Upload
duongnga
View
225
Download
2
Embed Size (px)
Citation preview
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
INSTITUTO POLITÉCNICO NACIONAL
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.
1
Introducción
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
C
Introducción
2
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.
Introducción
3
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.
4
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.
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.
D
Perfil de la compañía
5
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 COMPAÑÍA 1
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
Capítulo 1
6
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
26.223.216.816.515.715.315.113.512.711.39.58.88.27.97.67.35.95.55.45.3
1. Delphi2. Bosch3. Denso4. Visteon5. Lear / UTA6. Magna Intern.7. Johnson8. Aisin9. Faurecia10. TRW Autom.11. Siemens VDO12. Valeo13. ZF Group14. Dana15. Continental16. Thyssen17. Yazaki18. DU Pont19. Calsonic20. Autoliv
bil US $World26.223.216.816.515.715.315.113.512.711.39.58.88.27.97.67.35.95.55.45.3
1. Delphi2. Bosch3. Denso4. Visteon5. Lear / UTA6. Magna Intern.7. Johnson8. Aisin9. Faurecia10. TRW Autom.11. Siemens VDO12. Valeo13. ZF Group14. Dana15. Continental16. Thyssen17. Yazaki18. DU Pont19. Calsonic20. Autoliv
bil US $World23.212.79.58.88.27.67.35.34.73.9
1. Bosch2. Faurecia3. Siemens VDO4. Valeo5. ZF Group6. Continental7. Thyssen8. Autoliv9. Michelin10. GKN
bil US $Europe23.212.79.58.88.27.67.35.34.73.9
1. Bosch2. Faurecia3. Siemens VDO4. Valeo5. ZF Group6. Continental7. Thyssen8. Autoliv9. Michelin10. GKN
bil US $Europe23.29.58.27.67.33.33.12.42.32.2
1. Bosch2. Siemens VDO3. ZF Group4. Continental5. Thyssen6. INA LuK FAG7. Mahle8. Behr9. Hella10. Benteler
bil US $Germany23.29.58.27.67.33.33.12.42.32.2
1. Bosch2. Siemens VDO3. ZF Group4. Continental5. Thyssen6. INA LuK FAG7. Mahle8. Behr9. Hella10. Benteler
bil US $Germany
Grupo ZF:Division automotriz
Grupo ZF:Division automotriz
Perfil de la compañía
7
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
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, RussiaGreece, Czechia, Portugal, Yugoslavia
Capítulo 1
8
1.2.1 INDUSTRIA ENSAMBLADORA EN EL TERRITORIO MEXIC ANO2
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
Perfil de la compañía
9
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 Chrysler de
México
Saltillo Estampados Daimler Chrysler de
México
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 Chrysler de
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
Parque Industrial
Lerma Fundición Nissan Mexicana
Cuernavaca Tsubame y Tsuru Pick up Nissan Mexicana
Silao Avalanche, Escalade EXT,
Escalade ESV y Suburban. General Motors de México
Puebla
Beetle, Beetle Cabrio y Jetta,
Motores a gasolina de 4 cilindros,
Estampado Fundición
Volkswagen de México
Tabla 1.2: Ubicación de los productos de las armadoras en el territorio nacional
Fuente: Industria Nacional Automotriz
Capítulo 1
10
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
Perfil de la compañía
11
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.
Capítulo 1
12
1.3 PERFIL ACTUAL DE LA EMPRESA 5
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
Perfil de la compañía
13
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
Oportunidades
Mercado cada vez mas diversificado de modelos de
automóviles.
0.10 1 0.1
Plantas del grupo europeas con mayor participación de
mercado
0.10 3 0.3
Agilidad en desarrollo de nuevos productos producidos en
Sachs México
0.20 1 0.2
Vehículos con mayor similitud en la transmisión 0.10 2 0.2
Mayor fortaleza a nivel mundial de la marca 0.10 3 0.3
Amenazas
Entrada de productos asiáticos 0.05 1 0.05
Calidad de los productos asiáticos considerable 0.05 1 0.05
Precio menor de los productos asiáticos. 0.10 4 0.4
Cobertura de las aplicaciones de mayor movimiento 0.10 3 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.
Capítulo 1
14
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 LUK NIKKO Valor C P C P C P
Publicidad 0.03 3 0.09 4 0.12 2 0.06
Calidad de los productos 0.1 4 0.4 4 0.4 3 0.3 Competitividad de los precios 0.1 4 0.4 4 0.4 4 0.4
Dirección 0.05 2 0.1 3 0.15 2 0.1 Rentabilidad 0.02 2 0.04 3 0.06 2 0.04
Lealtad de los clientes 0.05 3 0.15 3 0.15 1 0.05 Expansión Global 0.05 4 0.2 4 0.2 1 0.05
Diversidad de productos 0.1 1 0.1 3 0.3 4 0.4
Participación en el mercado 0.1 3 0.3 4 0.4 1 0.1 Amplitud de la linea de Productos 0.08 1 0.08 3 0.24 4 0.32
Ventajas de Marca o Patente Registradas 0.1 1 0.1 4 0.4 1 0.1
Capacidad y Eficiencia de producción
0.05 2 0.1 3 0.15 3 0.15
Experiencia 0.1 3 0.3 4 0.4 1 0.1 Adelantos Tecnológicos 0.07 1 0.07 4 0.28 1 0.07
Total 1 2.43 3.65 2.24
Tabla 1.4: Matriz del perfil Competitivo
Fuente: Elaboración propia
Se puede apreciar que el líder posee clara ventaja sobre los dos competidores
restantes en casi la totalidad de los factores considerados.
1.3.3 MATRIZ DE EVALUACIÓN DE LOS FACTORES INTERNOS
Es un instrumento muy útil que permite de manera fácil formular estrategias,
resumiendo y evaluando las fuerzas y debilidades más importantes dentro de las áreas
funcionales de un negocio y además ofrece una base para identificar y evaluar las
relaciones entre dichas áreas.
De igual forma, se elabora siguiendo los cinco pasa pasos ya descritos para la
elaboración de la matriz EFE utilizando los mismos criterios.
Perfil de la compañía
15
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
FACTORES INTERNOS CLAVE
VALOR
CLASIFICACIÓN
VALOR
PONDERADO
Fortalezas internas
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
Debilidades internas 0
Baja participación en el negocio de equipo original
0.15 1 0.15
Cobertura de parque vehicular menor al 80% 0.1 2 0.2
Poco desarrollo en planta de productos para vehículos modernos 0.1 1 0.1
Tiempos de desarrollos muy lentos 0.1 1 0.1
Costos de producción muy altos 0.1 1 0.1
Poca revisión de diseños anteriores 0.05 2 0.1
TOTAL 1 2.2
Tabla 1.5: Matriz de evaluación de los factores internos
Fuente: Elaboración propia
1.3.4 MATRIZ FODA
Esta matriz es una herramienta que sirve para obtener las diferentes
estrategias, las que nos permitirán obtener las siguientes relaciones:
� Estrategias de fuerzas y oportunidades FO: utilizar las fuerzas internas para
aprovechar la ventaja de las oportunidades externas.
� Estrategia de debilidades y oportunidades DO: pretende superar las debilidades
internas, aprovechando las oportunidades externas.
� Estrategias de fuerzas y amenazas FA: aprovechan las fuerzas de la empresa, para
evitar o disminuir las repercusiones de las amenazas externas.
Capítulo 1
16
� 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
Tabla 1.6: Matriz FODA Fuente: Elaboración propia
Fortalezas: F
1. 20 años en el mercado de refacciones
2. Se ha comenzado a tener presencia de marca
3. Respaldo de productos con las otras plantas del grupo
4. Canales de distribución adecuados
5. Creatividad
Debilidades: D 1. Baja participación en el
negocio de equipo original. 2. Cobertura de parque
vehicular menor al 80%. 3. Poco desarrollo en planta
de productos para vehículos modernos.
4. Tiempos de desarrollos muy lentos
5. Costos de producción muy altos
6. Poca revisión de diseños anteriores
Oportunidades: O 1. Mercado cada vez más diversificado de
modelos de automóviles. 2. Plantas del grupo europeas con mayor
participación de mercado 3. Agilidad en desarrollo de nuevos productos
producidos en Sachs México 4. Vehículos con mayor similitud en la
transmisión 5. Mayor fortaleza a nivel mundial de la marca
Estrategias FO 1. Incrementar el portafolio de
productos para modelos nuevos (F1, F2, F3, O1, O2).
2. Investigación de aplicaciones en otros países para su utilización en el mercado (F2, F3, O2,)
3. Utilizar los canales de distribución para publicitar fuertemente la marca (F5, O5).
Estrategias DO 1. Incrementar cobertura de
productos (D1, D2, O1,O2, O4)
2. Desarrollo de nuevos productos en tiempo calidad y costo (D3, D4, D5, D6, O2).
Amenazas: A 1. Entrada de productos asiáticos 2. Calidad de los productos asiáticos
considerable 3. Precio menor de los productos asiáticos, 4. Cobertura de las aplicaciones de mayor
movimiento 5. Contracción de la demanda de mercado
Estrategias FA 1. Optimizar costos en productos de
alto movimiento (F3,F4, A2,A3) 2. Acceso a otros nichos de
mercado (F3, F4, F5, A1, A5)
Estrategias DA 1. Optimizar gastos para
productos A (D4, A1, A3, A4)
2. Creación de valor en el desarrollo de nuevos productos (D2, D4, D6, A5)
Perfil de la compañía
17
1.3.5 MATRIZ DE LA POSICIÓN ESTRATÉGICA Y EVALUACIÓ N DE LA ACCIÓN (PEEA)
Esta matriz, consta de cuatro cuadrantes en donde indica si la estrategia es
agresiva, conservadora, defensiva o competitiva, y si ésta es la más adecuada para una
organización dada.
FUERZA FINANCIERA CALIFICACION
Fortaleza financiera general y la solvencia 1
La razón deuda sobre capital fue de .25 y se requiere que sea de 1.06, que es el promedio de la industria 2
El rendimiento sobre el capita fue de 1.24% y se requiere 5.06%, que es el promedio de la industria
Incremento de ventas general en los últimos tres años 2
5
FUERZA INDUSTRIAL
Existe un parque vehicular ilegal que no ha sido atacado 6
Hay una cultura de compra de material reconstruido 2
Las firmas automotrices han ingresado una gran cantidad de
Modelos diversos al mercado nacional 5
13
ESTABILIDAD DEL AMBIENTE
Hay una transición política que crea incertidumbre ante las políticas económicas que pueden provocar fuga de capital del país. -3
Hay estabilidad macroeconómica -3
El precio de los productos está determinado por el conocimiento de marca en el mercado. -6
-12
VENTAJAS COMPETITIVA
Hay gran participación en el mercado -3
La competencia es grande y creciente en el mercado de refacciones -3
La evolución en la tecnología hace cada vez más difícil
la competencia debido a la creación de patentes -4
-10
PROMEDIO
Promedio FF 1.66
Promedio FI 4.33
Promedio EA -4.0
Promedio VC -3.33
Eje X 1
Eje Y -2.34
Tabla 1.7: Matriz de la fortaleza financiera
Fuente: Elaboración propia
Capítulo 1
18
Gráfica 1.1 Matriz de la posición estratégica y evaluación de la acción (PEEA)
Fuente: Elaboración propia
De acuerdo a lo sugerido por la teoría, la organización es competitiva en un
mercado inestable
1.3.6 MATRIZ DEL BOSTON CONSULTING GROUP (BCG)
La matriz BCG permite a una empresa con divisiones múltiples dirigir su cartera
de negocios por medio del análisis de posición relativa en el mercado y la tasa de
crecimiento industrial en cada división respecto a todas las demás divisiones de la
empresa. La posición de la participación relativa en el mercado se define como la razón
o índice de dividir la propia participación en el mercado en una industria en particular
entre la participación en el mercado de la empresa rival más importante en esa
industria.
