.00 Abr-06 May-06 Jun-06 Jul-06 Ago-06 Sep-06 Periodo ACTUAL Valor real ARIMA (2.2.2) Figura 4.8 Comparación del valor real contra el pronóstico actual y el ARIMA 2.2.2 para el artículo K0036-02 Fuente: Elaboración propia 90 Estudio de Caso GRÁFICA DEL PRONÓSTICO ACTUAL Y ARIMA vs VALOR REAL 1400.00 Unidades 1200.00 1000.00 800.00 600.00 400.00 200.00 0.00 Abr-06 May-06 Jun-06 Jul-06 Ago-06 Sep-06 Periodo ACTUAL Valor real ARIMA (1.1.1) Figura 4.9 Comparación del valor real contra el pronóstico actual y el ARIMA 1.1.1 para el artículo KF224-02B Fuente: Elaboración propia GRÁFICA DEL PRONÓSTICO ACTUAL Y ARIMA vs VALOR REAL 2000.00 Unidades 1500.00 1000.00 500.00 0.00 Abr-06 May-06 Jun-06 Jul-06 Ago-06 Sep-06 Periodo ACTUAL Valor real ARIMA (2.1.1) Figura 4.10 Comparación del valor real contra el pronóstico actual y el ARIMA 2.1.1 para el artículo KM11004-01 Fuente: Elaboración propia 91 Capítulo 4 GRÁFICA DEL PRONÓSTICO ACTUAL Y ARIMA vs VALOR REAL 300.00 Unidades 250.00 200.00 150.00 100.00 50.00 0.00 Abr-06 May-06 Jun-06 Jul-06 Ago-06 Sep-06 Periodo ACTUAL Valor real ARIMA (1.1.2) Figura 4.11 Comparación del valor real contra el pronóstico actual y el ARIMA 1.1.2 para el artículo KM168-02 Fuente: Elaboración propia GRÁFICA DEL PRONÓSTICO ACTUAL Y ARIMA vs VALOR REAL Unidades 350.00 300.00 250.00 200.00 150.00 100.00 50.00 0.00 Abr-06 May-06 Jun-06 Jul-06 Ago-06 Sep-06 Periodo ACTUAL Valor real ARIMA (1.1.2) Figura 4.8 Comparación del valor real contra el pronóstico actual y el ARIMA 1.1.1 para el artículo K9082-01 Fuente: Elaboración propia 92 Estudio de Caso Unidades GRÁFICA DEL PRONÓSTICO ACTUAL Y ARIMA vs VALOR REAL 800.00 700.00 600.00 500.00 400.00 300.00 200.00 100.00 0.00 Abr-06 May-06 Jun-06 Jul-06 Ago-06 Sep-06 Periodo ACTUAL Valor real ARIMA (1.2.2) Figura 4.8 Comparación del valor real contra el pronóstico actual y el ARIMA 12.2 para el artículo SN9001 Fuente: Elaboración propia A continuación se obtienen cada uno de los valores pronosticados por ARIMA de acuerdo al modelo que ofrece la mayor ventaja obtenido en la tabla 4.5 utilizando el programa JMP, y se compara contra el valor real de la demanda en cada uno de los periodos analizados y para cada uno de los artículos A, obteniendo así el porcentaje de precisión para cada uno de ellos. Este mismo procedimiento se realiza para los valores pronosticados con el método tradicional y los porcentajes de la precisión obtenidos, se deben comparar individual y globalmente. El porcentaje de la precisión será calculado de acuerdo a los lineamientos establecidos en el capítulo 1 durante el tema de la medición del error en el pronóstico y será simplemente la proporción obtenida que resulte de dividir el valor pronosticado de la demanda entre el valor real de la demanda para un mismo periodo de tiempo. Este procedimiento será de gran ayuda para conocer cuántos artículos mejoran su pronóstico y de esta forma comparar los porcentajes globales, con el fin de determinar si la metodología sugerida contribuye o no, a mejorar la precisión del pronóstico. Este procedimiento se ilustra en la tabla 4.6 la que corresponde al primer periodo. En la sección destinada para la presentación de resultados se incluirán los periodos restantes. La tabla 4.6 refleja los errores obtenidos para el pronóstico utilizando la metodología actual, y utilizando el procedimiento descrito se obtienen las sumatorias globales de la entrada de pedidos y los valores pronosticados así como el porcentaje global de la precisión del pronóstico para cada uno de los 6 periodos estudiados 93 Capítulo 4 Comparación y evaluación de técnicas Código SPM SBA60026 KM639-02 Pronóstico técnica actual Pedidos Precisión del pronóstico actual Precisión desfavorable 235 133 102 - 102 Porcentaje Precisión Porcentaje Pronóstico de la del de la Precisión técnica precisión pronóstico desfavorable precisión sugerida individual sugerido individual 57% 106 27 27 125% 979 652 327 - 327 67% 1045 393 -393 62% 1,248 1,267 19 19 102% 1388 121 -121 91% K0047-06 222 115 107 - 107 52% 126 11 -11 92% K1886-01 185 120 65 - 65 65% 146 26 -26 82% KF295-01 90 99 9 9 110% 105 6 -6 94% K260033-01 100 87 13 -13 87% 102 15 -15 85% SN9001 400 656 256 256 164% 441 215 215 149% KM11004-01 KM136-01 129 120 9 -9 93% 124 4 -4 97% SN31846 3,200 1,010 2,190 -2,190 32% 2253 1243 -1243 45% KF224-02B 914 818 96 -96 89% 851 33 -33 96% K1914-06 114 48 66 -66 42% 112 64 -64 43% K1121-01 154 236 82 82 153% 281 45 -45 84% KM80203-01 310 202 108 -108 65% 258 56 -56 78% KF537-04 598 400 198 -198 67% 581 181 -181 69% KF587-04 122 79 43 - 43 65% 112 33 -33 71% KM173-01 753 675 78 -78 90% 835 160 -160 81% K70037-02 347 183 164 - 164 53% 173 10 10 106% SBA1002 215 295 80 80 137% 217 78 78 136% KM168-01 677 394 283 -283 58% 628 234 -234 63% KF594-01 165 67 98 -98 41% 163 96 -96 41% K0465-05 307 218 89 -89 71% 223 5 -5 98% KM168-02 157 120 37 -37 76% 185 65 -65 65% K9082-01 222 201 21 -21 91% 234 33 -33 86% KM10993-01 133 75 58 -58 56% 126 51 -51 59% SN1106 350 264 86 -86 75% 293 29 -29 90% KF251-01 171 85 86 -86 50% 111 26 -26 77% K0036-02 95 103 8 8 108% 103 0 0 100% 12,592 8,722 4,778 454 69% 11,319 3,256 330 77% Precisión global del pronóstico con la técnica actual y la sugerida 45% 95% 63% 96% 29% Total A Tabla 4.6 Precisión del pronóstico global e individual para la técnica actual contra la técnica sugerida Fuente: Elaboración propia Finalmente, dentro del apartado de los resultados se presentará un análisis de la diferencia en moneda que existe al utilizarse la nueva técnica, lo que proporcionará una idea del costo de la precisión del pronóstico ya que se evaluará qué técnica resulta más cara 94 Estudio de Caso en términos de conservar más material en el almacén por fallas en el pronóstico, por lo que se puede decir que éste sería el costo de la precisión del pronóstico. La evaluación del costo de la precisión no se presenta dentro de la metodología ya que es opcional para la empresa, debido principalmente a que es muy posible que la organización cuente con sus propias formas de valuación de los inventarios. Sin embargo, los resultados obtenidos de esta valoración de la precisión, pudieran ser importantes cuando se requieran mejorar los sistemas de la gestión de la demanda y se desee comparar contra alguna referencia. 4.9 RESULTADOS DE LOS PERIODOS PRONOSTICADOS Si recordamos, durante el desarrollo del trabajo se ha venido hablando del mejoramiento de la precisión como un objetivo a alcanzar, tanto para cada artículo individual como para la generalidad de éstos por cada periodo, ya que la compañía evalúa de esta forma su precisión, y más allá de juzgar si es adecuada o no se pretende comparar metodología contra metodología para saber si los objetivos planteados del trabajo se cumplen. De acuerdo a lo anterior durante la presente sección se mostrarán los resultados obtenidos para cada grupo de artículos de forma individual y global, para que posteriormente se concluya si es o no conveniente utilizar la metodología sugerida. Además, se presentará una evaluación del valor económico que tendría la precisión obtenida con ambas metodologías, finalizando con las conclusiones que arrojen la presentación de estos resultados. Las tablas 4.7 a 4.12 presentan los resultados obtenidos al aplicar la metodología actual y se comparan éstos contra la metodología sugerida, obteniendo una precisión global para todo el grupo de artículos con lo que se logra establecer en cuántos periodos se obtiene una mejora de manera global e individual. 