“Metodología para calcular el pronóstico de la demanda y una

Transcripción

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
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
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
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
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
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
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
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
Amenazas: A
Calidad
de
los
productos
asiáticos
considerable
Precio menor de los productos asiáticos,
Cobertura de las aplicaciones de mayor
movimiento
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
16
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
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)
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
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
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
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
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
20
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
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
0.1
----------
----------
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
----------
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
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
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
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
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
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
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
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
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
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
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
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
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
38
Costo
relativo
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
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.
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 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
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
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
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
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.
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.
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.
¿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
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
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
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
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
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
•
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
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
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
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
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
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
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.
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
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
KM639-02
ARTICULO KM80203-01
4000
800
3500
700
3000
600
DEMANDA REAL
DEMANDA REAL
ARTICULO KM639-02
2500
2000
1500
500
400
300
1000
200
500
100
0
0
PERIODO
SN1106
PERIODO
KM80203-01
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
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
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
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
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
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”.
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.
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
90
Estudio de Caso
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)
para el artículo KF224-02B
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)
para el artículo KM11004-01
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
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)
para el artículo K9082-01
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
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
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
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
48%
Tabla 4.8 Resultados obtenidos para ambas metodologías durante el periodo de Mayo
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
68%
Tabla 4.9 Resultados obtenidos para ambas metodologías durante el periodo de Junio
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
Tabla 4.10 Resultados obtenidos para ambas metodologías durante el periodo de Julio
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
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
50%
Tabla 4.11 Resultados obtenidos para ambas metodologías durante el periodo de Agosto
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
si
Tabla 4.12 Resultados obtenidos para ambas metodologías durante el periodo de Septiembre
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
102
Estudio de Caso
Número
$ UN
ABRIL
MAYO
JUNIO
JULIO
AGOSTO
PRECISION
PRECISION
PRECISION
PRECISION
PRECISION
Actual ARIMA $ Actual $ ARIMA
DIF
DIF
DIF
Actual ARIMA
$ Actual
$ ARIMA
DIF
SEPTIEMBRE
PRECISION
DIF
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
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

“Metodología para calcular el pronóstico de la demanda y una

Transcripción

Documentos relacionados

Presentación de PowerPoint

APLICACIONES METEOROLOGICAS DE LOS RADARES EN EL

Diapositiva 1

Pronóstico del tiempo - Universidad Nacional de La Plata

Análisis Estadístico de Datos Climáticos Análisis Estadístico de