6-6 -5 -4 -3 -2 -1VC
1 2 3 4 5FI
1
2
3
45
6
0
-1-2-3-4
-5
(1,-2.66)
Perfil de la compañía
19
Tabla 1.8: Posición de la participación relativa en el mercado de la empresa
Fuente: Elaboración propia
Gráfica 1.2 Posición de la participación relativa en el mercado de la empresa Fuente: Elaboración propia
Las unidades de negocio que se encuentran en el primer cuadrante resultan ser
signos de interrogación, aunque se observa un desplazamiento de la UEN MI nacional
hacia el cuadrante de las estrellas, mientras que existen dos UEN que se encuentran
dentro de la clasificación de los perros los cuales podrían considerarse de casta, ya que
solo sirven para tener imagen de la marca en el extranjero.
División Ingresos Utilidades Porcentaje de
utilidades
Porcentaje de participación en el
mercado
Porcentaje de la tasa de
crecimiento
E.O. Nacional 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 586,462,085.37 260,624,889 100%
EO NACIONAL
3.68%
EO EXPORTACION9.11%
MI NACIONAL
64.2%
MI EXPORTACION5.69%
EOS NACIONAL
4.67%
EOS EXPORTACION
12.59%
EO NACIONAL
3.68%
EO EXPORTACION9.11%
MI NACIONAL
64.2%
MI EXPORTACION5.69%
EOS NACIONAL
4.67%
EOS EXPORTACION
12.59%
Tasa de crecimiento de las ventas en la industria de autopartes (Porcentaje)
Alta
Baja
Media
Capítulo 1
20
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 Puntaje de la
matriz EFI Puntaje de la matriz EFE
M.I. Nacional 241,220,119.68 41.13% 167,477,608.79 64.26% 2.2 2.0
Tabla 1.9: Valores para la matriz interna externa de la empresa
Fuente: Elaboración propia
Gráfica 1.3 Puntajes de valores totales de la matriz EFI
Fuente: Elaboración propia
IXVIIIVII
VIVIV
IIIIII
IXVIIIVII
VIVIV
IIIIII
Sólido
3.0 a 4.0
Promedio
2.0 a 2.99
Débil
1.0 a 1.993.0 2.0 1.0 4.0
3.0
2.0
1.0
Alto
3.0 a 4.0
Medio
2.0 a 2.99
Bajo
1.0 a 1.99
PUNTAJES DE
VALORES TOTALES
DE LA MATRIZ
EFE
CONSERVAR Y MANTENER
COSECHAR Y ENAJENAR
CRECER Y CONSTRUIR
Perfil de la compañía
21
Gráfica 1.4 Matriz Interna-Externa
Fuente: Elaboración propia
El análisis ha permitido observar que la unidad estratégica de negocio (UEN) sea
colocada en el cuadrante V lo que es típico de las divisiones que requieren “mantener y
retener”.
Ahora bien está situada en el límite entre lo bajo y lo medio de los EFE. Si la
empresa no comienza a llevar a cabo las estrategias adecuadas, es muy probable que
empeore ocasionando su ubicación en el cuadrante VIII, donde la estrategia a
implementar es desparecer o vender.
La penetración del mercado y el desarrollo del producto son dos estrategias
comúnmente utilizadas para este tipo de unidades.
En segundo lugar, las divisiones que caen en las celdas III, V o VII se pueden
administrar mejor con estrategias para “Retener y mantener”, la penetración en el
mercado y el desarrollo del producto son dos estrategias comúnmente empleadas para
este tipo de divisiones.
1.3.8 MATRIZ CUANTITATIVA DE LA PLANIFICACIÓN ESTRA TÉGICA
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.
TOTALES PONDERADOS DEL EFI
TO
TA
LES
PO
ND
ER
AD
OS
DE
L E
FE
BAJO1.0 a 1.99
ALTO3.0 a 4.0
MEDIO2.0a 2.99
DEBIL1.0 a 1.99
FUERTE3.0 a 4.0
PROMEDIO2.0a 2.99
1.0
2.0
3.0
4.0 1.02.03.04.0
64%
MI NACIONAL
Capítulo 1
22
Desarrollo de
Productos
Penetración de
Mercado
FACTORES CLAVE Valor PA PTA PA PTA
Oportunidades
Mercado cada vez más diversificado de modelos de automóviles. 0.1 3 0.3 2 0.2 Plantas del grupo europeas con mayor participación de mercado 0.1 4 0.4 2 0.2
Agilidad en desarrollo de nuevos productos producidos en Sachs México 0.2 4 0.8 1 0.2
Vehículos con mayor similitud en la transmisión 0.1 2 0.2 1 0.1
Mayor fortaleza a nivel mundial de la marca 0.1 ---------- ----------
Amenazas
Entrada de productos asiáticos 0.05 ---------- ----------
Calidad de los productos asiáticos considerable 0.05 ---------- ----------
Precio menor de los productos asiáticos. 0.1 1 0.1 1 0.1
Cobertura de las aplicaciones de mayor movimiento 0.1 ---------- ----------
Contracción de la demanda de mercado 0.1 1 0.1 1 0.1
Fortalezas internas
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
Debilidades internas
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
TOTAL 4.25 3.4
Tabla 1.10: Matriz de la planeación estratégica cuantitativa para la empresa
Fuente: Elaboración propia
La empresa no presenta UEN estrella, más bien sólo está dependiendo de lo que el
MI nacional logre crecer, aunque de igual forma se encuentra en el cuadrante de las
UEN.
La empresa se encuentra situada en el cuadrante de competitividad en un
ambiente inestable de acuerdo con la matriz interna externa, lo que corresponde con el
análisis de la matriz PEEA.
Perfil de la compañía
23
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
Capítulo 1
24
1.4 SITUACIÓN ACTUAL DEL CÁLCULO DEL PRONÓSTICO 7
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
Perfil de la compañía
25
Tabla 1.11: Entrada de pedidos y pronóstico actual de la empresa
Fuente: Datos de la empresa Reporte ejecutivo Enero 2006
Número SN31846 KM11004-01 KM639-02 KF224-02B KM173-01 KM168-01 SN9001 KF537-04 KM80203-01 K1121-01Entra de
Pedidos 2005 31,154 17,258 14,142 13,426 10,672 8,282 4,579 9,387 4,619 1,401
Facturado 200531,199 16,442 14,015 13,273 10,336 7,971 4,096 9,292 4,594 1,404
Prmedio Entrada de Pedidos 2005
2,596 1,438 1,179 1,119 889 690 382 782 385 117
Promedio de Facturación
2005 2,600 1,370 1,168 1,106 861 664 341 774 383 117 Entrada de
Pedidos Enero 5,299 1,221 653 625 825 546 219 350 189 163
Entrada de Pedidos Febrero
2,108 1,200 959 821 698 639 457 507 292 248 Entrada de
Pedidos Marzo 2,760 1,357 760 712 939 743 394 572 285 342 Entrada de
Pedidos Abril 1,050 1,476 855 958 825 464 721 465 272 260
Total Entrada de Pedidos Ene-
Abr '06 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
Facturado Enero4,319 1,201 633 615 825 452 219 340 189 163
Facturado Febrero 777 1,074 840 787 627 95 440 446 260 180
Facturado Marzo3,647 1,302 744 682 906 1,294 377 567 282 178
Facturado Abril2,447 1,269 810 939 757 494 699 502 267 233
Total Facturado Ene-Abr '06
11,190 4,846 3,027 3,023 3,115 2,335 1,735 1,855 998 754
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
Politica de Inventarios Días
10 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
Capítulo 1
26
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 PRONÓSTICO 8 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
Perfil de la compañía
27
La metodología utilizada para el primer caso es la siguiente:
CUANDO SE INCLUYE LAS ÓRDENES RETRAZADAS
Tomaremos la tabla siguiente para ejemplificar el caso.
Tabla 1.12: Cálculo de la precisión del pronóstico situación actual
Fuente: Datos de la empresa Reporte ejecutivo Enero 2006
KM639-02 750 781 38 743 31 31
KM11004-01 1,375 1,714 320 1,394 339 339
SN31846 2,800 2,610 - 2,610 190 190-
KM173-01 650 684 343 341 34 34
KF537-04 600 630 - 630 30 30
KM168-01 720 706 146 560 14 14-
KF224-02B 1,200 745 - 745 455 455-
K0047-06 480 380 - 380 100 100-
KM80203-01 300 215 - 215 85 85-
K70038-01 175 90 15 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
K70277R-01 93 31 21 10 62 62-
K1886-01 170 109 39 70 61 61-
KF594-01 290 290 225 65 - -
K9082-01 150 149 - 149 1 1-
SN9001 350 200 - 200 150 150-
KM136-01 140 38 19 19 102 102-
SN1106 200 200 - 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 35 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 50 35 - 35 15 15-
SBA60026 190 180 - 180 10 10-
K70149-01 25 22 17 5 3 3-
K70285-01 - - - - - -
K70285-02 - - - - - -
K70149-02 - - - - - -
K70144-02 - - - - - -
K70145-01 - - - - - -
K70128-04 20 18 - 18 2 2-
Total Código A 13,784 12,231 2,352 9,879 2,429 438
Forecast Accuracy / Unfavorable Productos A 82% 97%
Unfavorable Accuracy
Código SPM Pronóstico MIForecast Accurary
PedidoPedido con
B.O.B.O. Al cierre mes anterior
Capítulo 1
28
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.
Perfil de la compañía
29
Tabla 1.13: Cálculo de la precisión del pronóstico situación actual sin considerar órdenes retrazadas
Fuente: Datos de la empresa Reporte ejecutivo Enero 2006
KM639-02 750 743 7 49 7- 99%
KM11004-01 1,375 1,394 19 361 19 101%
SN31846 2,800 2,610 190 36,100 190- 93%
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%
KF224-02B 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%
K70277R-01 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- 14%
SN1106 200 200 - - - 100%
KF251-01 500 96 404 163,216 404- 19%
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%
K260033-01 50 35 15 225 15- 70%
SBA60026 190 180 10 100 10- 95%
K70149-01 25 5 20 400 20- 20%
K70285-01 - - - - - 0%
K70285-02 - - - - - 0%
K70149-02 - - - - - 0%
K70144-02 - - - - - 0%
K70145-01 - - - - - 0%
K70128-04 20 18 2 4 2- 90%
Total A 13,784 9,879 4,003 49 72%
71% 100%For. Accuracy / Unfavorable Productos A
Avance de pronóstico
Unfavorable Accuracy
Código SPM Pronóstico PedidosForecast Accuracy
30
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.
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.
D
Pronósticos y series de tiempo
31
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
Capítulo 2
32
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 4 George W Ploss, Control de la producción y de Inventarios Principios y Técnicas, Prentice Hall, México, ISBN 0-13-725144-0, 1993 pág 70
Pronósticos y series de tiempo
33
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 siguiente
trimestre de productos
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 micro-
pronóstico), mientras que el gobierno federal está pronosticando el número total de
personas empleadas en toda la nación (un macro-pronóstico). De nuevo, los diferentes
Capítulo 2
34
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
6 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
Pronósticos y series de tiempo
35
Exactitud (en un plazo) Métodos
cualitativos
Descripción del método Usos
corto mediano largo
Identificación del punto de retomo
Costo relativo
1. Delphi
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.
Regular a muy buena
Regular a muy buena
Regular a muy buena
Regular a buena
Medio a alto
2. Estudios de mercado
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.
Muy buena
Buena Regular Regular a
buena Alto
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. Mala
Regular a buena
Regular a buena
Mala a regular
Medio
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.