95 Capítulo 4 Código SPM Pronóstic Pedido Precisión Precisión Porcentaj Pronostic Precisión Precisión Porcentaj o s Actual Desfavorable e de error o ARIMA ARIMA Desfavorable e de error Casos de Mejora SBA60026 235 133 102 -102 77% 106 27 27 20% KM639-02 979 652 327 -327 50% 1045 393 -393 60% KM11004-01 1,248 1,267 19 19 1% 1388 121 -121 10% K0047-06 222 115 107 -107 93% 126 11 -11 9% K1886-01 185 120 65 -65 54% 146 26 -26 22% si KF295-01 90 99 9 9 9% 105 6 -6 7% si K260033-01 100 87 13 -13 15% 102 15 -15 18% si si SN9001 400 656 256 256 39% 441 215 215 33% si KM136-01 129 120 9 -9 8% 124 4 -4 3% si SN31846 3,200 1,010 2,190 -2190 217% 2253 1243 -1243 123% si KF224-02B 914 818 96 -96 12% 851 33 -33 4% si K1914-06 114 48 66 -66 138% 112 64 -64 133% si K1121-01 154 236 82 82 35% 281 45 -45 19% si KM80203-01 310 202 108 -108 53% 258 56 -56 28% si KF537-04 598 400 198 -198 50% 581 181 -181 45% si si KF587-04 122 79 43 -43 54% 112 33 -33 41% KM173-01 753 675 78 -78 12% 835 160 -160 24% K70037-02 347 183 164 -164 90% 173 10 10 5% si SBA1002 215 295 80 80 27% 217 78 78 26% si KM168-01 677 394 283 -283 72% 628 234 -234 59% si KF594-01 165 67 98 -98 146% 163 96 -96 143% si K0465-05 307 218 89 -89 41% 223 5 -5 2% si KM168-02 157 120 37 -37 31% 185 65 -65 54% K9082-01 222 201 21 -21 10% 234 33 -33 16% KM10993-01 133 75 58 -58 77% 126 51 -51 68% si SN1106 350 264 86 -86 33% 293 29 -29 11% si KF251-01 171 85 86 -86 101% 111 26 -26 30% si K0036-02 95 103 8 8 8% 103 0 0 0% si 4,778 454 55% 11,319 3,256 330 36% 76% 45% 95% 63% 96% Total A 12,592 8,722 Precisión favorable y desfavorable Productos A Tabla 4.7 Resultados obtenidos para ambas metodologías durante el periodo de Abril Fuente: Elaboración Propia La tabla 4.7 muestra como la precisión durante el mes de Abril correspondiente al primer periodo estudiado, mejora de un 45% a un 63% globalmente mientras que el 76% de los casos individuales son mejores en la precisión al utilizar la metodología sugerida. La precisión se ha calculado tomando como cociente a la sumatoria del total de los pedidos y no así a la sumatoria del total del valor pronosticado, como se efectúa con la técnica actual. 96 Estudio de Caso Código SPM Pronóstico Pedido Precisión Precisión Porcentaj Pronostic Precisión Precisión Porcentaj Casos de s Actual Desfavorable e de error o ARIMA ARIMA Desfavorable e de error Mejora SBA60026 235 69 166 -166 KM639-02 1,173 1,037 136 SBA1029 100 32 68 KM11004-01 1,438 1,332 K0047-06 332 K1886-01 198 241% 105 36 -36 52% si -136 13% 1086 49 -49 5% si -68 213% 61 29 -29 89% si 106 -106 8% 1408 76 -76 6% si 156 176 -176 113% 127 29 29 19% si 186 12 -12 6% 144 42 42 23% KF295-01 90 175 85 85 49% 106 69 69 39% si K260033-01 120 - 120 -120 120% 97 97 -97 97% si SN9001 400 404 4 4 1% 424 20 -20 5% 32% KM136-01 160 204 44 44 22% 138 66 66 SN31846 3,200 2,600 600 -600 23% 2479 121 121 5% KF224-02B 1,112 968 144 -144 15% 875 93 93 10% K1914-06 160 96 64 -64 67% 96 0 0 0% si K1121-01 195 217 22 22 10% 252 35 -35 16% si K0050-01 100 88 12 -12 14% 71 17 17 20% KM80203-01 383 323 60 -60 19% 261 62 62 19% KF537-04 778 787 9 9 1% 582 205 205 26% 35% KF587-04 155 168 13 13 8% 109 59 59 KM173-01 875 852 23 -23 3% 822 30 30 4% K70037-02 429 345 84 -84 24% 160 185 185 54% SBA1002 215 165 50 -50 30% 223 58 -58 35% KM168-01 700 914 214 214 23% 644 270 270 30% KF594-01 195 230 35 35 15% 165 65 65 28% K0465-05 354 395 41 41 10% 289 106 106 27% KM168-02 170 166 4 -4 2% 180 14 -14 8% si si K9082-01 259 313 54 54 17% 276 37 37 12% si KM10993-01 200 133 67 -67 50% 125 8 8 6% si SN1106 350 207 143 -143 69% 300 93 -93 45% si KF251-01 228 167 61 -61 37% 104 63 63 38% K0036-02 119 134 15 15 11% 105 29 29 21% 2,632 536 41% 11,812 2,061 1,556 27% 80% 4% 84% 12% Total A 14,423 12,863 Precisión favorable y desfavorable Productos A 48% Tabla 4.8 Resultados obtenidos para ambas metodologías durante el periodo de Mayo Fuente: Elaboración Propia La tabla 4.8 muestra como la precisión durante el mes de Mayo correspondiente al segundo periodo estudiado, durante este periodo el incremento en la precisión del pronóstico global es de 4% al pasar de un 80% a un 84%, mientras que el 48% de los artículos individuales mejoran su precisión al utilizar la metodología ARIMA, en este 97 Capítulo 4 periodo la precisión calculada fue bastante alta, sin embargo logro mejorarse al aplicar la metodología sugerida. Código SPM Pronóstico Pedidos Precisión Precisión Porcentaje Pronostico Precisión Precisión Porcentaje Actual Desfavorable de error ARIMA ARIMA Desfavorable de error Casos de Mejora SN31846 2,290 2,672 382 382 14% 2261 411 411 KM11004-01 1,344 1,540 196 196 13% 1419 121 121 8% si KM639-02 858 1,147 289 289 25% 1093 54 54 5% si KF224-02B 830 1,146 316 316 28% 867 279 279 24% si KM173-01 820 865 45 45 5% 823 42 42 5% KM168-01 627 793 166 166 21% 660 133 133 17% si si 15% SN9001 524 432 92 -92 21% 443 11 -11 3% KF537-04 514 531 17 17 3% 568 37 -37 7% KM80203-01 283 225 58 -58 26% 264 39 -39 17% si K1121-01 283 181 102 -102 56% 236 55 -55 30% si SN1106 278 549 271 271 49% 288 261 261 48% si K0465-05 254 282 28 28 10% 264 18 18 6% si K9082-01 223 288 65 65 23% 266 22 22 8% si K70037-02 280 216 64 -64 30% 160 56 56 26% si KF594-01 243 216 27 -27 13% 165 51 51 24% KM168-02 183 281 98 98 35% 184 97 97 34% si SBA1002 148 221 73 73 33% 203 18 18 8% si K1886-01 144 198 54 54 27% 137 61 61 31% KM136-01 162 150 12 -12 8% 132 18 18 12% SBA60026 135 114 21 -21 18% 106 8 8 7% si K260033-01 120 - 120 -120 120% 100 100 -100 100% si KM10993-01 119 158 39 39 25% 125 33 33 21% si K0047-06 118 96 22 -22 23% 129 33 -33 34% K0036-02 118 92 26 -26 28% 101 9 -9 9% KF251-01 136 119 17 -17 14% 99 20 20 17% si KF295-01 115 93 22 -22 24% 105 12 -12 13% si K1914-06 115 97 18 -18 19% 104 7 -7 7% si KF587-04 103 67 36 -36 54% 106 39 -39 59% 2,676 2,039 27% 11,410 2,043 1,701 21% 79% 84% 84% 87% Total A 11,367 12,769 Precisión favorable y desfavorable Productos A 68% Tabla 4.9 Resultados obtenidos para ambas metodologías durante el periodo de Junio Fuente: Elaboración Propia La tabla 4.9 muestra como la precisión durante el mes de Junio correspondiente al tercer periodo estudiado, durante el cual la precisión global alcanza el valor de 84% con la técnica sugerida en contra del 79% obtenido con la técnica actual. Por otro lado, el porcentaje de mejora para los valores individuales es del 68% de los productos analizados. 98 Estudio de Caso Código SPM Pronóstico Pedidos Precisión Precisión Porcentaje Pronostico Precisión Precisión Porcentaje Actual Desfavorable de error ARIMA ARIMA Desfavorable de error Casos de Mejora SN31846 3,053 2,361 692 -692 29% 2312 49 49 2% si KM11004-01 1,792 1,139 653 -653 57% 1426 118 -118 10% si KM639-02 1,144 750 394 -394 53% 1096 346 -346 46% si KF224-02B 1,107 407 700 -700 172% 851 444 -444 109% si KM173-01 1,093 610 483 -483 79% 827 217 -217 36% si KM168-01 836 425 411 -411 97% 663 238 -238 56% si SN9001 699 144 555 -555 385% 441 240 -240 167% si KF537-04 685 431 254 -254 59% 556 9 9 2% si KM80203-01 377 276 101 -101 37% 259 18 18 6% si K1121-01 377 - 377 -377 377% 228 229 -229 229% si SN1106 371 283 88 -88 31% 292 83 83 29% si K0465-05 339 316 23 -23 7% 237 79 79 25% K9082-01 297 188 109 -109 58% 274 86 -86 46% si K70037-02 373 142 231 -231 163% 153 11 -11 8% si si KF594-01 324 162 162 -162 100% 164 2 -2 1% KM168-02 244 155 89 -89 57% 186 31 -31 20% si SBA1002 197 143 54 -54 38% 201 15 15 10% si si K1886-01 192 119 73 -73 61% 135 16 -16 13% KM136-01 216 44 172 -172 391% 131 87 -87 197% si SBA60026 180 130 50 -50 38% 107 23 23 18% si K260033-01 160 111 49 -49 44% 98 13 -13 12% si KM10993-01 159 91 68 -68 74% 125 34 -34 37% si K0047-06 157 111 46 -46 42% 131 20 -20 18% si K0036-02 157 109 48 -48 44% 100 9 9 8% si KF251-01 181 44 137 -137 312% 94 50 -50 114% si KF295-01 153 110 43 -43 39% 105 17 17 15% si K1914-06 153 101 52 -52 52% 100 1 1 1% si KF587-04 137 66 71 -71 108% 105 39 -39 59% si 6,188 - 107% 11,399 2,522 301 46% 96% 31% 100% 72% 97% Total A 15,156 8,968 Precisión favorable y desfavorable Productos A Tabla 4.10 Resultados obtenidos para ambas metodologías durante el periodo de Julio Fuente: Elaboración Propia La tabla 4.10 muestra como la precisión durante el mes de Julio correspondiente al cuarto periodo estudiado, incrementa notablemente su precisión tanto global como individual al pasar de 31% obtenido con la técnica actual al 72% calculado al utilizar ARIMA, para el porcentaje global, mientras que en el individual se obtiene que un 96% de los artículos estudiados mejoran su precisión. 