Feeds RSS
Feeds RSS

domingo, 11 de abril de 2010

5.3 Metodos cuantitativos


Los modelos cuantitativos de pronóstico son modelos matemáticos que se basan en datos históricos. Estos modelos suponen que los datos históricos son relevantes para el futuro. Casi siempre puede obtenerse información pertinente al respecto.

Básicamente podemos clasificar los métodos de pronóstico en dos grandes grupos: cualitativos y cuantitativos. Se emplean varias metodologías en diferentes empresas o aún en una misma empresa en función del horizonte temporal, la urgencia en la toma de decisiones y la información disponible. Cuando la situación no es clara y hay pocos datos, como por ejemplo al estudiar el lanzamiento de un producto innovador o una nueva tecnología, se recurre a métodos cualitativos, donde prevalece la intuición. Por el contrario, cuando la situación es más estable y existen datos históricos, se suelen utilizar los métodos cualitativos.

Se caracterizan por la ausencia total de los propios expertos en el proceso de identificación. La filosofía que subyace en estos métodos es que no se considera que sea más experto aquel que se prodiga más, el que este mejor relacionado, o el que incorpora de manera sistemática sus datos en cualesquiera paginas web y/o formularios. El experto es realmente el que conoce y domina una materia y participa en la generación de ese conocimiento. Los métodos objetivos facilitan la localización de expertos menos visibles y evitan la endogamia y el clientelismo inherentes a todo proceso de identificación, o bien los relacionados con la auto nominación y las nominaciones cruzadas interesadas.



Modelos cuantitativos de Pronósticos


Regresión Lineal. Modelo que utiliza el método de los mínimos cuadros para identificar la relación entre la variable dependiente y una o más variables independientes, presentes en un conjunto de observaciones históricas. En la regresión simple, solo hay una variable independiente; en la regresión múltiple, hay más de una variable independiente. Si los datos históricos forman una serie de tiempo, la variable independiente es el periodo y la variable dependiente en, por ejemplo, un pronóstico de ventas, son las ventas. Un modelo de la regresión no necesariamente tiene que estar basado en una serie de tiempo, pues en estos casos el conocimiento de los valores futuros de la variable dependiente (llamada también variable causal) se utiliza para predecir valores futuros de la variable dependiente. Por lo general, la regresión lineal se utiliza en el pronóstico a largo plazo, pero se tiene cuidado al seleccionar las cantidad de periodos incluidos en los datos históricos, y este conjunto de datos se proyecta sólo unos cuantos periodos en el futuro, la regresión también puede utilizarse apropiadamente en pronósticos a corto plazo. La regresión supone una casi normalidad.

Lo que quiere decir que los valores observados de la variable dependiente (y) se supone estarán distribuidos normalmente a ambos lados de su media (y) y el error estándar (sxy) es constante conforme nos vamos a lo largo de la línea de tendencia.

Promedios Móviles. Modelo de pronóstico del tipo de series de tiempo a corto plazo que pronostica las ventas para el siguiente periodo. En este modelo, el promedio aritmético de las ventas reales para un determinado número de los periodos pasados más recientes es el pronóstico para el siguiente periodo.

Promedio Móvil Ponderado. Modelo parecido al modelo de promedio móvil arriba descrito, excepto que el pronóstico ponderado de las ventas pasadas, en lugar del promedio aritmético.

Suavización exponencial. Modelo también de pronóstico de series de tiempo a corto plazo que pronostica las ventas para el siguiente periodo.

En este modelo, las ventas pronosticadas para el último periodo se modifican utilizando la información correspondiente al error de pronóstico del último periodo. Esta modificación del pronóstico del último periodo se utiliza como pronostico para el siguiente periodo.

Suavización exponencial con tendencia. El modelo de suavización exponencial arriba descrito, pero modificado puede tomar en consideración datos de un patrón de tendencia. Estos patrones pueden estar presentes en datos a mediano plazo. También se conoce como suavización exponencial doble, ya que se suavizan tanto la estimación del promedio con la estimación de la tendencia utilizando dos constantes de suavización.