Pronósticos de ventas totales y de productos individuales.
Mala a regular
Mala a regular
Mala a regular
Mala a regular
Bajo
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
Capítulo 2
36
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
Pronósticos y series de tiempo
37
Exactitud (en un plazo) Métodos por series de tiempo Descripción del método Usos
corto mediano largo
Identificación del punto de retomo
Costo relativo
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
Mala Muy mala Mala Bajo
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
Mala a
buena Muy mala Mala Medio
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 Regular
a buena Muy mala Mala
Bajo a medio
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
Regular a
buena Muy mala Mala Medio a alto
Tabla 2.3 Métodos por Series de Tiempo para pronósticos Fuente: Schroeder, R., 1996 Administración de operaciones, toma de decisiones en la función de operaciones, McGraw Hill, México, ISBN 970-10-0088-9
Capítulo 2
38
Exactitud (en un plazo) Métodos causales
Descripción del método Usos corto mediano largo
Identificación del punto de
retomo
Costo relativo
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.
Buena a muy
buena
Buena a muy
buena Mala Muy buena Medio
2. Modelo
econométrico
Un sistema de ecuaciones de
regresión independientes que
describe algún sector de la
economía o actividad lucrativa.
Pronóstico de ventas por
clases de producto para
planeación a corto y
mediano plazo.
Muy buena a
excelente Muy buena Buena Excelente Alto
3. Modelo de
insumo
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
4. Box-Jenkins
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
Tabla 2.4 Métodos Causales de Pronósticos Fuente: Schroeder, R., 1996 Administración de operaciones, toma de decisiones en la función de operaciones, McGraw Hill, México, ISBN 970-10-0088-9
Pronósticos y series de tiempo
39
2.3 CONCEPTOS BÁSICOS DE SERIES DE TIEMPO ESTACIONA RIAS
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 Nxxx ,,, 21 K será visualizada como una realización de las
variables aleatorias NXXX ,,, 21 K con función de densidad conjunta
),,,( 21 Nxxxf K ”
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 Nzzz ,,, 21 K se modela con una
densidad conjunta ),,,( 21 Nzzzf K .
2. A este tipo de modelo ),,,( 21 Nzzzf K 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 ),,,( 21 Nzzzf K , sino que en lugar
de esto se expresa el mecanismo aleatorio que genera a ),,,( 21 Nzzzf K .
Por ejemplo, se dice que
K,2,1,1 =+= − tUZZ ttt ,
Donde, tU tienen cierta distribución.
Definiciones 1
• Un proceso estocástico es una colección de variables aleatorias
{ }K321 ,, XXX .
• La media del proceso tt mXE =)( .
Capítulo 2
40
• La varianza del proceso 2)var( ttX σ= .
• La covarianza del proceso ),(),cov( stXX st γ= , (función que depende sólo
del tiempo entre las variables).
• La correlación del proceso ),(corr st XX=ρ .
Definición 2
Un proceso estocástico estacionario de 2do. orden, es aquel que cumple con las
siguientes 3 propiedades.
a) mmt = para toda t, la misma media para todas las variables.
b) 22 σσ =t para toda t, varianzas homogéneas, es decir cumple la propiedad de
homoscedasticidad.
c) )(),cov( tsfXX st −= , 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 K,, 21 ZZ es estacionario si para cualquier conjunto de
tiempos { }mttt ,,, 21 K , no necesariamente continuos, con m y k cualesquiera
enteros, se tiene que
),,,(),,,(2121 ktktktttt mm
zzzfzzzf +++= KK .
Es decir, la función de densidad conjunta de mttt ZZZ ,,,
21K es igual a la
densidad conjunta de ktktkt mZZZ +++ ,,,
21K . En donde, la longitud puede ser
1=m año, 2 años, … y k el tiempo en el que vamos a verificar en el futuro. En
distribución se cumple:
[ ] [ ]ktktktttt mmZZZZZZ +++ ,,,~,,,
2121KK 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
Pronósticos y series de tiempo
41
tiempo, es decir, se cumple para toda m y k. Por ejemplo, cuando 1=m , la propiedad de
estacionariedad indica que )()(11
xfxfktt ZZ +
= para toda k, o sea que la densidad de tZ es la
misma para toda K,2,1=t (marginales). Así, que
µ=)( tZE y 2)(var σ=tZ 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:
∑=
==T
iit z
TzZE
1
1)(ˆ , ∑
=
∧−
−==
T
iiZt zz
TsZ
1
22 )(1
1)(var .
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
Gráfica 2.1 Muestra una serie de tiempo estacionaria. Fuente: Elaboración propia
Así, se puede decir que una serie de tiempo consta de datos que se reúnen, registran
u observan sobre incrementos sucesivos de tiempo.
2.3.1 COMPONENTES DE UNA SERIE DE TIEMPO
En el análisis de series de tiempo de datos, una tentación inmediata consiste en intentar
explicar o contabilizar el comportamiento de las series. Para evitar esfuerzos inútiles, lo
que se necesita es un enfoque sistemático para analizar las series. La descomposición
µ=)( tZE
σ
σ
Capítulo 2
42
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
Pronósticos y series de tiempo
43
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
Capítulo 2
44
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 { }tZ está
dado por 1)( −= tt ZZB .
Pronósticos y series de tiempo
45
Así, 212 )()( −− == ttt ZZBZB , y en general ktt
k ZZB −=)( , para N∈k .
Por otro lado, cuando se aplica a una constante, c, no la afecta ccB k =)( , para
N∈k .
Definición 5
El operador identidad, denotado por I , de un proceso estocástico { }tZ está dado
por tt ZZI =)( .
Así, ttt ZZIZI == )()(2 , y en general ttk ZZI =)( .
Con estos operadores se pueden representar los modelos para procesos
estacionarios AR, MA y ARMA.
1. OPERADOR AR(p)
Un proceso estocástico { }tZ es llamado autoregresivo de orden p, AR(p), sí
tptpttt UZZZZ +=−−−− −−− δφφφ L2211 .
En donde, δ es la media del proceso, iφ son los parámetros y tU son variables
aleatorias independientes ),0( 2σ . Denotando al operador
ppp BBBIB φφφ −−−−=Φ L
221)( .
Resulta que el AR(q) se puede representar por ttp UZB +=Φ δ)( .
2. OPERADOR MA(q)
Un proceso estocástico { }tZ es llamado de promedios móviles de orden q, MA( q), sí
qtqtttt UUUUZ −−− −−−−+= θθθµ L2211 .
En donde, µ es la media del proceso, iθ son los parámetros y tU son variables
aleatorias independientes ),0( 2σ . Denotando el operador
qqq BBBIB θθθ −−−−=Θ L
221)( .
Capítulo 2
46
Resulta que el MA(q) se puede representar por tqt UBZ )(Θ+= µ .
3. OPERADOR ARMA( p, q)
Un proceso estocástico { }tZ es llamado autoregresivo de promedios móviles de orden p,
q, ARMA( p, q), sí
tqtp
qtqtttptpttt
UBZB
UUUUZZZZ
)()(
22112211
Θ+=Φ
−−−−+=−−−− −−−−−−
µθθθµφφφ LL
.
En donde, µ es la media del proceso, iθ y iφ son los parámetros y tU son
variables aleatorias independientes ),0( 2σ .
Los modelos de promedio móvil (MA) proporcionan pronósticos de tZ con base
en una combinación lineal de errores anteriores, mientras que los modelos
autorregresivos (AR) expresan tZ como una función lineal de cierto número de valores
anteriores reales de tZ .
2.4 CONCEPTOS BÁSICOS DE SERIES DE TIEMPO NO ESTACI ONARIAS
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.
Pronósticos y series de tiempo
47
50515253545556575859606162636465
1 4 7 10 13 16 19 22 25 28 31 34 37 40 43 46 49 52
Gráfica 2.2 Muestra los datos de las acciones de la empresa AT&T Fuente: Elaboración propia
Como se puede apreciar en la Gráfica 2.2, los datos no son estacionarios y por
consiguiente no se podrían aplicar los modelos ARMA. Veremos que en estas situaciones
se tienen que hacer algunas transformaciones basadas en las diferencias, o una
transformación logarítmica o de Box-Cox, etc. o combinaciones de ellas para obtener un
proceso estacionario y poder aplicar los modelos puros MA o AR o las combinadas
ARMA.
A los procesos transformados, que obtendremos con las diferencias, les llamaremos
ARIMA, procesos autorregresivos de promedio móviles integrados, estos son los
modelos más utilizados en el caso de no estacionalidad.
Definición 6
El operador diferencia, denotado por ∇ , de un proceso estocástico { }tZ está
dado por 1)( −−=∇ ttt ZZZ .
Notas
De las definiciones anteriores resultan las siguientes relaciones
• ))(()()()( tttt ZBIZBZIZ −=−=∇ diferencia de primer orden.
Media 57.796
Capítulo 2
48
• )()()( tk
tk ZBIZ −=∇ , diferencia de orden k.
Así, )()()( td
td ZBIZ −=∇ .
Con estos operadores se pueden representar los modelos para procesos no
estacionarios ARIMA.
OPERADOR ARIMA( p, d, q)
Un proceso estocástico { }tZ es llamado autoregresivo de promedios móviles
integrados de orden p, d, q, ARIMA( p, d, q), sí
tqtd
p UBZB )()()( Θ+=∇Φ µ .
En donde, µ es la media del proceso, iθ y iφ son los parámetros y tU son
variables aleatorias independientes ),0( 2σ . Generalmente, después de las
transformaciones se trabaja cuando 0=µ , de tal forma que un modelo ARIMA(p, d, q) de
orden d estará dado por:
tqtd
p UBZB )()()( Θ=∇Φ .
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.
Pronósticos y series de tiempo
49
50515253545556575859606162636465
1 4 7 10 13 16 19 22 25 28 31 34 37 40 43 46 49 52
Gráfica 2.3. Muestra los datos de las acciones de la empresa AT&T. Fuente: Elaboración propia
75
76
77
78
79
80
81
82
83
84
85
86
87
88
89
90
1 4 7 10 13 16 19 22 25 28 31 34 37 40 43 46 49 52 55 58 61 64 67 70 73 76 79 82 85 88
Gráfica 2.4 Muestra los datos de partes disponibles. Fuente: Elaboración propia
Capítulo 2
50
46
50
54
58
62
66
70
74
78
82
86
1 4 7 10 13 16 19 22 25 28 31 34 37 40 43 46 49 52 55 58 61 64 67 70
Gráfica 2.5 Muestra los datos de préstamos en bienes raíces. Fuente: Elaboración propia
¿Para qué estudiar los modelos ARMA en lugar de los ARIMA?
La respuesta es sencilla, los modelos ARMA se pueden construir fácilmente y
tienen un soporte teórico probabilístico bien fundamentado, por otro lado los modelos
ARIMA se pueden transformar en modelos ARMA, bajo alguna transformación.
2.4.2 TRANSFORMACIÓN DE MODELOS LINEALES NO ESTACIO NARIOS 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
Pronósticos y series de tiempo
51
>>
>≥−
=0,0)ln(
0,01
)(λ
λλ
λ
λ
tt
tt
t
UU
UU
Uf
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 )(rγ , y se define
( )( ){ })()(),cov(),cov()( 111111 rrrrtt ZEZZEZEZZZZr ++++ −−===γ .
En particular la varianza ( ){ } 21
21111 1
)var()(),cov()0( ZZZEZEZZ σγ ==−== .
Sea un proceso estacionario de 2do. orden, se denota a la función de autocorrelación
de orden r como )(rρ , y se define
22
11
11
),cov(
)0(
)()(
ZZ
rZZrr
σσγγρ +== .
Notas
• A )(rρ , 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.