99 Capítulo 4 Código SPM Pronóstico Pedidos Precisión Precisión Porcentaj Pronostic Precisión Precisión Porcentaj Actual Desfavorable e de error o ARIMA ARIMA Desfavorable e de error SN31846 2,131 1,312 819 -819 62% 2201 889 -889 68% KM11004-01 1,580 1,372 208 -208 15% 1432 60 -60 4% KM639-02 828 825 3 -3 0% 1099 274 -274 33% KF224-02B 816 741 75 -75 10% 833 92 -92 12% KM173-01 792 566 226 -226 40% 831 265 -265 47% KM168-01 621 609 12 -12 2% 668 59 -59 10% SN9001 515 524 10 10 2% 452 72 72 14% Casos de Mejora si KF537-04 510 430 80 -80 18% 543 113 -113 26% KM80203-01 276 252 24 -24 10% 256 4 -4 2% si K1121-01 240 208 32 -32 15% 225 17 -17 8% si SN1106 270 150 120 -120 80% 295 145 -145 97% K0465-05 251 259 8 8 3% 256 3 3 1% si K9082-01 213 180 33 -33 18% 276 96 -96 54% K70037-02 239 172 67 -67 39% 150 22 22 13% si KF594-01 206 164 42 -42 25% 163 1 1 1% si KM168-02 176 161 15 -15 9% 189 28 -28 17% SBA1002 148 275 127 127 46% 204 71 71 26% K1886-01 144 154 11 11 7% 132 22 22 14% KM136-01 153 100 53 -53 53% 132 32 -32 32% SBA60026 135 150 15 15 10% 108 42 42 28% K260033-01 116 100 16 -16 16% 93 7 7 7% KM10993-01 110 99 11 -11 11% 124 25 -25 26% K0047-06 116 137 21 21 15% 133 4 4 3% si si si si K0036-02 112 75 37 -37 49% 98 23 -23 31% si KF251-01 125 65 60 -60 92% 90 25 -25 38% si KF295-01 112 77 35 -35 45% 105 28 -28 36% si K1914-06 111 56 55 -55 97% 102 46 -46 83% si KF587-04 87 61 26 -26 43% 103 42 -42 69% 2,236 191 30% 11,295 2,511 245 29% 76% 98% 73% 97% Total A 11,128 9,274 Precisión favorable y desfavorable Productos A 50% Tabla 4.11 Resultados obtenidos para ambas metodologías durante el periodo de Agosto Fuente: Elaboración Propia La tabla 4.11 muestra como la precisión calculada con el método actual de forma global es mayor que la calculada con la metodología sugerida en un 3% es decir, a pesar de que el porcentaje precisión individual es mejor en el 50% de los artículos evaluados 100 Estudio de Caso Código SPM Pronóstico Pedidos Casos Precisión Precisión Porcentaje Pronostico Precisión Precisión Porcentaje de Actual Desfavorable de error ARIMA ARIMA Desfavorable de error Mejor a SN31846 2,600 2,500 100 -100 4% 2189 311 311 12% KM11004-01 1,700 1,510 190 -190 13% 1438 72 72 5% si si KM639-02 1,000 1,077 77 77 7% 1101 24 -24 2% KF224-02B 857 967 110 110 11% 815 152 152 16% KM173-01 831 987 156 156 16% 836 151 151 15% KM168-01 652 563 89 -89 16% 674 111 -111 20% SN9001 540 80 460 -460 575% 455 375 -375 469% si si si KF537-04 535 531 4 -4 1% 530 1 1 0% KM80203-01 290 305 15 15 5% 254 51 51 17% K1121-01 252 174 78 -78 45% 226 52 -52 30% si si SN1106 283 973 690 690 71% 297 676 676 70% K0465-05 264 231 33 -33 14% 267 36 -36 16% K9082-01 224 278 54 54 20% 281 3 -3 1% K70037-02 251 212 39 -39 18% 144 68 68 32% si KF594-01 216 160 56 -56 35% 161 1 -1 1% si KM168-02 184 188 4 4 2% 191 3 -3 2% si SBA1002 155 214 59 59 27% 206 8 8 4% si K1886-01 151 150 1 -1 0% 129 21 21 14% KM136-01 160 127 33 -33 26% 130 3 -3 3% si SBA60026 142 75 67 -67 89% 109 34 -34 45% si 25% K260033-01 121 120 1 -1 1% 90 30 30 KM10993-01 116 130 15 15 11% 124 6 6 4% si K0047-06 122 135 13 13 10% 135 0 0 0% si 21% K0036-02 118 122 4 4 4% 97 25 25 KF251-01 131 79 52 -52 66% 85 6 -6 8% KF295-01 117 130 13 13 10% 105 25 25 19% K1914-06 116 84 32 -32 38% 102 18 -18 21% si KF587-04 91 107 16 16 15% 102 5 5 5% si 2,460 1,226 41% 11,273 2,271 1,603 31% 64% 80% 90% 81% 87% Total A 12,218 12,209 Precisión favorable y desfavorable Productos A si Tabla 4.12 Resultados obtenidos para ambas metodologías durante el periodo de Septiembre Fuente: Elaboración Propia La tabla 4.12 muestra cómo la precisión calculada para el sexto es de 81%, la cual es mejor que la obtenida con el método actual que asciende a un 80%, lo anterior es el cálculo obtenido de forma global, mientras que al evaluar la precisión para cada artículo se obtiene que el 64% de los casos estudiados se mejora con la metodología sugerida. 101 Capítulo 4 ABRIL Número Per. Mej. Pedido pzas MAYO Pronostico Actual ARIMA % Actual % ARIMA Pedido pzas JUNIO Pronostico Actual ARIMA % Actual % ARIMA Pedido pzas JULIO Pronostico Actual ARIMA % Actual % ARIMA Pedido pzas AGOSTO Pronostico Actual ARIMA % Actual % ARIMA Pedido pzas SEPTIEMBRE Pronostico Actual ARIMA % Actual % ARIMA Pedido pzas Pronostico Actual ARIMA % Actual % ARIMA 21% K0036-02 4 103 95 103 8% 0% 134 119 105 11% 21% 92 118 101 28% 9% 109 157.33 100 44% 8% 75 112 98 49% 31% 122 117.6 97 4% K0047-06 5 115 222 126 93% 9% 156 332 127 113% 19% 96 118 129 23% 34% 111 157.33 131 42% 18% 137 116 133 15% 3% 135 121.8 135 10% 0% K0465-05 3 218 307 223 41% 2% 395 354 289 10% 27% 282 254 264 10% 6% 316 338.67 237 7% 25% 259 251 256 3% 1% 231 263.55 267 14% 16% K1121-01 4 236 154 281 35% 19% 217 195 252 10% 16% 181 283 236 56% 30% 0 377.33 228 377% 229% 208 240 225 15% 8% 174 252 226 45% 30% K1886-01 2 120 185 146 54% 22% 186 198 144 6% 23% 198 144 137 27% 31% 119 192 135 61% 13% 154 143.5 132 7% 14% 150 150.68 129 0% 14% K1914-06 6 48 114 112 138% 133% 96 160 96 67% 0% 97 115 104 19% 7% 101 153.33 100 52% 1% 56 110.5 102 97% 83% 84 116.03 102 38% 21% K260033-01 4 87 100 102 15% 18% 0 120 97 120% 97% 0 120 100 120% 100% 111 160 98 44% 12% 100 115.5 93 16% 7% 120 121.28 90 1% 25% K70037-02 3 183 347 173 90% 5% 345 429 160 24% 54% 216 280 160 30% 26% 142 373.33 153 163% 8% 172 239 150 39% 13% 212 250.95 144 18% 32% K9082-01 4 201 222 234 10% 16% 313 259 276 17% 12% 288 223 266 23% 8% 188 297.33 274 58% 46% 180 213 276 18% 54% 278 223.65 281 20% 1% KF224-02B 4 818 914 851 12% 4% 968 1112 875 15% 10% 1146 830 867 28% 24% 407 1106.7 851 172% 109% 741 816 833 10% 12% 967 856.8 815 11% 16% KF251-01 4 85 171 111 101% 30% 167 228 104 37% 38% 119 136 99 14% 17% 44 181.33 94 312% 114% 65 125 90 92% 38% 79 131.25 85 66% 8% KF295-01 4 99 90 105 9% 7% 175 90 106 49% 39% 93 115 105 24% 13% 110 153.33 105 39% 15% 77 111.5 105 45% 36% 130 117.08 105 10% 19% KF537-04 3 400 598 581 50% 45% 787 778 582 1% 26% 531 514 568 3% 7% 431 685.33 556 59% 2% 430 509.5 543 18% 26% 531 534.98 530 1% 0% KF587-04 3 79 122 112 54% 41% 168 155 109 8% 35% 67 103 106 54% 59% 66 137.33 105 108% 59% 61 87 103 43% 69% 107 91.35 102 15% 5% KF594-01 3 67 165 163 146% 143% 230 195 165 15% 28% 216 243 165 13% 24% 162 324 164 100% 1% 164 205.5 163 25% 1% 160 215.78 161 35% 1% KM10993-01 5 75 133 126 77% 68% 133 200 125 50% 6% 158 119 125 25% 21% 91 158.67 125 74% 37% 99 110 124 11% 26% 130 115.5 124 11% 4% KM11004-01 5 1267 1248 1388 1% 10% 1332 1438 1408 8% 6% 1540 1344 1419 13% 8% 1139 1792 1426 57% 10% 1372 1580 1432 15% 4% 1510 1700 1438 13% 5% KM136-01 4 120 129 124 8% 3% 204 160 138 22% 32% 150 162 132 8% 12% 44 216 131 391% 197% 100 152.5 132 53% 32% 127 160.13 130 26% 3% KM168-01 3 394 677 628 72% 59% 914 700 644 23% 30% 793 627 