Cuantos datos históricos se necesitan para realizar un pronóstico?
La respuesta a esta pregunta es NO EXISTE UNA CANTIDAD MÍNIMA O MÁXIMA DE DATOS HISTÓRICOS para ejecutar un proceso de pronósticos.
La cantidad ideal de datos históricos para realizar un proceso de pronósticos puede variar según el tipo de pronóstico a utilizar y la complejidad del fenómeno a analizar. En términos generales, contar con un conjunto de datos extenso y representativo puede mejorar la asertividad del proceso de pronóstico. Sin embargo, la calidad de los datos y la estabilidad de condiciones externas también son factores que determinan el número de datos a analizar.
En algunos casos, modelos predictivos pueden requerir grandes cantidades de datos, mientras que en otros, un conjunto más pequeño pero “bien seleccionado” podría ser suficiente. Es esencial evaluar cada situación de manera específica.
Cuando nos referimos a la complejidad de los fenómenos, hacemos énfasis a fenómenos como: el crecimiento económico, el %PIB, el consumo per cápita, el precio del dólar, el clima, la demanda de un producto, etc.
Por ejemplo, para pronosticar la demanda, es recomendable trabajar por lo menos con 24 periodos mensuales, este número de periodos proporciona una visión más completa de los patrones estacionales, tendenciales y cíclicos, sin embargo, la elección del número de datos dependerá de la naturaleza del producto, la variabilidad de la demanda y la disponibilidad de datos relevantes, además, considerar factores externos como cambios en el mercado o eventos especiales puede ser crucial para ajustar y mejorar la predicción.
Es relevante tener en cuenta los siguientes aspectos para determinar el número de datos históricos:
Tipo de producto
La naturaleza del producto y su ciclo de vida influyen en la cantidad de datos, si se desconoce en qué etapa del ciclo de vida se encuentra y usted toma los datos históricos desde su lanzamiento, el modelo de pronóstico puede incurrir en sesgo debido a que los valores de los datos de la etapa de lanzamiento son menores a los valores de los datos en la etapa de madurez o viceversa.
Factores Estacionales
Cuantos más ciclos estacionales puedas identificar en tus datos, mejor podrás entender la naturaleza y la regularidad de las estacionalidades. Un conjunto de datos más extenso que abarque múltiples ciclos estacionales proporcionará una base más sólida para prever patrones futuros. Si estás tratando con estacionalidades a nivel mensual, anual, trimestral, etc., necesitarás suficientes datos en cada período para capturar la variación estacional de manera efectiva, estacionalidades como: navidad, san Valentín, halloween, vacaciones, escolar, fiestas patronales y nacionales, entre otros, marcan un patrón de comportamiento en un conjunto de datos y para que un modelo de pronóstico identifique ese patrón se requerirán como mínimo 24 datos históricos mensuales.
Variabilidad
Uno de los retos más apremiantes en la planeación de demanda es cuando se enfrenta a una serie de datos con una alta variabilidad con coeficientes de variación por encima del 1.0, en casos muy específicos con coeficientes por encima de 0.5 se vuelve complejo pronosticar, en algunos casos, la variabilidad puede deberse a factores a corto plazo que no afectan las tendencias a largo plazo. Para situaciones de alta variabilidad no se recomienda utilizar menos de 12 datos históricos debido a que el modelo no lograría identificar si la variabilidad de los datos es temporal o es recurrente, para este tipo de series de tiempo es recomendable analizar 36 datos históricos mensuales o más, después ir descartando aquellos datos o periodos que generan la distorsión o variabilidad.
En situaciones con alta variabilidad, puede ser más apropiado proporcionar datos o grupo de datos en forma de rangos o en intervalos de tiempo en lugar de valores puntuales (agregar a nivel de periodo).
Cambios en el Mercado
Eventos económicos, competencia o cambios regulatorios pueden afectar la demanda. En mercados que han experimentado cambios en el pasado, es beneficioso contar con un historial significativo de datos recomendable mayor a 36 registros. Esto permite analizar cómo el mercado ha respondido a situaciones similares en el pasado y puede proporcionar insights valiosos para prever futuros cambios.