• 1)0( =ρ
• )(rρ efectivamente es una función ya que da un valor para cada r.
2.5.1 ESTIMACIÓN DE LA FUNCIÓN DE AUTOCORRELACIÓN
Sea Tzzz ,,, 21 K una serie de tiempo, un estimador puntual de
( )( ){ })()(),cov()( 111111 rrr ZEZZEZEZZr +++ −−==γ .
Capítulo 2
52
Se obtiene de forma natural como
K,2,1,))((1
)(1
=−−= ∑−
=+ rzzzz
Trc
rT
trtt
De forma similar la función de autocorrelación estimada o muestral será
K,2,1,0,)0(
)()(ˆ == j
c
jcjρ FAC muestral.
Así, a la gráfica de )(ˆ jρ se le llama correlograma muestral.
Para calcular )(rc o )(ˆ rρ se recorren los valores de la serie y se hacen
corresponder en los cálculos. Por ejemplo en el caso de )1(r y )2(r , las correspondencias
respectivas son:
T
TT
TT
zzz
zz
zzzzzzz
1
12
43
32
21
1
−
−−
MM y
T
T
TT
zz
zz
zzzzzz
1
2
42
31
2
1
−
−
MM
Cálculos
∑−
=+ −−=
1
11 ))((
1)1(
T
ttt zzzz
Tc y ∑
−
=+ −−=
2
12 ))((
1)2(
T
ttt zzzz
Tc .
Luego,
)0(
)1()1(ˆ
c
c=ρ y
)0(
)2()2(ˆ
c
c=ρ .
Posteriormente se trazan sus gráficas.
Para un buen número de situaciones prácticas 0)( =kγ para toda 4≥k . Cuando se
está en la etapa de identificación del modelo apropiado, se obtiene con ayuda de los datos el
valor 0k tal que 0)( =kγ para toda 0kk > , y se estima a las correlaciones distintas de
cero, es decir,
Pronósticos y series de tiempo
53
02,,2,1,
ˆ
)()(ˆ kk
kck K==
σρ .
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
02,,2,1,
)()( kk
kk K==
σγρ .
Es la que los hace sumamente valiosos para utilizarlos como modelos de series de
tiempo.
Un esquema conceptual de los procesos estocásticos.
Fuente: Elaboración propia
Resulta que los procesos ARMA generan a toda la clase de los procesos estocásticos
de 2do. Orden mediante aproximaciones.
2.6 MEDICIÓN DEL ERROR EN EL PRONÓSTICO
Toda situación de predicción conlleva algún grado de incertidumbre, ya que siempre existe
un componente irregular, CI, (fluctuaciones impredecibles de los datos) incluido en el
patrón de una serie de tiempo.
Procesos estocásticos
Procesos estacionarios de 2do. orden
ARMA
Capítulo 2
54
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:
ttt yye ˆ
predicho)(valor observado)(valor error
−=−=
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.
Desviación absoluta promedion
yy
n
e
DAM
n
ttt
n
tt ∑∑
==−
== 11
|ˆ|||
.
Error cuadrado medion
yy
n
e
ECM
n
ttt
n
tt ∑∑
==−
== 1
2
1
2 )ˆ(
.
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.
Pronósticos y series de tiempo
55
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
56
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.
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.
D
Selección del método de pronóstico y su metodología
57
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.
Capítulo 3
58
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 DE PIEZAS
COSTO UNITARIO EN $
UTILIZACIÓN DE $ 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
Selección del método de pronóstico y su metodología
59
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 UTILIZACIÓN DE $ ANUAL
UTILIZACIÓN ACUMULATIVA
ANUAL DE $
PORCENTAJE ACUMULATIVO CLASE
F20 21,450.00 21,450.00 39.8% A L16 16,800.00 38,250.00 70.9% A L45 5,000.00 43,250.00 80.2% B N8 4,800.00 48,050.00 89.0% B F11 2,800.00 50,850.00 94.2% B L17 1,280.00 52,130.00 96.6% C N91 700.00 52,830.00 97.9% C N100 450.00 53,280.00 98.7% C F31 400.00 53,680.00 99.5% C L51 280.00 53,960.00 100.0% 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 D E 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 Idem pág. 32
3 Idem pág.. 34
Capítulo 3
60
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:
• 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.
4 Makridakis, S., Wheelwright, S., 2000, Métodos de Pronósticos, Limusa, México, ISB 968-18-4879-9
Selección del método de pronóstico y su metodología
61
• 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.
Capítulo 3
62
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 tY y 1+tY (ver sección 2.5)
( )( )( )∑
∑
−
=
+
−
=
−
−−=
1
1
2
1
1
1
n
tt
t
n
tt
YY
YYYY
r . 3.1
Las variables 1+tY y 2+tY 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 1θ 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 K,, 21 ZZ un proceso estacionario, con tZ un MA(1) con tU variables
aleatorias independientes ),0( 2σN , se llama función de autocorrelación parcial de orden k del proceso MA(1), a la correlación condicionada
),,,|,(corr 332211 kkk zZzZzZZZ ===+ K ,
y se denota por FACP(k) o kkφ .
Por definición, ),(corr 21111 ZZ== ρφ .
3.5 ANÁLISIS DEL PATRÓN DE DATOS MEDIANTE EL CORREL OGRAMA
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 para exhibir autocorrelaciones para varios desfasamientos de una serie de tiempo5.
5idem pág. 34
Selección del método de pronóstico y su metodología
63
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 tY y 1+tY 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 tY y 1+tY es cercana a cero y los
valores sucesivos de la serie de tiempo no guardan relación entre sí.
•••• Si una serie tiene una tendencia tY y 1+tY 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
Capítulo 3
64
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
nZ
10± 3.2
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.
Selección del método de pronóstico y su metodología
65
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
MÉTODO PATRON DE DATOS
HORIZONTE EN EL TIEMPO
TIPO DE MODELO
NO ESTACIONALES
ESTACIONALES
No formales ST, T, S S TS 1 Promedios simples ST S TS 30
Promedios, móviles ST S TS 4-20
Atenuación exponencial ST S TS 2
Atenuación exponencial lineal T S TS 3
Atenuación exponencial cuadrática T S TS 4
Atenuación exponencial estacional S S TS 2*L
Filtración adaptiva S S TS 5*L
Regresión simple T I C 10
Regresión múltiple C, S I C 10*V
Descomposición clásica S S TS 5*L
Modelos de tendencia exponencial T I, L TS 10
Ajuste de curva-S T I, L TS 10
Modelos de Gompertz T I, L TS 10
Curvas de crecimiento T I, L TS 10
Census II S S TS 6*L
Box-Jenláns ST, T, C, S S TS 24 3*L
Indicadores principales C S C 24
Modelos econométricos C S C 30
Regresión múltiple de series de tiempo T, S I, L C 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
Capítulo 3
66
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 idem pág.. 34 8 Idem pág. 34
Selección del método de pronóstico y su metodología
67
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).
Capítulo 3
68
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
Selección del método de pronóstico y su metodología
69
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.
Capítulo 3
70
METODOLOGÍA DE BOX-JENKINS 9
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 Box-Jenkins 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
Selección del método de pronóstico y su metodología
71
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.
Capítulo 3
72
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 Box-
Jenkins 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).
Selección del método de pronóstico y su metodología
73
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 PR OPUESTA.
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
Capítulo 3
74
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.
75
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.
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.
D
Capítulo 4
76
4.1 DETERMINACIÓN DE LOS PRODUCTOS A ANALIZAR MEDIA NTE 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.
Estudio de Caso
77
Tabla 4.1 Productos clasificados como A del 2000 al 2006. Fuente: Elaboración propia
Numero/ Año 2000 2001 2002 2003 2004 2005 2006 Clasf "A" en 2006
BBC0465 � �
K0036-01 � �
K0036-02 � � � � � � OK
K0047-06 � � � � � OK
K0050-01 � � �
K0465-05 � � � OK
K0465-07 � � � � �
K1121-01 � �
K1886-01 � � � � � � � OK
K1914-06 � � � � � OK
K260033-01 � �
K70037-02 � � � � � � � OK
K70038-01 � �
K9082-01 � � � � OK
KF224-01 � � � � � � OK
KF224-02B � � � � � � � OK
KF251-01 � � � � � � OK
KF295-01 � � � � � OK
KF537-04 � � � � � � � OK
KF587-04 � � � � � � � OK
KF594-01 � � � � � � � OK
KM10993-01 � � � � � � OK
KM11004-01 � � � � � � � OK
KM136-01 � � � OK
KM168-01 � � � � � � � OK
KM168-02 � � � � OK
KM173-01 � � � � � � � OK
Capítulo 4
78
4.2 FACTORES QUE INFLUYEN PARA LA ELECCIÓN DE LA T ÉCNICA
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.
Estudio de Caso
79
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.
Figura 4.1 Serie de tiempo para el artículo
KF224-02B
Figura 4.2 Serie de tiempo para el artículo
KM639-02
Figura 4.3 Serie de tiempo para el artículo
SN1106
Figura 4.4 Serie de tiempo para el artículo
KM80203-01
Fuente: Elaboración propia
GRAFICA 4.3 SERIE DE TIEMPO DE ENE-00 A MAR-06 PARA EL ARTICULO SN1106
0
200
400
600
800
1000
1200
PERIODO
DE
MA
ND
A R
EA
L
GRAFICA 4.2 SERIE DE TIEMPO DE ENE-00 A MAR-06 PARA EL ARTICULO KM639-02
0
500
1000
1500
2000
2500
3000
3500
4000
PERIODO
DE
MA
ND
A R
EA
L
GRAFICA 4.4 SERIE DE TIEMPO DE ENE-00 A MAR-06 PARA EL ARTICULO KM80203-01
0
100
200
300
400
500
600
700
800
PERIODO
DE
MA
ND
A R
EA
L
GRAFICA 4.1 SERIE DE TIEMPO DE ENE-00 A MAR-06 PARA EL ARTICULO KF224-02B
0
1000
2000
3000
4000
5000
6000
PERIODO
DE
MA
ND
A R
EA
L
Capítulo 4
80
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) que corresponde a un artículo
ofrecido para el vehículo de mayor circulación en México (ver anexo 1), éste se utilizará
durante el resto del capítulo para ilustrar el estudio, y más adelante se concentrará para el
cálculo de la precisión general. Los valores de la serie de tiempo se presentan en la
siguiente tabla.