660 21% 17% 425 836 663 97% 56% 609 621 668 2% 10% 563 652.05 674 16% 20% KM168-02 3 120 157 185 31% 54% 166 170 180 2% 8% 281 183 184 35% 34% 155 244 186 57% 20% 161 175.5 189 9% 17% 188 184.28 191 2% 2% KM173-01 3 675 753 835 12% 24% 852 875 822 3% 4% 865 820 823 5% 5% 610 1093.3 827 79% 36% 566 791.5 831 40% 47% 987 831.08 836 16% 15% KM639-02 4 652 979 1045 50% 60% 1037 1173 1086 13% 5% 1147 858 1093 25% 5% 750 1144 1096 53% 46% 825 828 1099 0% 33% 1077 1000 1101 7% 2% KM80203-01 4 202 310 258 53% 28% 323 383 261 19% 19% 225 283 264 26% 17% 276 377.33 259 37% 6% 252 276 256 10% 2% 305 289.8 254 5% 17% SBA1002 4 295 215 217 27% 26% 165 215 223 30% 35% 221 148 203 33% 8% 143 197.33 201 38% 10% 275 148 204 46% 26% 214 155.4 206 27% 4% SBA60026 5 133 235 106 77% 20% 69 235 105 241% 52% 114 135 106 18% 7% 130 180 107 38% 18% 150 135 108 10% 28% 75 141.75 109 89% 45% SN1106 4 264 350 293 33% 11% 207 350 300 69% 45% 549 278 288 49% 48% 283 370.67 292 31% 29% 150 269.5 295 80% 97% 973 282.98 297 71% 70% SN31846 3 1010 3200 2253 217% 123% 2600 3200 2479 23% 5% 2672 2290 2261 14% 15% 2361 3053.3 2312 29% 2% 1312 2131 2201 62% 68% 2500 2600 2189 4% 12% SN9001 4 656 400 441 39% 33% 404 400 424 1% 5% 432 524 443 21% 3% 144 698.67 441 385% 167% 524 514.5 452 2% 14% 80 540.23 455 575% 469% Tabla 4.13 Periodos mejorados al aplicar la metodología ARIMA Fuente: Elaboración Propia 102 Estudio de Caso Número $ UN ABRIL MAYO JUNIO JULIO AGOSTO PRECISION PRECISION PRECISION PRECISION PRECISION Actual ARIMA $ Actual $ ARIMA DIF Actual ARIMA $ Actual $ ARIMA DIF Actual ARIMA $ Actual $ ARIMA DIF Actual ARIMA $ Actual $ ARIMA DIF SEPTIEMBRE PRECISION Actual ARIMA $ Actual $ ARIMA DIF Actual ARIMA $ Actual $ ARIMA DIF K0036-02 320.21 8 0 2562 74 2487 15 29 4803 9199 -4396 26 9 8325 2754 5571 48.333 9 15477 2810 12667 37 23 11848 7509 4338 4.4 25 1409 8134 -6725 K0047-06 294.96 107 11 31561 3110 28450 176 29 51913 8650 43263 22 33 6489 9660 -3171 46.333 20 13666 5844 7823 21 4 6194 1254 4940 13.2 0 3893 79 3815 K0465-05 255.7 89 5 22757 1210 21548 41 106 10484 27068 -16584 28 18 7160 4630 2530 22.667 79 5796 20250 -14454 8 3 2046 855 1191 32.55 36 8323 9318 -995 K1121-01 647.76 82 45 53116 28980 24136 22 35 14251 22348 -8098 102 55 66072 35421 30650 378.33 229 245069 148364 96705 32 17 20728 11260 9468 52 50525 33529 16996 K1886-01 187.51 65 26 12188 4911 7277 12 42 2250 7933 -5683 54 61 10126 11365 -1239 16 13688 2990 10699 10.5 22 1969 4084 -2115 0.675 21 127 3908 -3782 K1914-06 328.57 66 64 21686 21044 642 64 0 21028 100 20929 18 7 5914 2304 3610 52.333 1 17195 170 17025 54.5 46 17907 15237 2670 32.025 18 10522 5810 4713 402 13 15 5226 6161 -935 120 97 48240 38957 9283 120 100 48240 40235 8005 13 19698 5377 14321 15.5 7 6231 2865 3366 1.275 30 513 12010 -11497 K70037-02 167.14 164 10 27411 1610 25801 84 185 14040 30924 -16884 64 56 10697 9316 1381 231.33 11 38665 1887 36778 67 22 11198 3696 7503 38.95 68 6510 11290 -4780 K9082-01 399.17 21 33 8383 13070 -4688 54 37 21555 14878 6678 65 22 25946 8851 17095 109.33 86 43643 34497 9146 33 96 13173 38489 -25317 54.35 3 21695 1108 20587 K260033-01 73 49 78 KF224-02B 148.37 96 33 14244 4911 9333 144 93 21365 13837 7528 316 279 46885 41354 5531 699.67 444 103810 65942 37868 75 92 11128 13701 -2573 110.2 152 16350 22606 -6256 KF251-01 276.71 86 26 23797 7074 16723 61 63 16879 17356 -477 17 20 4704 5500 -796 137.33 50 38002 13939 24063 60 25 16603 6855 9748 52.25 6 14458 1722 12737 -1947 KF295-01 159.35 9 6 1434 1026 408 85 69 13545 10948 2597 22 12 3506 1942 1564 43.333 17 6905 2630 4275 34.5 28 5498 4439 1059 12.925 25 2060 4006 KF537-04 216.62 198 181 42891 39101 3790 9 205 1950 44304 -42355 17 37 3683 8033 -4350 254.33 9 55094 1885 53208 79.5 113 17221 24472 -7251 3.975 1 861 146 715 KF587-04 221.96 43 33 9544 7218 2326 13 59 2885 13149 -10264 36 39 7991 8714 -723 71.333 39 15833 8595 7238 26 42 5771 9393 -3622 15.65 5 3474 1118 2356 12855 KF594-01 236.57 98 96 23184 22610 574 35 65 8280 15281 -7001 27 51 6387 12110 KM10993-01 411.64 58 51 23875 21039 2836 67 8 27580 3325 24255 39 33 16054 13614 KM11004-01 415.16 19 121 7888 50208 -42320 106 76 44007 31521 12486 196 121 81371 50353 -5722 162 2440 67.667 31018 653 2 38324 386 37938 41.5 1 9818 350 1 13195 340 34 27854 13874 13980 11 25 4528 10490 -5961 9467 55.775 14.5 6 5969 2360 3609 118 271099 48790 222309 208 60 86353 25079 61274 190 72 78880 29895 48985 KM136-01 259.18 9 4 2333 1067 1265 44 66 11404 17032 -5628 12 18 3110 4603 -1493 172 87 44579 22468 22111 52.5 32 13607 8314 5292 33.125 KM168-01 508.65 283 234 143948 118870 25078 214 270 108851 137273 -28422 166 133 84436 67484 16951 411 238 209055 121145 87910 12 59 6104 30174 -24070 89.05 KM168-02 571.5 37 65 21146 36937 -15791 4 14 2286 7862 -5576 98 97 56007 55159 848 89 31 50864 17878 32985 14.5 28 8287 15988 -7701 3.725 3 2129 1941 188 KM173-01 338.53 78 160 26405 54156 -27751 23 30 7786 10168 -2382 45 42 15234 14246 987 483.33 217 163623 73376 90247 225.5 265 76339 89761 -13423 155.93 151 52785 51232 1553 -62998 880 56683 7706 -11387 KM639-02 232.57 327 393 76050 91391 -15341 136 49 31630 11329 20301 289 54 67213 12488 346 91633 80562 11071 3 274 698 63696 77 24 17908 5645 12262 218.15 108 56 23560 12161 11399 60 62 13089 13512 -423 58 39 12653 8511 4142 101.33 18 22106 3837 18269 24 4 5236 837 4399 15.2 51 3316 11146 -7830 SBA1002 14.41 80 78 1153 1124 29 50 58 721 835 -114 73 18 1052 257 794 54.333 15 783 214 568 127 71 1830 1016 814 58.6 8 844 122 722 SBA60026 30.65 102 27 3126 824 2302 166 36 5088 1107 3981 21 8 644 237 407 23 1533 704 828 15 42 460 1293 -833 66.75 34 2046 1029 1017 451.77 86 -11565 690.03 SN1106 SN9001 TOTAL 28.28 2190 524.11 256 4778 394 8585 45295 KM80203-01 SN31846 54725 3 111 50 29 38852 12937 25915 143 93 64603 42001 22602 271 261 122430 117908 4521 87.667 83 39605 37428 145 53987 65552 1243 61933 35156 26777 600 121 16968 3428 13540 382 411 10803 11620 -817 692.33 49 19579 1375 18204 819 889 23161 25144 215 134172 112547 21626 4 20 2096 10237 -8140 92 11 48218 5869 42349 554.67 240 290706 125926 164780 9.5 72 4979 37832 153897 2552 2015 25016 2676 2043 564538 216809 3256 864425 710528 589577 564561 781348 Tabla 4.14 Beneficio económico al aplicar la metodología ARIMA TOTAL ACUM $ ACTUAL $5,509,573 TOTAL ACUM $ ARIMA $4,009,425 6189 2522 1903884 863142 2177 119.5 1040741 2236 2511 442899 -1983 100 -32853 460.23 519634 -76736 2460 676 311733 305535 6198 311 2828 8803 -5975 375 241209 196628 44581 2271 927442 787022 140420 Fuente: Elaboración Propia GRAN TOTAL AHORRO $1,500,148 103 Capítulo 4 La tabla 4.13 muestra cuántos son los periodos que se mejoran al aplicar la metodología ARIMA para cada uno de los productos analizados, con esto, es posible entender desde la óptica teórica, cómo se comporta el método sugerido, ya que este es diseñado para ser tratado para cada producto de forma individual durante todos los periodos que se deseen estudiar, y así comprender cómo se va comportando la metodología a través del tiempo, lo que no se puede visualizar cuando se utiliza la forma de evaluación llevada a cabo actualmente por la empresa, ya que en ésta se evalúa a cada periodo con la totalidad de los productos. Finalmente, mencionamos durante el capítulo anterior que se realizó una evaluación de los beneficios económicos que se obtienen al utilizar la técnica sugerida. La tabla 4.14 muestra cuál es el costo unitario de cada uno de los productos evaluados y también cuál es el costo de la precisión de cada uno de ellos para los diferentes periodos estudiados. Este costo es calculado tanto para la técnica actual como para la sugerida, considerando que es aquí donde se genera la diferencia entre lo pedido y lo pronosticado. Es importante notar que la empresa se inclina por mantener una diferencia desfavorable en el cálculo de la precisión del pronóstico, debido principalmente a que esto conlleva a tener más piezas en el almacén en caso de que el pronóstico falle, pero se debe entender que con las diferencias que se presentan, existen errores de más del 100% lo que indudablemente debe ser considerado a la hora de valorizar el inventario. 