SELECCIONAR UN MÉTODO DE PRONÓSTICO

Al seleccionar un método de pronóstico se deben considerar varios factores:

*Costo.
* Precisión.
*Datos disponibles. 
*Lapso de tiempo.
*Naturaleza de los productos y servicios.
*Respuesta de impulso y amortiguación de ruido.



Costo y precisión. Al seleccionar un método de pronóstico, se presenta un dilema entre costo y precisión; en otras palabras, para obtener más precisión en el pronóstico es necesario incurrir en un mayor costo.

Los procedimientos de elevada precisión utilizan más datos, los datos por lo general son más difíciles de obtener, y los modelos tienen un diseño más costoso, son más caros de poner en práctica y de operar. Métodos como los modelos estadísticos, las analogías históricas y el consenso de comité ejecutivo tienden a ser de costo bajo o moderado, en tanto que los modelos econométricos complejos de Delfos, y la investigación de mercados tienden a ser más caros y requieren más tiempo para utilizarse. Cada organización debe resolver el dilema de acuerdo con su propia situación.

Las Instantáneas Industriales contrastan tres diferentes procedimientos para el pronóstico. El primero describe un sistema de pronóstico costoso y complejo, el segundo un sistema de pronóstico muy económico y simple, y el tercero describe un sistema dinámico para la selección de modelos de pronóstico.

El hecho de que las tres organizaciones aparentemente estén satisfechas con la precisión y el costo de su sistema de pronóstico, demuestra que no existe un procedimiento único que sea apropiado para todas las situaciones. En muchas ocasiones, métodos simples y baratos tienden a proporcionar pronósticos que son tan precisos como los modelos de pronóstico más complejos y de costo elevado.

Datos disponibles. Los datos que estén disponibles y que sean relevantes para los pronósticos son un factor importante en la selección del método de pronóstico. Por ejemplo, si las actitudes y las intenciones de los clientes son un factor relevante en los pronósticos y si estos datos pueden obtenerse de manera económica de los clientes, entonces una encuesta de clientes pudiera ser el método apropiado para el desarrollo de las estimaciones de la demanda.


Por otra parte, si requiere pronosticar las ventas de un producto nuevo, entonces una encuesta de clientes pudiera no ser una forma práctica de desarrollar un pronóstico; quizás debieran utilizarse las analogías históricas, la investigación de mercados, el consenso de comité ejecutivo o algún otro método.

Tiempo. La elección de un método apropiado de pronóstico queda afectada por la naturaleza del recurso de producción que se va a pronosticar.

Los programas de mano de obra, de efectivo, de inventarios y de máquinas son de naturaleza a corto plazo y se pueden pronosticar utilizando modelos de promedios móviles o de suavización exponencial. Las necesidades de recursos de producción a largo plazo, como por ejemplo la capacidad de las fábricas y los fondos para bienes de capital, pueden estimarse mediante la regresión, el consenso de comité ejecutivo, la investigación de mercados y otros métodos más apropiados para pronósticos a largo plazo.

Naturaleza de productos y servicios. Se aconseja que los gerentes utilicen diferentes métodos de pronóstico para productos distintos. Factores como si el producto es de volumen y costo elevado, si el producto es un bien manufacturado o un servicio, o en qué punto de su ciclo de vida está el producto, afecta la elección de un método de pronóstico.

Respuesta de impulso y amortiguación de ruido. Como se indicó antes, en nuestro análisis de los pronósticos a corto plazo, debe equilibrarse lo que deseamos del modelo de pronóstico en lo que se refiere a su respuesta, como por ejemplo, ante cambios en los datos reales de la demanda, contra nuestro deseo de suprimir cualquier variación aleatoria indeseable, es decir, ruido en los datos. Cada modelo de pronóstico difiere en su respuesta de impulso y su amortiguación de ruido, y el modelo seleccionado debe ajustarse a la situación del pronóstico.








0 comentarios:

Publicar un comentario en la entrada