Estudio de Caso
81
N Yt Yt-1 Yt-Ymed Yt-1-Ymed (Yt-Ymed)2 (Yt-Ymed) (Yt-1-Ymed) 1 518 -709 502019 0 2 762 518 -465 -709 215791 329137 3 645 762 -582 -465 338181 270142 4 566 645 -661 -582 436304 384122 5 667 566 -560 -661 313078 369590 6 1571 667 344 -560 118657 -192741 7 387 1571 -840 344 704816 -289191 8 677 387 -550 -840 301987 461352 9 624 677 -603 -550 363046 331112
10 567 624 -660 -603 434984 397391 11 2121 567 894 -660 800071 -589931 12 1551 2121 324 894 105279 290225 13 1098 1551 -129 324 16521 -41705 14 1027 1098 -200 -129 39814 25647 15 826 1027 -401 -200 160427 79920 16 1180 826 -47 -401 2165 18638 17 745 1180 -482 -47 231874 22407 18 1283 745 56 -482 3188 -27191 19 1014 1283 -213 56 45170 -12001 20 1690 1014 463 -213 214801 -98502 21 826 1690 -401 463 160427 -185634 22 1545 826 318 -401 101421 -127557 23 1937 1545 710 318 504763 226260 24 963 1937 -264 710 69450 -187232 25 1296 963 69 -264 4826 -18307 26 1653 1296 426 69 181874 29625 27 1972 1653 745 426 555721 317917 28 1160 1972 -67 745 4427 -49598 29 1767 1160 540 -67 292104 -35959 30 1917 1767 690 540 476744 373174 31 3770 1917 2543 690 6469223 1756179 32 770 3770 -457 2543 208423 -1161177 33 960 770 -267 -457 71040 121681 34 841 960 -386 -267 148636 102757 35 1392 841 165 -386 27379 -63793 36 0 1392 -1227 165 1504384 -202950 37 3050 0 1823 -1227 3325031 -2236543 38 2370 3050 1143 1823 1307516 2085073 39 1619 2370 392 1143 154030 448773 40 2431 1619 1204 392 1450740 472713 41 1192 2431 -35 1204 1193 -41594 42 758 1192 -469 -35 219523 16180 43 2027 758 800 -469 640747 -375045 44 1836 2027 609 800 371450 487858 45 598 1836 -629 609 395054 -383070 46 1405 598 178 -629 31850 -112172 47 658 1405 -569 178 323230 -101464 48 877 658 -350 -569 122174 198721 49 479 877 -748 -350 558806 261288 50 960 479 -267 -748 71040 199243 51 585 960 -642 -267 411565 170990 52 804 585 -423 -642 178534 271069 53 920 804 -307 -423 93963 129521 54 1382 920 155 -307 24170 -47656 55 3576 1382 2349 155 5519994 365264 56 1337 3576 110 2349 12203 259538 57 1336 1337 109 110 11983 12092 58 889 1336 -338 109 113929 -36949 59 857 889 -370 -338 136555 124730 60 1205 857 -22 -370 464 7957 61 861 1205 -366 -22 133615 7871 62 1014 861 -213 -366 45170 77688 63 2248 1014 1021 -213 1043394 -217096 64 2269 2248 1042 1021 1086737 1064845 65 1305 2269 78 1042 6157 81799 66 1478 1305 251 78 63235 19732 67 956 1478 -271 251 73188 -68030 68 467 956 -760 -271 576891 205479 69 434 467 -793 -760 628109 601955 70 1471 434 244 -793 59764 -193748 71 558 1471 -669 244 446937 -163434 72 1118 558 -109 -669 11779 72558 73 653 1118 -574 -109 328940 62247 74 959 653 -268 -574 71574 153439 75 760 959 -467 -268 217653 124813
Σ 91990 91230 0 467 36397903 6630444
Tabla 4.2 Valores de la serie de tiempo del artículo KM639-02
Fuente: Elaboración propia
Capítulo 4
82
Con los resultados de las sumatorias obtenidas se puede calcular el valor de r
mediante la utilización de la siguiente ecuación 4.1.
( )( )( )∑
∑
=
=
= +
−
−−=
n
t t
n
t tt
YY
YYYYr
1
2
1
1 1
1 ..............................4.1
El valor de 1r 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:
±N
Z1
0 .......................4.2
Estudio de Caso
83
Figura 4.5 Correlograma de la serie de datos del artículo KM639-02
Fuente: Elaboración propia
GRAFICA DE AUTOCORRELACIONES PARA KM639-02
-1 -0.8 -0.6 -0.4 -0.2 0 0.2 0.4 0.6 0.8 1
0.180.120.04
-0.03-0.150.110.050.080.17
-0.100.050.03
-0.07-0.110.11
-0.090.130.00
-0.120.01
-0.16-0.20-0.080.110.030.15
-0.04-0.10-0.07-0.23-0.150.090.07
-0.080.02
-0.15-0.04-0.12-0.02-0.050.01
-0.060.040.08
-0.04-0.04-0.03-0.050.01
-0.02-0.020.02
-0.02-0.03-0.02-0.03-0.010.020.01
-0.010.00
-0.03-0.010.050.040.060.040.040.020.040.020.020.01
12
34
56
78
910
1112
1314
1516
1718
1920
2122
2324
2526
2728
2930
3132
3334
3536
3738
3940
4142
4344
4546
4748
4950
5152
5354
5556
5758
5960
6162
6364
6566
6768
6970
7172
73
VA
LOR
ES
DE
r
COEFICIENTES DE AUTOCORRELACION
Capítulo 4
84
Entonces debido a que Z para un 95% de confiabilidad es igual a 1.96 tenemos
de 4.2 que:
227.074
196.10 ±=
± .
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.
Estudio de Caso
85
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.
Capítulo 4
86
Figura 4.6 Autocorrelación del artículo KM639-02 Figura 4.7 Autocorrelación parcial del artículo
KM639-02 Fuente: Elaboración propia
4.7 DETERMINACIÓN DE LOS ARREGLOS MÁS PRECISOS A AP LICAR
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.
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
Lag
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
Partial -.8 -.6 -.4 -.2 0 .2 .4 .6 .8
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
Lag
1.0000
0.1822
0.1152
0.0444
-0.0253
-0.1544
0.1063
0.0457
0.0777
0.1661
-0.0986
0.0529
0.0254
-0.0672
-0.1117
0.1121
-0.0871
0.1322
-0.0023
-0.1190
0.0094
-0.1615
-0.2030
-0.0754
0.1106
0.0320
0.1545
-0.0444
-0.0961
-0.0682
AutoCorr -.8 -.6 -.4 -.2 0 .2 .4 .6 .8
Estudio de Caso
87
VALOR PRONÓSTICADO
PERIODO Valor real ACTUAL
ARIMA (1.1.1)
ARIMA (1.1.2)
ARIMA (1.2.2)
ARIMA (2.2.2)
ARIMA (2.2.1)
ARIMA (2.1.1)
Abr-06 652.00 979.00 1044.96 1145.29 792.03 718.52 719.27 1070.10
May-06 1037.00 1173.00 1085.71 1210.32 716.36 715.52 714.72 1105.64
Jun-06 1147.00 858.00 1093.31 1244.82 688.45 646.98 647.84 1131.99
Jul-06 750.00 1144.00 1096.40 1263.48 636.88 604.62 604.65 1139.86
Ago-06 825.00 828.00 1098.88 1273.94 594.46 561.71 561.69 1144.40
Sep-06 1077.00 1000.00 1101.27 1280.14 546.12 510.13 510.46 1147.30
Tabla 4.3 Valor real y pronosticado para la serie de tiempo del artículo KM639-02
Fuente: Elaboración propia
Con estos valores se calcula la desviación media absoluta DAM para cada uno
de los arreglos incluyendo el pronóstico actual, con la finalidad de obtener cuál de ellos
es el que presenta la menor desviación, la siguiente ecuación se utiliza para calcular el
DAM (ver 2.6.1):
n
yy
n
eDAM
n
ttt
n
tt ∑∑
==
−== 11
ˆ
...........................4.3
Donde:
=ty Valor real
=ty Valor pronosticado
6
100010778288251144750858114711731037979652 −+−+−+−+−+−=ActualDAM
33.204=ActualDAM
En la siguiente tabla se presentan todos los valores de la DAM calculada para
cada uno de los modelos sugeridos.
Capítulo 4
88
DAM
ACTUAL ARIMA
(1.1.1) ARIMA (1.1.2)
ARIMA (1.2.2)
ARIMA (2.2.2)
ARIMA (2.2.1)
ARIMA (2.1.1)
Abr-06 327.00 392.96 493.29 140.03 66.52 67.27 418.10 May-06 136.00 48.71 173.32 320.64 321.48 322.28 68.64 Jun-06 289.00 53.69 97.82 458.55 500.02 499.16 15.01 Jul-06 394.00 346.40 513.48 113.12 145.38 145.35 389.86 Ago-06 3.00 273.88 448.94 230.54 263.29 263.31 319.40 Sep-06 77.00 24.27 203.14 530.88 566.87 566.54 70.30 PROMEDIO 204.33 189.99 321.66 298.96 310.59 310.65 213.55
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.
Figura 4.8 Comparación del valor real contra el pronóstico actual y el ARIMA 1.1.1 para el artículo
KM639-02
Fuente: Elaboración propia
GRÁFICA DEL PRONÓSTICO ACTUAL Y ARIMA vs VALOR REAL
0.00
200.00
400.00
600.00
800.00
1000.00
1200.00
1400.00
Abr-06 May-06 Jun-06 Jul-06 Ago-06 Sep-06 Periodo
Uni
dade
s
ACTUAL Valor real ARIMA (1.1.1)
Estudio de Caso
89
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 DAM ARIMA
2,2,2 DAM ARIMA
2,2,1 DAM ARIMA
2,1,1
K0036-02 15.865
K0047-06 16.159
K0465-05 41.279
K1121-01 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
KM173-01 144.222
KM639-02 189.986
KM80203-01 38.055
SB770 30.082
SBA1002 48.464
SBA1029 38.777
SBA60026 28.246
SD178B 10.096
SN1106 202.136
SN31846 504.045
SN9001 165.022
Tabla 4.5 Desviaciones medias absolutas obtenidas para los artículos clasificados como “A”.
Fuente: Elaboración propia
Capítulo 4
90
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.
Figura 4.8 Comparación del valor real contra el pronóstico actual y el ARIMA 2.2.2
para el artículo K0036-02
Fuente: Elaboración propia
GRÁFICA DEL PRONÓSTICO ACTUAL Y ARIMA vs VALOR REAL
0.00
20.00
40.00
60.00
80.00
100.00
120.00
140.00
160.00
180.00
Abr-06 May-06 Jun-06 Jul-06 Ago-06 Sep-06
Periodo
Uni
dade
s
ACTUAL Valor real ARIMA (2.2.2)
Estudio de Caso
91
Figura 4.9 Comparación del valor real contra el pronóstico actual y el ARIMA 1.1.1
para el artículo KF224-02B
Fuente: Elaboración propia
Figura 4.10 Comparación del valor real contra el pronóstico actual y el ARIMA 2.1.1
para el artículo KM11004-01
Fuente: Elaboración propia
GRÁFICA DEL PRONÓSTICO ACTUAL Y ARIMA vs VALOR REAL
0.00
200.00
400.00
600.00
800.00
1000.00
1200.00
1400.00
Abr-06 May-06 Jun-06 Jul-06 Ago-06 Sep-06
Periodo
Uni
dade
s
ACTUAL Valor real ARIMA (1.1.1)
GRÁFICA DEL PRONÓSTICO ACTUAL Y ARIMA vs VALOR REAL
0.00
500.00
1000.00
1500.00
2000.00
Abr-06 May-06 Jun-06 Jul-06 Ago-06 Sep-06
Periodo
Uni
dade
s
ACTUAL Valor real ARIMA (2.1.1)
Capítulo 4
92
Figura 4.11 Comparación del valor real contra el pronóstico actual y el ARIMA 1.1.2 para el
artículo KM168-02
Fuente: Elaboración propia
Figura 4.8 Comparación del valor real contra el pronóstico actual y el ARIMA 1.1.1
para el artículo K9082-01
Fuente: Elaboración propia
GRÁFICA DEL PRONÓSTICO ACTUAL Y ARIMA vs VALOR REAL
0.00
50.00
100.00
150.00
200.00
250.00
300.00
Abr-06 May-06 Jun-06 Jul-06 Ago-06 Sep-06 Periodo
Uni
dade
s
ACTUAL Valor real ARIMA (1.1.2)
GRÁFICA DEL PRONÓSTICO ACTUAL Y ARIMA vs VALOR REAL
0.00 50.00
100.00 150.00 200.00 250.00 300.00 350.00
Abr-06 May-06 Jun-06 Jul-06 Ago-06 Sep-06 Periodo
Uni
dade
s
ACTUAL Valor real ARIMA (1.1.2)
Estudio de Caso
93
Figura 4.8 Comparación del valor real contra el pronóstico actual y el ARIMA 12.2 para
el artículo SN9001 Fuente: Elaboración propia
A continuación se obtienen cada uno de los valores pronosticados por ARIMA de
acuerdo al modelo que ofrece la mayor ventaja obtenido en la tabla 4.5 utilizando el
programa JMP, y se compara contra el valor real de la demanda en cada uno de los periodos
analizados y para cada uno de los artículos A, obteniendo así el porcentaje de precisión para
cada uno de ellos. Este mismo procedimiento se realiza para los valores pronosticados con
el método tradicional y los porcentajes de la precisión obtenidos, se deben comparar
individual y globalmente. El porcentaje de la precisión será calculado de acuerdo a los
lineamientos establecidos en el capítulo 1 durante el tema de la medición del error en el
pronóstico y será simplemente la proporción obtenida que resulte de dividir el valor
pronosticado de la demanda entre el valor real de la demanda para un mismo periodo de
tiempo. Este procedimiento será de gran ayuda para conocer cuántos artículos mejoran su
pronóstico y de esta forma comparar los porcentajes globales, con el fin de determinar si la
metodología sugerida contribuye o no, a mejorar la precisión del pronóstico. Este
procedimiento se ilustra en la tabla 4.6 la que corresponde al primer periodo. En la sección
destinada para la presentación de resultados se incluirán los periodos restantes.