104 CONCLUSIONES De los resultados obtenidos se puede ultimar lo siguiente: Primeramente al evaluar cada uno de los periodos con la técnica ARIMA, hemos encontrado que 5 de los 6 periodos evaluados con la técnica ARIMA son mejores en su precisión global. El periodo correspondiente al mes de Agosto resultó ser un 3% menor en la técnica ARIMA en comparación contra la técnica actual, por lo tanto se concluye que el primer objetivo perseguido en el presente trabajo se cumple satisfactoriamente, ya que de los 6 periodos estudiados de Abril a Septiembre 5 de ellos mejoran su precisión obteniendo que el 83.33% de los casos estudiados son mejores. Por otra parte al contrastar el segundo objetivo con los resultados obtenidos, encontramos que éste de igual forma es cubierto plenamente ya que cada producto de forma individual es mejorado al aplicar la técnica ARIMA en al menos el 50%, moviéndose este valor desde un 50% hasta algunos casos que alcanzan el 100%. Sin embargo debemos mencionar que existen 2 casos particulares en los que sólo se alcanza un 33.33% de mejora, que si bien es mejor en este mismo porcentaje que la técnica actual, no cubren con los objetivos planteados al inicio del presente trabajo, aunque de igual forma se pueden considerar como casos aislados. Una vez cumplidos nuestros objetivos, hemos de concluir también que las hipótesis planteadas son validas, ya que al utilizar otra técnica de pronóstico el porcentaje de precisión ha sido mejorado tanto global como individualmente ya que esta metodología se ajusta de mejor forma a las variaciones presentadas por la demanda. Por otra parte la empresa busca tener siempre la precisión desfavorable en términos negativos ya que esto conlleva a tener exceso de producto, con lo que busca una mejor reacción ante la solicitud de material por parte de los clientes, el costo de fallar en el pronóstico que se puede traducir en el costo de la precisión tanto positiva como negativamente, es de igual forma mejorado ya que con la técnica actual se obtiene un valor de $ 5,509,573 mientras que al aplicar el ARIMA se obtiene un valor de $4,009,425 lo que 105 Conclusiones arroja un ahorro de $1,500,148 que puede ser utilizado para enfocarse al mejoramiento de la técnica ARIMA. Con la metodología sugerida la precisión desfavorable, como la llama la empresa, sólo es mejor en un periodo, pero dado que nuestro objetivo es buscar mejorar la precisión este resultado no es el parámetro que se busque mejorar, ya que a través del tiempo conforme se vaya madurando la técnica, este valor deberá cada vez ser mejor ya que es una consecuencia de la precisión lograda. Se ha identificado que la empresa realiza la evaluación de su precisión utilizando el cociente de la sumatoria de las variaciones absolutas entre el total de los valores pronosticados, lo que es un error ya que cualquier cantidad que busque compararse debe hacerse contra su valor real y no contra el valor pronosticado. La elaboración del presente trabajo ha permitido definir una metodología nueva aplicable a todas aquellas organizaciones que se dedican al mercado de refacciones automotrices, sentando un precedente importante al intentar analizar el tipo de demanda presente en éstas, ya que por el mismo giro del negocio resulta bastante difícil pronosticarla, puesto que los factores que pueden influirla son excesivos, según se comento en su oportunidad durante el apéndice 2. Por lo tanto, se puede decir que la metodología propuesta obedece a un concepto general, ya que es posible que cualquier organización del mismo ramo pueda utilizarla para pronosticar su demanda considerando los factores que afecten cada una de ellas ya que éstos son exclusivos para cada compañía que decida emplearla. Del análisis del perfil de la empresa, se puede concluir que la empresa se encuentra situada generalmente alrededor de la media en todas las matrices utilizadas para determinar sus factores externos e internos, esto indica que las oportunidades para aprovechar sus fortalezas no están siendo explotadas de forma adecuada, por lo que no logran evitar sus amenazas contundentemente. Por otro lado a pesar de que el líder posee clara ventaja sobre los demás competidores la compañía presenta fortalezas interiores que al ser conocidas y utilizadas de forma efectiva, pueda lograr que la organización obtenga un mejor perfil competitivo y consiga alejarse con esto de aquellas situaciones que pudieran desbalancearla. Todo lo anterior está encaminado a llevar a la empresa del perfil competitivo en el cual se encuentra hoy en día a un perfil conservador con una fortaleza financiera estable, o en el mejor de los casos a un perfil intensivo. 106 Conclusiones Finalmente el análisis permite observar que la unidad estratégica de negocio está situada en aquellos puntos típicos de las divisiones que requieren “mantener y retener”. Aunque de igual forma, se sitúa en el límite de entre lo bajo y lo medio de los EFE. Por lo que se requiere comenzar a llevar a cabo las estrategias adecuadas, para no empeorar y tener que implementar algunas decisiones drásticas como desparecer o vender. Para evitar estas situaciones las estrategias sugeridas por la teoría son: • el desarrollo de productos, • la integración hacía adelante, • el desarrollo de mercados y • la penetración del mercado. 107 BIBLIOGRAFÍA 1. Adam, Ebert, 1991 Administración de la producción y operaciones conceptos, modelos y funcionamiento ed, Pearson Prentice hall, México, ISBN 968-880-221-2 2. Braverman, J., 1980, Probabilidad, lógica y decisiones gerenciales, Trillas, México, ISB 968-24-0807-5 3. Brockwell Peter J., 1996 Introduction to Time Series and Forecasting, SPRINGER TEXTS IN STATISTICS, New York, ISBN 0-387-94719-1 4. David Fred R, , 2003, Conceptos de Administración Estratégica, Prentice Hall, México, ISBN 970-26-0427-3 5. Diebold, F., 1999, Elementos de Pronósticos, International Thomson Editores, México D.F., ISBN 968 7529 74 1 6. E. George. P. Box, 1994 Time Series Analysis Forecasting and Control, Prentice Hall Internacional, Inc., New Jersey, ISBN 0-13-060774-6 7. Eppen, G., Gould, F., Schmidt, C., Moore, J., Weatherford, L., 2000, Investigación de operaciones en la ciencia administrativa, Prentice Hall, México D.F., ISBN 97017-0270-0 8. Hanke John E., Reitsch Arthur G., 1996 Pronósticos en los Negocios, Prentice Hall, México, ISBN 968-880-681-1 9. Hillier, F., Lieberman, G., 1993, Introducción a la investigación de operaciones, McGraw Hill, México, ISBN 968-422-993-3. 10. Makridakis, S., Wheelwright, S., 2000, Métodos de Pronósticos, Limusa, México, ISB 968-18-4879-9 11. Marshall, K., Oliver, R., 1995, Decisión making and forecasting, McGraw Hill, U.S.A. 12. Martín G., 2000, Curso de redacción, teoría y práctica de la composición y del estilo, Paraninfo Thomson Learning, Colombia, ISBN 84-283-2570-7 13. Mathor, K., Solow, D., 1996, Investigación de operaciones, El arte de la toma de decisiones, Prentice Hall, México, ISB 968-880-698-6 14. Pankratz Alan, 1983 Forecasting with Univariate Box-Jenkins Models, JOHN WILEY & SONS, New York, ISBN 0-471-09023-9 15. Plossl George W, 1993 Control de la producción y de Inventarios Principios y Técnicas, Prentice Hall, México, ISBN 0-13-725144-0 108 16. Schroeder, R., 1996 Administración de operaciones, toma de decisiones en la función de operaciones, McGraw Hill, México, ISBN 970-10-0088-9 17. Taha, H., 1998, Investigación de operaciones una introducción, Prentice Hall, México, ISBN 970-17-0166-6 Revistas 18. Indicadores económicos, Noviembre 2006, Instituto Nacional de Estadística Geografía e Informática 19. Melgar, Luis, 2005, estudio de parque vehicular mexicano, Melgar y asociados. 20. Solís M, Benito, Junio 2006 Análisis del entorno económico en 2006, Asociación Mexicana de distribuidores Automotrices 21. Reporte económico de coyuntura, Julio 2006, Asociación Mexicana de distribuidores Automotrices. 109 APÉNDICE 1: Los 100 vehículos de mayor circulación en México MARCA NISSAN VW VW G.M. VW NISSAN VW NISSAN DAIMLERCHRYSLER G.M. FORD DAIMLERCHRYSLER G.M. DAIMLERCHRYSLER DAIMLERCHRYSLER FORD G.M. DAIMLERCHRYSLER VW VW DAIMLERCHRYSLER FORD HONDA HONDA G.M. FORD FORD FORD G.M. VW FORD NISSAN NISSAN G.M. NISSAN PEUGEOT VW RENAULT DAIMLERCHRYSLER FORD FORD SEAT G.M. SEAT FORD G.M. DAIMLERCHRYSLER DAIMLERCHRYSLER G.M. DAIMLERCHRYSLER FORD FORD FORD FORD G.M. G.M. FORD VW G.M. FORD FORD VW SEAT TOYOTA FORD BMW VW G.M. VW DAIMLERCHRYSLER G.M. G.M. DAIMLERCHRYSLER FORD NISSAN FORD DAIMLERCHRYSLER TOYOTA FORD VW TOYOTA VW NISSAN NISSAN DAIMLERCHRYSLER NISSAN G.M. DAIMLERCHRYSLER EMPRESA, MARCA Y MODELO TSURU (TODAS SUS VERSIONES) SEDÁN JETTA (TODAS SUS VERSIONES) CHEVY NACIONAL POINTER (INCLUYE SU VERSIÓN GTI) SENTRA NACIONAL GOLF (TODAS SUS VERSIONES) PLATINA STRATUS CHEVY MONZA TOPAZ NEÓN CAVALIER SHADOW SPIRIT (TODAS SUS VERSIONES) FIESTA CORSA SEDÁN ATOS CARIBE DERBY IMPORTADO DART K FOCUS CIVIC ACCORD NACIONAL ASTRA FIESTA IKON LTD/ GRAND MARQUIS NACIONAL KA MALIBU POINTER WAGON ESCORT IMPORTADO TSUBAME (TODAS SUS VERSIONES) DATSUN CUTLASS ALTIMA PEUGEOT 206 ATLANTIC CLIO NACIONAL VOLARE K GHIA CONTOUR IBIZA 2 PUERTAS SUNFIRE CORDOBA FAIRMONT EUROSPORT VERNA PHANTOM CELEBRITY CIRRUS MUSTANG NACIONAL COUGAR NACIONAL B MYSTIQUE MONDEO CHEVY IMPORTADO CENTURY LTD/ GRAND MARQUIS IMPORTADO NEW BEETLE CORSA THUNDERBIRD NACIONAL B FIESTA SEDÁN POLO 4 PUERTAS IBIZA 4 PUERTAS RAV 4 ESCORT NACIONAL SERIE 3 CORSAR MERIVA BORA NEW YORKER CHEVY STATION WAGON MATIZ DODGE DART MUSTANG IMPORTADO HATCH BACK SAMURAI SABLE LE BARON COROLLA TAURUS LUPO 4 PUERTAS SIENNA PASSAT (TODAS SUS VERSIONES) MAXIMA STATION WAGON CRUISER ALMERA GRAND AM LE BARON K ACUMULADO PARTICIPACION PARTICIPACION 1972-2005 POR MODELO ACUMULADA 1,083,420 13.25% 13.25% 763,423 9.34% 22.59% 488,146 5.97% 28.57% 455,660 5.57% 34.14% 311,452 3.81% 37.95% 273,272 3.34% 41.29% 211,460 2.59% 43.88% 190,967 2.34% 46.22% 186,628 2.28% 48.50% 175,191 2.14% 50.64% 170,605 2.09% 52.73% 167,260 2.05% 54.78% 149,953 1.83% 56.61% 130,461 1.60% 58.21% 122,019 1.49% 59.70% 110,451 1.35% 61.05% 109,275 1.34% 62.39% 101,746 1.24% 63.63% 97,624 1.19% 64.83% 90,003 1.10% 65.93% 88,079 1.08% 67.01% 86,118 1.05% 68.06% 82,262 1.01% 69.07% 74,295 0.91% 69.98% 74,245 0.91% 70.88% 65,866 0.81% 71.69% 65,382 0.80% 72.49% 61,612 0.75% 73.24% 61,454 0.75% 73.99% 60,708 0.74% 74.74% 56,588 0.69% 75.43% 52,436 0.64% 76.07% 51,631 0.63% 76.70% 48,847 0.60% 77.30% 48,552 0.59% 77.89% 44,349 0.54% 78.44% 43,822 0.54% 78.97% 43,055 0.53% 79.50% 42,967 0.53% 80.03% 40,809 0.50% 80.52% 36,399 0.45% 80.97% 36,394 0.45% 81.42% 32,042 0.39% 81.81% 31,155 0.38% 82.19% 30,460 0.37% 82.56% 30,198 0.37% 82.93% 30,143 0.37% 83.30% 29,812 0.36% 83.66% 27,779 0.34% 84.00% 27,312 0.33% 84.34% 27,151 0.33% 84.67% 27,031 0.33% 85.00% 26,848 0.33% 85.33% 26,540 0.32% 85.65% 26,115 0.32% 85.97% 25,733 0.31% 86.29% 23,544 0.29% 86.58% 21,864 0.27% 86.84% 21,442 0.26% 87.11% 21,319 0.26% 87.37% 19,021 0.23% 87.60% 18,984 0.23% 87.83% 18,892 0.23% 88.06% 18,695 0.23% 88.29% 18,284 0.22% 88.52% 18,209 0.22% 88.74% 18,136 0.22% 88.96% 17,753 0.22% 89.18% 17,211 0.21% 89.39% 16,956 0.21% 89.60% 16,914 0.21% 89.80% 16,733 0.20% 90.01% 16,401 0.20% 90.21% 16,324 0.20% 90.41% 16,299 0.20% 90.61% 15,946 0.20% 90.80% 15,507 0.19% 90.99% 15,245 0.19% 91.18% 15,223 0.19% 91.36% 14,288 0.17% 91.54% 13,973 0.17% 91.71% 13,592 0.17% 91.88% 13,586 0.17% 92.04% 13,325 0.16% 92.21% 13,169 0.16% 92.37% 13,125 0.16% 92.53% 12,949 0.16% 92.69% 12,937 0.16% 92.84% AÑO AÑO INICIA TERMINA 1984 2005 1972 2005 1987 2005 1995 2005 1997 2005 1995 2005 1987 2005 2002 2005 1995 2005 1996 2005 1983 1994 1994 2005 1990 2005 1988 1994 1989 1995 1998 2005 2002 2005 2000 2005 1977 1990 1992 2005 1982 1989 1999 2005 1996 2005 1995 2005 2000 2005 2001 2005 1991 1995 2001 2005 1997 2005 1998 2005 1994 2000 1986 2004 1972 1984 1986 1997 1995 2005 1999 2005 1980 1991 2001 2005 1982 1989 1990 1994 1995 2002 2001 2005 1996 2005 2001 2005 1978 1983 1986 1996 2003 2005 1986 1994 1981 1991 1995 2005 1972 1984 1984 1992 1994 2002 2001 2005 2000 2003 1983 1997 1995 2004 1998 2005 2001 2005 1984 1992 2005 2005 2003 2005 2003 2005 2003 2005 1995 2002 1997 2005 1983 1991 2003 2005 2005 2005 1984 1994 1999 2004 2003 2005 1972 1982 1994 2005 1980 1992 1994 2005 1977 1996 2002 2005 1988 1991 2004 2005 2003 2005 1990 2005 1990 2005 1972 1984 2000 2005 2001 2005 1999 2005 1983 1987 Tabla A.1 Vehículos ligeros de mayor circulación en México Fuente: Elaboración Propia tomado de estudio de parque vehicular mexicano 2005, Melgar y asociados. 111 MARCA NISSAN NISSAN DAIMLERCHRYSLER G.M. FORD FORD G.M. G.M. DAIMLERCHRYSLER DAIMLERCHRYSLER FORD VW DAIMLERCHRYSLER G.M. FORD FORD FORD FORD NISSAN FORD G.M. DAIMLERCHRYSLER FORD VW G.M. NISSAN FORD G.M. DAIMLERCHRYSLER FORD HONDA G.M. G.M. G.M. NISSAN FORD G.M. G.M. G.M. DAIMLERCHRYSLER FORD G.M. DAIMLERCHRYSLER G.M. DAIMLERCHRYSLER G.M. VW TOYOTA NISSAN DAIMLERCHRYSLER DAIMLERCHRYSLER HONDA DAIMLERCHRYSLER FORD G.M. TOYOTA NISSAN FORD FORD DAIMLERCHRYSLER G.M. VW FORD DAIMLERCHRYSLER NISSAN DAIMLERCHRYSLER FORD NISSAN DAIMLERCHRYSLER G.M. MITSUBISHI NISSAN FORD DAIMLERCHRYSLER G.M. G.M. G.M. DAIMLERCHRYSLER DAIMLERCHRYSLER VW G.M. VW FORD G.M. G.M. NISSAN RENAULT VW EMPRESA, MARCA Y MODELO CHASIS (TODAS SUS VERSIONES) PICK UP (TODAS SUS VERSIONES) RAM 1500/ RAM CHARGER/ D 150/ AD 150/ AW 150 C 20/ C 2500 117"/ SILVERADO 2500 IMPORTADO F 350 137" F 150 117" PICK UP C 15/ C 1500 117"/ SILVERADO 1500 IMPORTADO C 35 135" CABINA RD/ C3500 R.D. VOYAGER RAM 3500/ D 350 F 250 117" PICK UP PANEL RAM 2500/ D 250 SUBURBAN LOBO WINDSTAR RANGER F 200 XTRAIL ECOSPORT P 30 LIBERTY EXPLORER COMBI LUV ESTACAS (TODAS SUS VERSIONES) ESCAPE SILVERADO CHEROKEE COURIER CR-V BLAZER IMPORTADO VENTURE GEO TRACKER ICHI VAN EXPEDITION BLAZER/ MAXI-CAB (NACIONALES) CHEVY VAN C 30/35 PD 600 F-450 S 10 D 100 TORNADO PICK UP CLUB CAB CHEVY PICK UP IMPORTADO POINTER PICK UP RAV 4 URVAN CARGA RAM VAN DURANGO ODISSEY RAM WAGON P 350 137" CHASIS R.S. SILVERADO 1500 NACIONAL SIENNA PATHFINDER ECONOLINE F 100 DM 350 CS 1073 PICK UP EURO CARGA CLUB WAGON H-100 FRONTIER D 300 FREESTAR URVAN PASAJEROS RAM 2500 IMPORTADA EQUINOX OUTLANDER XTERRA B 100 WRANGLER SONORA CHEVY PICK UP NACIONAL C 60/65 RAM 4X4/ W 250 RAM 3500 IMPORTADA SHARAN COLORADO DOBLE CABINA EURO PASAJE B 150 AZTEK UPLANDER MURANO KANGOO VW VAN ACUMULADO PARTICIPACION PARTICIPACION 1972-2005 /MODELO ACUMULADA 266,372 6.36% 6.36% 244,157 5.83% 12.20% 237,930 5.68% 17.88% 236,927 5.66% 23.54% 225,867 5.40% 28.93% 197,720 4.72% 33.66% 173,701 4.15% 37.81% 132,467 3.16% 40.97% 130,970 3.13% 44.10% 116,868 2.79% 46.89% 112,702 2.69% 49.58% 103,125 2.46% 52.05% 