La tabla 4.6 refleja los errores obtenidos para el pronóstico utilizando la
metodología actual, y utilizando el procedimiento descrito se obtienen las sumatorias
globales de la entrada de pedidos y los valores pronosticados así como el porcentaje global
de la precisión del pronóstico para cada uno de los 6 periodos estudiados
GRÁFICA DEL PRONÓSTICO ACTUAL Y ARIMA vs VALOR REAL
0.00 100.00 200.00 300.00 400.00 500.00 600.00 700.00 800.00
Abr-06 May-06 Jun-06 Jul-06 Ago-06 Sep-06
Periodo
Uni
dade
s
ACTUAL Valor real ARIMA (1.2.2)
Capítulo 4
94
Comparación y evaluación de técnicas
Código SPM Pronóstico técnica actual Pedidos
Precisión del
pronóstico actual
Precisión desfavorable
Porcentaje de la
precisión individual
Pronóstico técnica
sugerida
Precisión del
pronóstico sugerido
Precisión desfavorable
Porcentaje de la
precisión individual
SBA60026 235 133 102 - 102 57% 106 27 27 125%
KM639-02 979 652 327 - 327 67% 1045 393 -393 62%
KM11004-01 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%
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%
Total A 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%
Tabla 4.6 Precisión del pronóstico global e individual para la técnica actual contra
la técnica sugerida
Fuente: Elaboración propia
Finalmente, dentro del apartado de los resultados se presentará un análisis de la
diferencia en moneda que existe al utilizarse la nueva técnica, lo que proporcionará una
idea del costo de la precisión del pronóstico ya que se evaluará qué técnica resulta más cara
Estudio de Caso
95
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.
Capítulo 4
96
Código SPM Pronóstico
Pedidos
Precisión Actual
Precisión Desfavorable
Porcentaje de error
Pronostico ARIMA
Precisión ARIMA
Precisión Desfavorable
Porcentaje de error
Casos de
Mejora
SBA60026 235 133 102 -102 77% 106 27 27 20% si
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% si
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%
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
KF587-04 122 79 43 -43 54% 112 33 -33 41% si
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
Total A 12,592 8,722 4,778 454 55% 11,319 3,256 330 36% 76% Precisión favorable y
desfavorable Productos A 45% 95% 63% 96%
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.
Estudio de Caso
97
Código SPM Pronóstico Pedidos
Precisión Actual
Precisión Desfavorable
Porcentaje de error
Pronostico ARIMA
Precisión ARIMA
Precisión Desfavorable
Porcentaje de error
Casos de Mejora
SBA60026 235 69 166 -166 241% 105 36 -36 52% si
KM639-02 1,173 1,037 136 -136 13% 1086 49 -49 5% si
SBA1029 100 32 68 -68 213% 61 29 -29 89% si
KM11004-01 1,438 1,332 106 -106 8% 1408 76 -76 6% si
K0047-06 332 156 176 -176 113% 127 29 29 19% si
K1886-01 198 186 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%
KM136-01 160 204 44 44 22% 138 66 66 32%
SN31846 3,200 2,600 600 -600 23% 2479 121 121 5%
KF224-02B 1,112 968 144 -144 15% 875 93 93 10% si
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%
KF587-04 155 168 13 13 8% 109 59 59 35%
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
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%
Total A 14,423 12,863 2,632 536 41% 11,812 2,061 1,556 27% 48% Precisión favorable y
desfavorable Productos A 80% 4% 84% 12%
Tabla 4.8 Resultados obtenidos para ambas metodologías durante el periodo de Mayo
Fuente: Elaboración Propia
La tabla 4.8 muestra como la precisión durante el mes de Mayo correspondiente al
segundo periodo estudiado, durante este periodo el incremento en la precisión del
pronóstico global es de 4% al pasar de un 80% a un 84%, mientras que el 48% de los
artículos individuales mejoran su precisión al utilizar la metodología ARIMA, en este
Capítulo 4
98
periodo la precisión calculada fue bastante alta, sin embargo logro mejorarse al aplicar la
metodología sugerida.
Código SPM Pronóstico Pedidos Precisión Actual
Precisión Desfavorable
Porcentaje de error
Pronostico ARIMA
Precisión ARIMA
Precisión Desfavorable
Porcentaje de error
Casos de
Mejora
SN31846 2,290 2,672 382 382 14% 2261 411 411 15%
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
SN9001 524 432 92 -92 21% 443 11 -11 3% si
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% si
KF251-01 136 119 17 -17 14% 99 20 20 17%
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%
Total A 11,367 12,769 2,676 2,039 27% 11,410 2,043 1,701 21% 68% Precisión favorable y
desfavorable Productos A 79% 84% 84% 87%
Tabla 4.9 Resultados obtenidos para ambas metodologías durante el periodo de Junio
Fuente: Elaboración Propia
La tabla 4.9 muestra como la precisión durante el mes de Junio correspondiente al
tercer periodo estudiado, durante el cual la precisión global alcanza el valor de 84% con la
técnica sugerida en contra del 79% obtenido con la técnica actual. Por otro lado, el
porcentaje de mejora para los valores individuales es del 68% de los productos analizados.
Estudio de Caso
99
Código SPM Pronóstico Pedidos Precisión
Actual Precisión
Desfavorable Porcentaje
de error Pronostico
ARIMA Precisión
ARIMA Precisión
Desfavorable Porcentaje
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
KF594-01 324 162 162 -162 100% 164 2 -2 1% si
KM168-02 244 155 89 -89 57% 186 31 -31 20% si
SBA1002 197 143 54 -54 38% 201 15 15 10% si
K1886-01 192 119 73 -73 61% 135 16 -16 13% si
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
Total A 15,156 8,968 6,188 - 107% 11,399 2,522 301 46% 96% Precisión favorable y
desfavorable Productos A 31% 100% 72% 97%
Tabla 4.10 Resultados obtenidos para ambas metodologías durante el periodo de Julio
Fuente: Elaboración Propia
La tabla 4.10 muestra como la precisión durante el mes de Julio correspondiente al
cuarto periodo estudiado, incrementa notablemente su precisión tanto global como
individual al pasar de 31% obtenido con la técnica actual al 72% calculado al utilizar
ARIMA, para el porcentaje global, mientras que en el individual se obtiene que un 96% de
los artículos estudiados mejoran su precisión.
Capítulo 4
100
Código SPM Pronóstico Pedidos Precisión Actual
Precisión Desfavorable
Porcentaje de error
Pronostico ARIMA
Precisión ARIMA
Precisión Desfavorable
Porcentaje de error
Casos de
Mejora
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% si
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%
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% si
K1886-01 144 154 11 11 7% 132 22 22 14%
KM136-01 153 100 53 -53 53% 132 32 -32 32% si
SBA60026 135 150 15 15 10% 108 42 42 28%
K260033-01 116 100 16 -16 16% 93 7 7 7% si
KM10993-01 110 99 11 -11 11% 124 25 -25 26%
K0047-06 116 137 21 21 15% 133 4 4 3% 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%
Total A 11,128 9,274 2,236 191 30% 11,295 2,511 245 29% 50% Precisión favorable y
desfavorable Productos A 76% 98% 73% 97%
Tabla 4.11 Resultados obtenidos para ambas metodologías durante el periodo de Agosto
Fuente: Elaboración Propia
La tabla 4.11 muestra como la precisión calculada con el método actual de forma
global es mayor que la calculada con la metodología sugerida en un 3% es decir, a pesar de
que el porcentaje precisión individual es mejor en el 50% de los artículos evaluados
Estudio de Caso
101
Código SPM Pronóstico Pedidos Precisión Actual
Precisión Desfavorable
Porcentaje de error
Pronostico ARIMA
Precisión ARIMA
Precisión Desfavorable
Porcentaje de error
Casos de
Mejora
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
KM639-02 1,000 1,077 77 77 7% 1101 24 -24 2% si
KF224-02B 857 967 110 110 11% 815 152 152 16%
KM173-01 831 987 156 156 16% 836 151 151 15% si
KM168-01 652 563 89 -89 16% 674 111 -111 20%
SN9001 540 80 460 -460 575% 455 375 -375 469% si
KF537-04 535 531 4 -4 1% 530 1 1 0% si
KM80203-01 290 305 15 15 5% 254 51 51 17%
K1121-01 252 174 78 -78 45% 226 52 -52 30% si
SN1106 283 973 690 690 71% 297 676 676 70% si
K0465-05 264 231 33 -33 14% 267 36 -36 16%
K9082-01 224 278 54 54 20% 281 3 -3 1% si
K70037-02 251 212 39 -39 18% 144 68 68 32%
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
K260033-01 121 120 1 -1 1% 90 30 30 25%
KM10993-01 116 130 15 15 11% 124 6 6 4% si
K0047-06 122 135 13 13 10% 135 0 0 0% si
K0036-02 118 122 4 4 4% 97 25 25 21%
KF251-01 131 79 52 -52 66% 85 6 -6 8% si
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
Total A 12,218 12,209 2,460 1,226 41% 11,273 2,271 1,603 31% 64% Precisión favorable y
desfavorable Productos A 80% 90% 81% 87%
Tabla 4.12 Resultados obtenidos para ambas metodologías durante el periodo de Septiembre
Fuente: Elaboración Propia
La tabla 4.12 muestra cómo la precisión calculada para el sexto es de 81%, la cual
es mejor que la obtenida con el método actual que asciende a un 80%, lo anterior es el
cálculo obtenido de forma global, mientras que al evaluar la precisión para cada artículo se
obtiene que el 64% de los casos estudiados se mejora con la metodología sugerida.
Capítulo 4
102
Tabla 4.13 Periodos mejorados al aplicar la metodología ARIMA Fuente: Elaboración Propia
NúmeroPer. Mej.