98,344 2.35% 54.39% 93,438 2.23% 56.63% 83,671 2.00% 58.63% 78,508 1.88% 60.50% 75,833 1.81% 62.31% 65,283 1.56% 63.87% 59,417 1.42% 65.29% 59,294 1.42% 66.71% 56,892 1.36% 68.07% 51,473 1.23% 69.30% 51,392 1.23% 70.52% 42,107 1.01% 71.53% 41,396 0.99% 72.52% 41,188 0.98% 73.50% 40,066 0.96% 74.46% 37,472 0.90% 75.35% 36,388 0.87% 76.22% 35,285 0.84% 77.07% 34,096 0.81% 77.88% 34,013 0.81% 78.69% 32,773 0.78% 79.48% 31,046 0.74% 80.22% 29,662 0.71% 80.93% 25,753 0.62% 81.54% 24,235 0.58% 82.12% 23,745 0.57% 82.69% 21,991 0.53% 83.21% 21,961 0.52% 83.74% 21,901 0.52% 84.26% 20,583 0.49% 84.75% 20,055 0.48% 85.23% 20,055 0.48% 85.71% 20,042 0.48% 86.19% 19,197 0.46% 86.65% 19,092 0.46% 87.10% 18,695 0.45% 87.55% 18,326 0.44% 87.99% 17,867 0.43% 88.41% 17,492 0.42% 88.83% 16,342 0.39% 89.22% 15,432 0.37% 89.59% 14,635 0.35% 89.94% 14,462 0.35% 90.29% 13,973 0.33% 90.62% 13,533 0.32% 90.94% 13,428 0.32% 91.26% 12,275 0.29% 91.56% 12,164 0.29% 91.85% 11,785 0.28% 92.13% 11,674 0.28% 92.41% 10,901 0.26% 92.67% 10,826 0.26% 92.93% 10,782 0.26% 93.18% 10,778 0.26% 93.44% 10,436 0.25% 93.69% 9,968 0.24% 93.93% 9,937 0.24% 94.17% 9,407 0.22% 94.39% 9,382 0.22% 94.62% 8,938 0.21% 94.83% 8,525 0.20% 95.03% 8,423 0.20% 95.23% 8,111 0.19% 95.43% 7,334 0.18% 95.60% 7,203 0.17% 95.77% 7,094 0.17% 95.94% 7,070 0.17% 96.11% 7,036 0.17% 96.28% 6,208 0.15% 96.43% 5,885 0.14% 96.57% 5,876 0.14% 96.71% 5,628 0.13% 96.85% 5,543 0.13% 96.98% 5,354 0.13% 97.11% 4,851 0.12% 97.22% 4,748 0.11% 97.33% AÑO INICIA 1972 1974 1980 1985 1972 1979 1979 1988 1990 1980 1991 1973 1985 1986 1996 1994 1995 1985 2001 2003 1981 2001 1990 1972 1997 1975 2000 1994 1992 2000 2002 1994 1997 1992 1987 1996 1990 1994 1979 1972 1997 1994 1972 2003 1995 1999 1998 2003 1999 1996 1997 1999 1993 1989 2004 2003 1996 1994 1972 1988 1972 2001 1994 2002 2000 1972 2004 1999 2002 2004 2003 1999 1973 1991 2000 1998 1979 1985 2004 2001 2004 2001 1975 2000 2004 2003 2003 2002 AÑO TERMINA 2005 2005 2004 2005 2005 2005 2005 2005 2005 2003 2005 2002 2004 2005 2005 2004 2005 1991 2005 2005 2005 2005 2005 2002 2005 2005 2005 2002 2005 2005 2005 2005 2005 2005 1994 2005 1994 2005 1987 1984 2005 2004 1979 2005 2005 2004 2005 2005 2005 2004 2005 2005 2004 1997 2005 2005 2005 2005 1978 1993 1978 2005 2005 2005 2005 1979 2005 2005 2005 2005 2005 2005 1981 2005 2005 2000 1987 1993 2005 2005 2005 2005 1985 2005 2005 2005 2005 2005 Tabla A.2 Camionetas de mayor circulación en México Fuente: Elaboración Propia tomado de estudio de parque vehicular mexicano 2005, Melgar y asociados. 112 Apéndice 2 Situación macroeconómica de México como factor modificador de la demanda (breve análisis) A.2 SITUACIÓN MACROECONÓMICA DEL PAÍS BREVE ANÁLISIS Todas las economías mundiales buscan su consolidación y crecimiento para poder otorgar un beneficio a los habitantes de cada país, y además ejercer su poderío hacia el exterior tratando de dominar a naciones que presenten economías débiles. Lo anterior ha sido la historia de la humanidad desde que el hombre apareció en la tierra y buscaba tener el liderazgo de grupo al que pertenecía ya que esto le permitía acceder primero a todo lo que su sociedad conseguía por el esfuerzo de grupo. Es así que la naciones llamadas en desarrollo viven siempre ligadas al avance de las más poderosas, es decir, son dependientes tanto de su tecnología como del desarrollo mismo que la economía de estos países logren alcanzar, debido a que generalmente las naciones débiles acceden como proveedores de bienes para los países industrializados. México no es la excepción, y dado que no pertenece al selecto grupo de naciones con economías desarrolladas, entonces debe buscar los mecanismos que le ayuden a fortalecer su posición dentro del ámbito económico. Para lo que ha realizado ya varios intentos desde gobiernos anteriores, pero aún no se han presentado resultados que permitan vislumbrar un horizonte claro. Para lograr que una nación alcance un desarrollo importante se deben tener los recursos económicos que permitan solventar todas las necesidades que el país 113 requiere mediante el sostenimiento de un modelo económico. De hecho en México sólo se han tenido dos periodos con crecimiento económico sostenido y han sido durante los años 1884-1911 con el gobierno de Porfirio Díaz, aunque en este periodo no se gastaba en desarrollo humano pero existían finanzas sanas. El otro periodo fue de 1946-1971 donde existieron finanzas sanas pero no hubo desarrollo humano. Desafortunadamente todos los gobiernos concluidos a partir de 1970 se han caracterizado por la ocurrencia de crisis económicas abruptas lo que no ha permitido el sostenimiento de ningún modelo económico, o mejor dicho hemos sido gobernados por individuos pretenciosos que sólo han buscado el bienestar personal olvidando el desarrollo de la población y de el país. A continuación se presentan aquellos indicadores macroeconómicos que permitirán obtener un escenario de la situación económica del país A.2.2 PRODUCTO INTERNO BRUTO. El comportamiento de la economía en México se puede considerar en general como buena, el PIB en el primer periodo del 2006 ha sido de 5.5 % a la alza, lo que refleja un crecimiento de 3.1% respecto al mismo periodo del año anterior. Esta dinámica económica del PIB refleja que la economía mexicana está creciendo, lo interesante es comparar como se comporta este crecimiento contra el saldo de la cuenta corriente para saber en que nivel se encuentra el país. PRODUCTO INTERNO BRUTO TRIMESTRAL % VARIACION REAL ANUAL 5.5 6 PORCENTAJE 5 4 3 3.3 3.4 2.7 2.4 2 1 0 I - 05 II - 05 III - 05 IV - 05 I - 06 PERIODO 114 A2.3 SALDO DE LA CUENTA CORRIENTE COMO PORCENTAJE DEL PIB Un indicador mundialmente aceptado para conocer el desarrollo de la economía de un país, es el déficit de la cuenta corriente en porcentaje con respecto al PIB, es así que el FMI ha estipulado que cuando el déficit de la cuenta corriente se encuentra por encima del 5% con relación del PIB, es muy difícil que se pueda controlar por lo que seguramente existirá un problema en esa economía. Lo que el FMI recomienda es mantener el déficit por debajo del 4% para que la economía funcione adecuadamente. Tomando en consideración lo anterior y observando la siguiente gráfica, se puede notar que el déficit de la cuenta corriente en México ha tenido demasiados picos, pero a partir de el año 2000 el que concluyó con un déficit de 3.2%, la presente administración ha estado intentando bajar este indicador, logrando que en el 2004 éste se haya situado por debajo del 1%. Debido a que el precio del petróleo se incremento por encima de los 30usd por barril, y las remesas se situaron por encima de los 16 millones de dólares, se logro que el déficit se situara por debajo del 1%, lo que indica que la economía se sigue sosteniendo sin problema, además, podemos adicionar el hecho de que la inflación estuvo por debajo de lo esperado. 2004 2003 2002 2001 2000 1999 1998 1997 1996 1995 1994 1993 1992 1991 1990 1989 -1.00% 1988 SALDO DE LA CUENTA CORRIENTE COMO % DEL PIB 0.00% PORCENTAJE -2.00% -3.00% -4.00% -5.00% -6.00% -7.00% -8.00% AÑOS 115 A2.4 ÍNDICE GLOBAL DE LA ACTIVIDAD ECONÓMICA. Con un desempeño favorable en el sector Servicios (3.6%) y reducción en Industria y Agropecuario (-0.8% y -1.6%), el IGAE avanzó 1.8% durante el cuarto mes del año. Al respecto, hay que considerar el efecto de "semana santa", que limita los resultados, en términos de actividad productiva de abril de 2006. Conviene precisar también que la dinámica registrada en el primer Trimestre del año, con un crecimiento de 5.5% a tasa anual, se mantiene, puesto que, aislando el efecto de "semana santa", la actividad económica creció a un ritmo de 5.5% durante abril. En el corto plazo, las cifras desestacionalizadas también reflejan una tendencia positiva de marzo a abril de 2006, con un crecimiento de 0.79%. ÍNDICE GLOBAL DE LA ACTIVIDAD ECONOMÍA VARIACION % ANUAL 7 5 4 3 1.8 2 May-06 Abr-06 Mar-06 Feb-06 Dic-05 Ene-06 Oct-05 Nov-05 Sep-05 Ago-05 Jul-05 Jun-05 Abr-05 May-05 Mar-05 0 Feb-05 1 Ene-05 PORCENTAJE 6 MES/AÑO A pesar de la buena marcha de la economía, es importante señalar que el decremento del sector industrial en el mes que se reporta se explica en su totalidad por el descenso en Manufacturas, por lo que habremos de dar seguimiento permanente a este importante indicador 116 A2.5 ÍNDICE DE CONFIANZA DEL CONSUMIDOR Los cinco componentes evaluados para la construcción del índice de Confianza del consumidor mostraron resultados favorables, al compararlos con el 2005, de tal forma que el ICC se ubicó en 109.7, lo que representó un avance de 8.4%, a tasa anual. La situación económica actual y esperada, fueron tos aspectos mejor evaluados, seguido de posibilidades de adquisición de bienes de largo plazo, por parte de las familias; aspecto que es de relevancia para las expectativas de ventas de nuestro sector. INDICE DE CONFIANZA DEL CONSUMIDOR (ENERO 2003=100) 115 109.7 110 105 100 95 Jul-06 May-06 Mar-06 Ene-06 Nov-05 Sep-05 Jul-05 May-05 Mar-05 Ene-05 90 PERIODO A2.5.1 INVERSIÓN FIJA BRUTA. En abril de 2006 se atenuó el ritmo de crecimiento de la inversión, pues respecto a mismo mes de 2005 sólo creció 3.6%. Este resultado se explica por el efecto "Semana Santa", el que también dio lugar a un mal resultado en el corto plazo, ya que la variación marzo-abril de 2006 fue de -0.21%. De forma acumulada el indicador de la inversión fija bruta ha crecido 10.4% en el año. La dinámica de la inversión se debe principalmente a la adquisición de maquinaria y equipo, la que en el cuarto mes del año mostró crecimiento únicamente en los bienes de origen importado. Además es destacable la contracción de la demanda de vehículos nuevos en el mes, aspecto clave en la contracción de bienes nacionales (-2.8%). 117 INDICADOR DE LA IFBT (VAR % ANUAL) 18 16 PORCENTAJE 14 12 10 8 6 4 2 May-06 Abr-06 Mar-06 Feb-06 Ene-06 Dic-05 Nov-05 Oct-05 Sep-05 Ago-05 Jul-05 Jun-05 May-05 Abr-05 Mar-05 Feb-05 Ene-05 0 PERIDODO A2.6 EMPLEO Y DESEMPLEO Durante el quinto mes de 2006, la tasa de desocupación nacional fue de 2.88% de la población económicamente activa, lo que la ubica 0.39 puntos por debajo del nivel registrado el mismo mes del año anterior, mientras que el comparativo mensual (con datos desestacionalizados) indica prácticamente el mismo nivel de empleo en mayo que en abril de este año (sólo se redujo 0.08%). La tasa de desocupación en las 32 principales áreas urbanas del país muestra un nivel mayor al nacional, con 3.81% de la PEA. Otro indicador importante de la situación que guarda el empleo en México es el personal ocupado en el sector manufacturero, el que mantiene su tendencia en descenso de largo plazo, pues al cierre de abril registró un decremento de 0.1% respecto a mismo mes de 2005, aunque el comparativo de corto plazo (con cifras desestacionalizadas) indican un crecimiento de 0.13% en abril respecto a marzo de 2006. En lo que respecta al nivel de empleo en la Industria Maquiladora de Exportación, éste se mantiene en ascenso. La información de abril de 2006 indica un crecimiento anualizado de 2.9%, al dar empleo a 1,199,331 personas, siendo los empleados administrativos y los técnicos de producción los que mostraron mayor dinámica. En tanto que la contratación de obreros muestra menor dinámica. 118 En cuanto a actividad económica, once de las 12 que integran este sector mostraror crecimiento, entre las que destaca la construcción, reconstrucción y ensamble de equipo de transporte. jun-06 may-06 abr-06 mar-06 feb-06 ene-06 dic-05 nov-05 oct-05 sep-05 ago-05 jul-05 jun-05 may-05 abr-05 mar-05 feb-05 4.5 4 3.5 3 2.5 2 1.5 1 0.5 0 ene-05 PORCENTAJE TASA DE DESOCUPACION (% DE LA PEA) PERIODO A2.7 PRECIOS Con un incremento en los precios de los bienes y servicios que integran el INPC de 0.09% al sexto mes de 2006 se coloca como el tercer mes de junio más bajo en inflación de los últimos diez años La variación de 0.09% registrada por el INPC en el sexto mes del año ubica a la inflación anualizada en un nivel del 3.18%, el nivel acumulado registrado al mes previo (3%). La principal contribución al aumento de la inflación se explica por el comportamiento de las cotizaciones de los servicios y el menor descenso de los precios de productos agrícolas. Si bien, la política monetaria (restrictiva) aplicada por el Banco de México ha permitido mantener un ritmo descendente en la inflación, conviene precisar que, por el lado de los costos, aún tenemos focos rojos que podrían afectar dicho desempeño. 119 Así lo muestra el índice nacional de precios al productor, el que registró un incremento de 0.64% en el mes que se reporta y de 5.86% en términos anualizados, constituyéndose en un factor de presión para la estabilidad de los precios al consumidor. INDICE NACIONAL DE PRECIOS AL CONSUMIDOR (VARIACION % MENSUAL) 80% 40% 0.09% 20% jun-06 may-06 abr-06 mar-06 feb-06 ene-06 dic-05 nov-05 oct-05 sep-05 ago-05 jul-05 jun-05 may-05 abr-05 -40% mar-05 -20% feb-05 0% ene-05 PORCENTAJE 60% -60% PERIODO A2.8 VARIACIÓN EN LAS TASAS DE INTERÉS Las tasas de interés domésticas se mantienen en niveles bajos. La referencia de CETES a 28 días se mantuvo en 7.02% en promedio en junio, al igual que en el mes previo. Al 12 de julio, este indicador se colocó en 7.04%. Similar comportamiento sigue la tasa de Interés Interbancaria de Equilibrio (TIIE) a 28 días, al pasar de 7.32% a 7.33%, de mayo a junio de 2006. Cabe destacar que la estabilidad de los principales indicadores del mercado financiero mexicano se mantuvo, pese al nuevo incremento en las tasas de referencia de E.U.A. anunciado el 29 de junio, con lo que se colocaron en un nivel de 5.25%. Por su parte, la BMV, luego de la alta volatilidad registrada en el mes de mayo, en junio mostró una importante recuperación, con lo que el principal indicador regresó a la senda de los 19 mil puntos, debido al incremento de 2.52% respecto al nivel promedio de mayo. Con información disponible al 11 de julio, se observa que la tendencia ascendente se mantiene, pues el IPC llegó a 19,570 puntos. Es conveniente destacar que, el proceso electoral del 2 de julio no afectó de manera negativa el desempeño del mercado de valores mexicanos. 120 TASAS DE INETERES DOMESTICAS (%) PORCENTAJE 10.00 9.00 CETES 8.00 TIIE 7.00 Jul-06 May-06 Mar-06 Ene-06 Nov-05 Sep-05 Jul-05 May-05 Mar-05 Ene-05 6.00 PERIODO En lo referente al tipo de cambio del peso mexicano respecto al dólar, junio también fue de comportamiento negativo, ya que el tipo de cambio de nuestra moneda frente al dólar registró una caída 2.6%, al pasar de 11.09 a 11.39 pesos por dólar americano. En este escenario y ante la expectativa de probables aumentos a las tasas de interés tanto de la FED como del Banco Central Europeo el segundo semestre del año, dados los resultados y expectativas de inflación, es probable que la paridad peso-dólar se mantenga en niveles superiores a los 11 pesos, aunque podría no superar los $11.40. De hecho, al 17 de junio, la paridad peso-dólar se ubicó en 11.027. TIPO DE CAMBIO PESO-DOLAR (FIX PROMEDIO MENSUAL) Jul-06 May-06 Mar-06 Ene-06 Nov-05 Sep-05 Jul-05 May-05 Mar-05 Ene-05 11.6000 11.4000 11.2000 11.0000 10.8000 10.6000 10.4000 10.2000 10.0000 PERIODO 121