Actual ARIMA%
Actual%
ARIMAActual ARIMA
% Actual
% ARIMA
Actual ARIMA%
Actual%
ARIMAActual ARIMA
% Actual
% ARIMA
Actual ARIMA%
Actual%
ARIMAActual ARIMA
% Actual
% ARIMA
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% 21%
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%
AGOSTO
Pedido pzas
Pronostico
SEPTIEMBRE
Pedido pzas
Pronostico
JUNIO
Pedido pzas
Pronostico
JULIO
Pedido pzas
PronosticoPronostico
ABRIL
Pedido pzas
MAYO
Pedido pzas
Pronostico
Estudio de Caso
103
Número $ UN Actual ARIMA $ Actual $ ARIMA DIF Actual ARIMA $ Actual $ ARIMA DIF Actual ARIMA $ Actual $ ARIMA DIF Actual ARIMA $ Actual $ ARIMA DIF Actual ARIMA $ Actual $ ARIMA DIF Actual ARIMA $ Actual $ ARIMA DIF
K0036-02 320.21 8 0 2562 74 2487 15 29 4803 9199 -4396 26 9 8325 2754 5571 48.333 9 15477 2810 12667 37 23 11848 7509 4338 4.4 25 1409 8134 -6725
K0047-06 294.96 107 11 31561 3110 28450 176 29 51913 8650 43263 22 33 6489 9660 -3171 46.333 20 13666 5844 7823 21 4 6194 1254 4940 13.2 0 3893 79 3815
K0465-05 255.7 89 5 22757 1210 21548 41 106 10484 27068 -16584 28 18 7160 4630 2530 22.667 79 5796 20250 -14454 8 3 2046 855 1191 32.55 36 8323 9318 -995
K1121-01 647.76 82 45 53116 28980 24136 22 35 14251 22348 -8098 102 55 66072 35421 30650 378.33 229 245069 148364 96705 32 17 20728 11260 9468 78 52 50525 33529 16996
K1886-01 187.51 65 26 12188 4911 7277 12 42 2250 7933 -5683 54 61 10126 11365 -1239 73 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
K260033-01 402 13 15 5226 6161 -935 120 97 48240 38957 9283 120 100 48240 40235 8005 49 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
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
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 -1947
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
KF594-01 236.57 98 96 23184 22610 574 35 65 8280 15281 -7001 27 51 6387 12110 -5722 162 2 38324 386 37938 41.5 1 9818 350 9467 55.775 1 13195 340 12855
KM10993-01 411.64 58 51 23875 21039 2836 67 8 27580 3325 24255 39 33 16054 13614 2440 67.667 34 27854 13874 13980 11 25 4528 10490 -5961 14.5 6 5969 2360 3609
KM11004-01 415.16 19 121 7888 50208 -42320 106 76 44007 31521 12486 196 121 81371 50353 31018 653 118 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 3 8585 880 7706
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 89.05 111 45295 56683 -11387
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
KM639-02 232.57 327 393 76050 91391 -15341 136 49 31630 11329 20301 289 54 67213 12488 54725 394 346 91633 80562 11071 3 274 698 63696 -62998 77 24 17908 5645 12262
KM80203-01 218.15 108 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 50 23 1533 704 828 15 42 460 1293 -833 66.75 34 2046 1029 1017
SN1106 451.77 86 29 38852 12937 25915 143 93 64603 42001 22602 271 261 122430 117908 4521 87.667 83 39605 37428 2177 119.5 145 53987 65552 -11565 690.03 676 311733 305535 6198
SN31846 28.28 2190 1243 61933 35156 26777 600 121 16968 3428 13540 382 411 10803 11620 -817 692.33 49 19579 1375 18204 819 889 23161 25144 -1983 100 311 2828 8803 -5975
SN9001 524.11 256 215 134172 112547 21626 4 20 2096 10237 -8140 92 11 48218 5869 42349 554.67 240 290706 125926 164780 9.5 72 4979 37832 -32853 460.23 375 241209 196628 44581
TOTAL 4778 3256 864425 710528 153897 2552 2015 589577 564561 25016 2676 2043 781348 564538 216809 6189 2522 1903884 863142 1040741 2236 2511 442899 519634 -76736 2460 2271 927442 787022 140420
ABRIL MAYO
PRECISION PRECISION
JUNIO JULIO
PRECISION PRECISION
AGOSTO SEPTIEMBRE
PRECISION PRECISION
Tabla 4.14 Beneficio económico al aplicar la metodología ARIMA Fuente: Elaboración Propia
TOTAL ACUM $ ACTUAL $5,509,573
TOTAL ACUM $ ARIMA $4,009,425 GRAN TOTAL AHORRO $1,500,148
Capítulo 4
104
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.
105
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
Conclusiones
106
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.
Conclusiones
107
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.
108
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 970-17-0270-0
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
109
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.
APÉNDICE 1:
Los 100 vehículos de mayor circulación en México
111
MARCA EMPRESA, MARCA Y MODELOACUMULADO
1972-2005PARTICIPACION POR MODELO
PARTICIPACION ACUMULADA
AÑO INICIA
AÑO TERMINA
NISSAN TSURU (TODAS SUS VERSIONES) 1,083,420 13.25% 13.25% 1984 2005VW SEDÁN 763,423 9.34% 22.59% 1972 2005VW JETTA (TODAS SUS VERSIONES) 488,146 5.97% 28.57% 1987 2005G.M. CHEVY NACIONAL 455,660 5.57% 34.14% 1995 2005VW POINTER (INCLUYE SU VERSIÓN GTI) 311,452 3.81% 37.95% 1997 2005NISSAN SENTRA NACIONAL 273,272 3.34% 41.29% 1995 2005VW GOLF (TODAS SUS VERSIONES) 211,460 2.59% 43.88% 1987 2005NISSAN PLATINA 190,967 2.34% 46.22% 2002 2005DAIMLERCHRYSLER STRATUS 186,628 2.28% 48.50% 1995 2005G.M. CHEVY MONZA 175,191 2.14% 50.64% 1996 2005FORD TOPAZ 170,605 2.09% 52.73% 1983 1994DAIMLERCHRYSLER NEÓN 167,260 2.05% 54.78% 1994 2005G.M. CAVALIER 149,953 1.83% 56.61% 1990 2005DAIMLERCHRYSLER SHADOW 130,461 1.60% 58.21% 1988 1994DAIMLERCHRYSLER SPIRIT (TODAS SUS VERSIONES) 122,019 1.49% 59.70% 1989 1995FORD FIESTA 110,451 1.35% 61.05% 1998 2005G.M. CORSA SEDÁN 109,275 1.34% 62.39% 2002 2005DAIMLERCHRYSLER ATOS 101,746 1.24% 63.63% 2000 2005VW CARIBE 97,624 1.19% 64.83% 1977 1990VW DERBY IMPORTADO 90,003 1.10% 65.93% 1992 2005DAIMLERCHRYSLER DART K 88,079 1.08% 67.01% 1982 1989FORD FOCUS 86,118 1.05% 68.06% 1999 2005HONDA CIVIC 82,262 1.01% 69.07% 1996 2005HONDA ACCORD NACIONAL 74,295 0.91% 69.98% 1995 2005G.M. ASTRA 74,245 0.91% 70.88% 2000 2005FORD FIESTA IKON 65,866 0.81% 71.69% 2001 2005FORD LTD/ GRAND MARQUIS NACIONAL 65,382 0.80% 72.49% 1991 1995FORD KA 61,612 0.75% 73.24% 2001 2005G.M. MALIBU 61,454 0.75% 73.99% 1997 2005VW POINTER WAGON 60,708 0.74% 74.74% 1998 2005FORD ESCORT IMPORTADO 56,588 0.69% 75.43% 1994 2000NISSAN TSUBAME (TODAS SUS VERSIONES) 52,436 0.64% 76.07% 1986 2004NISSAN DATSUN 51,631 0.63% 76.70% 1972 1984G.M. CUTLASS 48,847 0.60% 77.30% 1986 1997NISSAN ALTIMA 48,552 0.59% 77.89% 1995 2005PEUGEOT PEUGEOT 206 44,349 0.54% 78.44% 1999 2005VW ATLANTIC 43,822 0.54% 78.97% 1980 1991RENAULT CLIO NACIONAL 43,055 0.53% 79.50% 2001 2005DAIMLERCHRYSLER VOLARE K 42,967 0.53% 80.03% 1982 1989FORD GHIA 40,809 0.50% 80.52% 1990 1994FORD CONTOUR 36,399 0.45% 80.97% 1995 2002SEAT IBIZA 2 PUERTAS 36,394 0.45% 81.42% 2001 2005G.M. SUNFIRE 32,042 0.39% 81.81% 1996 2005SEAT CORDOBA 31,155 0.38% 82.19% 2001 2005FORD FAIRMONT 30,460 0.37% 82.56% 1978 1983G.M. EUROSPORT 30,198 0.37% 82.93% 1986 1996DAIMLERCHRYSLER VERNA 30,143 0.37% 83.30% 2003 2005DAIMLERCHRYSLER PHANTOM 29,812 0.36% 83.66% 1986 1994G.M. CELEBRITY 27,779 0.34% 84.00% 1981 1991DAIMLERCHRYSLER CIRRUS 27,312 0.33% 84.34% 1995 2005FORD MUSTANG NACIONAL 27,151 0.33% 84.67% 1972 1984FORD COUGAR NACIONAL B 27,031 0.33% 85.00% 1984 1992FORD MYSTIQUE 26,848 0.33% 85.33% 1994 2002FORD MONDEO 26,540 0.32% 85.65% 2001 2005G.M. CHEVY IMPORTADO 26,115 0.32% 85.97% 2000 2003G.M. CENTURY 25,733 0.31% 86.29% 1983 1997FORD LTD/ GRAND MARQUIS IMPORTADO 23,544 0.29% 86.58% 1995 2004VW NEW BEETLE 21,864 0.27% 86.84% 1998 2005G.M. CORSA 21,442 0.26% 87.11% 2001 2005FORD THUNDERBIRD NACIONAL B 21,319 0.26% 87.37% 1984 1992FORD FIESTA SEDÁN 19,021 0.23% 87.60% 2005 2005VW POLO 4 PUERTAS 18,984 0.23% 87.83% 2003 2005SEAT IBIZA 4 PUERTAS 18,892 0.23% 88.06% 2003 2005TOYOTA RAV 4 18,695 0.23% 88.29% 2003 2005FORD ESCORT NACIONAL 18,284 0.22% 88.52% 1995 2002BMW SERIE 3 18,209 0.22% 88.74% 1997 2005VW CORSAR 18,136 0.22% 88.96% 1983 1991G.M. MERIVA 17,753 0.22% 89.18% 2003 2005VW BORA 17,211 0.21% 89.39% 2005 2005DAIMLERCHRYSLER NEW YORKER 16,956 0.21% 89.60% 1984 1994G.M. CHEVY STATION WAGON 16,914 0.21% 89.80% 1999 2004G.M. MATIZ 16,733 0.20% 90.01% 2003 2005DAIMLERCHRYSLER DODGE DART 16,401 0.20% 90.21% 1972 1982FORD MUSTANG IMPORTADO 16,324 0.20% 90.41% 1994 2005NISSAN HATCH BACK SAMURAI 16,299 0.20% 90.61% 1980 1992FORD SABLE 15,946 0.20% 90.80% 1994 2005DAIMLERCHRYSLER LE BARON 15,507 0.19% 90.99% 1977 1996TOYOTA COROLLA 15,245 0.19% 91.18% 2002 2005FORD TAURUS 15,223 0.19% 91.36% 1988 1991VW LUPO 4 PUERTAS 14,288 0.17% 91.54% 2004 2005TOYOTA SIENNA 13,973 0.17% 91.71% 2003 2005VW PASSAT (TODAS SUS VERSIONES) 13,592 0.17% 91.88% 1990 2005NISSAN MAXIMA 13,586 0.17% 92.04% 1990 2005NISSAN STATION WAGON 13,325 0.16% 92.21% 1972 1984DAIMLERCHRYSLER CRUISER 13,169 0.16% 92.37% 2000 2005NISSAN ALMERA 13,125 0.16% 92.53% 2001 2005G.M. GRAND AM 12,949 0.16% 92.69% 1999 2005DAIMLERCHRYSLER LE BARON K 12,937 0.16% 92.84% 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.
112
MARCA EMPRESA, MARCA Y MODELOACUMULADO
1972-2005PARTICIPACION
/MODELOPARTICIPACION
ACUMULADAAÑO
INICIAAÑO
TERMINANISSAN CHASIS (TODAS SUS VERSIONES) 266,372 6.36% 6.36% 1972 2005NISSAN PICK UP (TODAS SUS VERSIONES) 244,157 5.83% 12.20% 1974 2005DAIMLERCHRYSLER RAM 1500/ RAM CHARGER/ D 150/ AD 150/ AW 150 237,930 5.68% 17.88% 1980 2004G.M. C 20/ C 2500 117"/ SILVERADO 2500 IMPORTADO 236,927 5.66% 23.54% 1985 2005FORD F 350 137" 225,867 5.40% 28.93% 1972 2005FORD F 150 117" PICK UP 197,720 4.72% 33.66% 1979 2005G.M. C 15/ C 1500 117"/ SILVERADO 1500 IMPORTADO 173,701 4.15% 37.81% 1979 2005G.M. C 35 135" CABINA RD/ C3500 R.D. 132,467 3.16% 40.97% 1988 2005DAIMLERCHRYSLER VOYAGER 130,970 3.13% 44.10% 1990 2005DAIMLERCHRYSLER RAM 3500/ D 350 116,868 2.79% 46.89% 1980 2003FORD F 250 117" PICK UP 112,702 2.69% 49.58% 1991 2005VW PANEL 103,125 2.46% 52.05% 1973 2002DAIMLERCHRYSLER RAM 2500/ D 250 98,344 2.35% 54.39% 1985 2004G.M. SUBURBAN 93,438 2.23% 56.63% 1986 2005FORD LOBO 83,671 2.00% 58.63% 1996 2005FORD WINDSTAR 78,508 1.88% 60.50% 1994 2004FORD RANGER 75,833 1.81% 62.31% 1995 2005FORD F 200 65,283 1.56% 63.87% 1985 1991NISSAN XTRAIL 59,417 1.42% 65.29% 2001 2005FORD ECOSPORT 59,294 1.42% 66.71% 2003 2005G.M. P 30 56,892 1.36% 68.07% 1981 2005DAIMLERCHRYSLER LIBERTY 51,473 1.23% 69.30% 2001 2005FORD EXPLORER 51,392 1.23% 70.52% 1990 2005VW COMBI 42,107 1.01% 71.53% 1972 2002G.M. LUV 41,396 0.99% 72.52% 1997 2005NISSAN ESTACAS (TODAS SUS VERSIONES) 41,188 0.98% 73.50% 1975 2005FORD ESCAPE 40,066 0.96% 74.46% 2000 2005G.M. SILVERADO 37,472 0.90% 75.35% 1994 2002DAIMLERCHRYSLER CHEROKEE 36,388 0.87% 76.22% 1992 2005FORD COURIER 35,285 0.84% 77.07% 2000 2005HONDA CR-V 34,096 0.81% 77.88% 2002 2005G.M. BLAZER IMPORTADO 34,013 0.81% 78.69% 1994 2005G.M. VENTURE 32,773 0.78% 79.48% 1997 2005G.M. GEO TRACKER 31,046 0.74% 80.22% 1992 2005NISSAN ICHI VAN 29,662 0.71% 80.93% 1987 1994FORD EXPEDITION 25,753 0.62% 81.54% 1996 2005G.M. BLAZER/ MAXI-CAB (NACIONALES) 24,235 0.58% 82.12% 1990 1994G.M. CHEVY VAN 23,745 0.57% 82.69% 1994 2005G.M. C 30/35 21,991 0.53% 83.21% 1979 1987DAIMLERCHRYSLER PD 600 21,961 0.52% 83.74% 1972 1984FORD F-450 21,901 0.52% 84.26% 1997 2005G.M. S 10 20,583 0.49% 84.75% 1994 2004DAIMLERCHRYSLER D 100 20,055 0.48% 85.23% 1972 1979G.M. TORNADO PICK UP 20,055 0.48% 85.71% 2003 2005DAIMLERCHRYSLER CLUB CAB 20,042 0.48% 86.19% 1995 2005G.M. CHEVY PICK UP IMPORTADO 19,197 0.46% 86.65% 1999 2004VW POINTER PICK UP 19,092 0.46% 87.10% 1998 2005TOYOTA RAV 4 18,695 0.45% 87.55% 2003 2005NISSAN URVAN CARGA 18,326 0.44% 87.99% 1999 2005DAIMLERCHRYSLER RAM VAN 17,867 0.43% 88.41% 1996 2004DAIMLERCHRYSLER DURANGO 17,492 0.42% 88.83% 1997 2005HONDA ODISSEY 16,342 0.39% 89.22% 1999 2005DAIMLERCHRYSLER RAM WAGON 15,432 0.37% 89.59% 1993 2004FORD P 350 137" CHASIS R.S. 14,635 0.35% 89.94% 1989 1997G.M. SILVERADO 1500 NACIONAL 14,462 0.35% 90.29% 2004 2005TOYOTA SIENNA 13,973 0.33% 90.62% 2003 2005NISSAN PATHFINDER 13,533 0.32% 90.94% 1996 2005FORD ECONOLINE 13,428 0.32% 91.26% 1994 2005FORD F 100 12,275 0.29% 91.56% 1972 1978DAIMLERCHRYSLER DM 350 12,164 0.29% 91.85% 1988 1993G.M. CS 1073 PICK UP 11,785 0.28% 92.13% 1972 1978VW EURO CARGA 11,674 0.28% 92.41% 2001 2005FORD CLUB WAGON 10,901 0.26% 92.67% 1994 2005DAIMLERCHRYSLER H-100 10,826 0.26% 92.93% 2002 2005NISSAN FRONTIER 10,782 0.26% 93.18% 2000 2005DAIMLERCHRYSLER D 300 10,778 0.26% 93.44% 1972 1979FORD FREESTAR 10,436 0.25% 93.69% 2004 2005NISSAN URVAN PASAJEROS 9,968 0.24% 93.93% 1999 2005DAIMLERCHRYSLER RAM 2500 IMPORTADA 9,937 0.24% 94.17% 2002 2005G.M. EQUINOX 9,407 0.22% 94.39% 2004 2005MITSUBISHI OUTLANDER 9,382 0.22% 94.62% 2003 2005NISSAN XTERRA 8,938 0.21% 94.83% 1999 2005FORD B 100 8,525 0.20% 95.03% 1973 1981DAIMLERCHRYSLER WRANGLER 8,423 0.20% 95.23% 1991 2005G.M. SONORA 8,111 0.19% 95.43% 2000 2005G.M. CHEVY PICK UP NACIONAL 7,334 0.18% 95.60% 1998 2000G.M. C 60/65 7,203 0.17% 95.77% 1979 1987DAIMLERCHRYSLER RAM 4X4/ W 250 7,094 0.17% 95.94% 1985 1993DAIMLERCHRYSLER RAM 3500 IMPORTADA 7,070 0.17% 96.11% 2004 2005VW SHARAN 7,036 0.17% 96.28% 2001 2005G.M. COLORADO DOBLE CABINA 6,208 0.15% 96.43% 2004 2005VW EURO PASAJE 5,885 0.14% 96.57% 2001 2005FORD B 150 5,876 0.14% 96.71% 1975 1985G.M. AZTEK 5,628 0.13% 96.85% 2000 2005G.M. UPLANDER 5,543 0.13% 96.98% 2004 2005NISSAN MURANO 5,354 0.13% 97.11% 2003 2005RENAULT KANGOO 4,851 0.12% 97.22% 2003 2005VW VW VAN 4,748 0.11% 97.33% 2002 2005
Tabla A.2 Camionetas de mayor circulación en México
Fuente: Elaboración Propia tomado de estudio de parque vehicular mexicano 2005, Melgar y
asociados.
113
Apéndice 2
Situación macroeconómica de México como factor modificador de la demanda (breve análisis)
A.2 SITUACIÓN MACROECONÓMICA DEL PAÍS BREVE ANÁLISI S
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
114
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.
I - 05 II - 05 III - 05 IV - 05 I - 06
2.4
3.3 3.4
2.7
5.5
0
1
2
3
4
5
6
PO
RC
EN
TA
JE
PERIODO
PRODUCTO INTERNO BRUTO TRIMESTRAL % VARIACION REAL ANUAL
115
A2.3 SALDO DE LA CUENTA CORRIENTE COMO PORCENTAJE D EL 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.
SALDO DE LA CUENTA CORRIENTE COMO % DEL PIB
-8.00%
-7.00%
-6.00%
-5.00%
-4.00%
-3.00%
-2.00%
-1.00%
0.00%
1988
1989
1990
1991
1992
1993
1994
1995
1996
1997
1998
1999
2000
2001
2002
2003
2004
AÑOS
PO
RC
EN
TA
JE
116
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%.
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
1.8
0
1
2
3
4
5
6
7
PO
RC
EN
TA
JE
Ene
-05
Feb
-05
Mar
-05
Abr
-05
May
-05
Jun-
05
Jul-0
5
Ago
-05
Sep
-05
Oct
-05
Nov
-05
Dic
-05
Ene
-06
Feb
-06
Mar
-06
Abr
-06
May
-06
MES/AÑO
ÍNDICE GLOBAL DE LA ACTIVIDAD ECONOMÍA VARIACION % ANUAL
117
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.
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%).
INDICE DE CONFIANZA DEL CONSUMIDOR (ENERO 2003=100)
109.7
90
95
100
105
110
115
Ene
-05
Mar
-05
May
-05
Jul-0
5
Sep
-05
Nov
-05
Ene
-06
Mar
-06
May
-06
Jul-0
6
PERIODO
118
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.
INDICADOR DE LA IFBT (VAR % ANUAL)
0
2
4
6
8
10
12
14
16
18
Ene
-05
Feb
-05
Mar
-05
Abr
-05
May
-05
Jun-
05
Jul-0
5
Ago
-05
Sep
-05
Oct
-05
Nov
-05
Dic
-05
Ene
-06
Feb
-06
Mar
-06
Abr
-06
May
-06
PERIDODO
PO
RC
EN
TA
JE
119
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.
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.
TASA DE DESOCUPACION (% DE LA PEA)
00.5
11.5
22.5
33.5
44.5
ene-
05
feb-
05
mar
-05
abr-
05
may
-05
jun-
05
jul-0
5
ago-
05
sep-
05
oct-
05
nov-
05
dic-
05
ene-
06
feb-
06
mar
-06
abr-
06
may
-06
jun-
06
PERIODO
PO
RC
EN
TA
JE
120
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.
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.
INDICE NACIONAL DE PRECIOS AL CONSUMIDOR (VARIACION % MENSUAL)
0.09%
-60%
-40%
-20%
0%
20%
40%
60%
80%en
e-05
feb-
05
mar
-05
abr-
05
may
-05
jun-
05
jul-0
5
ago-
05
sep-
05
oct-
05
nov-
05
dic-
05
ene-
06
feb-
06
mar
-06
abr-
06
may
-06
jun-
06
PERIODO
PO
RC
EN
TA
JE
121
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.
TASAS DE INETERES DOMESTICAS (%)
6.00
7.00
8.00
9.00
10.00
Ene
-05
Mar
-05
May
-05
Jul-0
5
Sep
-05
Nov
-05
Ene
-06
Mar
-06
May
-06
Jul-0
6
PERIODO
PO
RC
EN
TA
JE
CETES
TIIE
TIPO DE CAMBIO PESO-DOLAR (FIX PROMEDIO MENSUAL)
10.000010.200010.400010.600010.800011.000011.200011.400011.6000
Ene
-05
Mar
-05
May
-05
Jul-0
5
Sep
-05
Nov
-05
Ene
-06
Mar
-06
May
-06
Jul-0
6
PERIODO