En algunos casos, especialmente cuando se anticipan cambios rápidos, la integración de datos en tiempo real puede ser esencial. Esto permite ajustar los pronósticos de manera dinámica a medida que evolucionan las condiciones del mercado, Asegúrese de tener datos que reflejen los aspectos clave del mercado que se verán afectados por los cambios anticipados. Esto podría incluir datos de ventas, comportamiento del consumidor, tendencias económicas, entre otros.
Dependiendo de la velocidad con la que se esperan los cambios, puede ser necesario trabajar con datos más frecuentes (mayor granularidad) para capturar los cambios a corto plazo.
Calidad de los Datos
De nada sirve contar con un extenso conjunto de datos, si los datos no reflejan la realidad de lo ocurrido, es mejor trabajar con pocos datos pero consistentes. Los modelos de pronóstico dependen en gran medida de la calidad de los datos de entrada. Si los datos contienen errores, sesgos o están incompletos, los modelos generarán pronósticos inexactos.
La confiabilidad de los datos se refiere a su consistencia y estabilidad a lo largo del tiempo. Los datos inconsistentes o que varían significativamente pueden afectar la capacidad de los modelos de pronósticos, al igual que la falta de datos o datos incompletos puede llevar a lagunas en la información.
Los datos deben ser íntegros haciendo referencia a su calidad. Los errores en la entrada de datos, duplicaciones o inconsistencias pueden afectar la confiabilidad de los resultados, la implementación de prácticas sólidas de gestión de datos, como la limpieza regular de datos, la validación y la actualización constante.
Intervalos de Tiempo
Este intervalo, también conocido como frecuencia temporal, se refiere a la distancia entre puntos de datos sucesivos, comúnmente conocido como “granularidad”.
La granularidad del tiempo se refiere a cuán detallada es la información temporal. Puedes tener intervalos de tiempo diarios, horarios, mensuales, anuales, etc. La elección de la granularidad debe adaptarse a la naturaleza del problema y a la disponibilidad de datos. La elección del intervalo de tiempo también está vinculada a la capacidad de recopilar y procesar datos. Intervalos de tiempo más cortos pueden requerir más recursos y capacidad de procesamiento.
Dependiendo de la granularidad escogida así mismo seria el número de datos a analizar, por ejemplo realizar la estimación de la frecuencia de la parada del bus, para este caso la granularidad es a nivel de “hora” y en un día obtendrás unos 18 a 20 registros y en el mes obtendrás 600 registros aproximadamente dependiendo de la franja horaria que tenga establecido el sistema de transporte urbano.
Efectos Externos
La cantidad de datos necesarios para realizar un pronóstico cuando existen efectos externos depende de la naturaleza de esos efectos y de la complejidad del sistema que estás tratando de modelar. Comienza identificando y comprendiendo los efectos externos que podrían influir en tus resultados. Esto podría incluir factores como eventos climáticos, cambios en las regulaciones gubernamentales, fluctuaciones económicas, pandemias u otros eventos imprevistos.
Reúne datos históricos que estén directamente relacionados con los efectos externos que podrían afectar tus pronósticos. Estos datos te ayudarán a comprender cómo el sistema ha respondido en el pasado a situaciones similares, recopila datos contextuales que puedan ayudar a explicar y comprender la interacción entre los factores externos y tus variables de interés. Esto puede incluir datos demográficos, datos geográficos, etc.
Dada la incertidumbre asociada con los efectos externos, considera utilizar técnicas de modelado de escenarios. Esto implica desarrollar varios escenarios posibles basados en diferentes condiciones externas y evaluar cómo cada escenario afectaría tus pronósticos, en situaciones donde los efectos externos son complejos y difíciles de modelar, la colaboración con expertos en el campo puede ser valiosa. La experiencia humana puede proporcionar perspectivas que los modelos puramente cuantitativos podrían pasar por alto.
Conclusión
Los modelos de pronóstico desempeñan un papel crucial al analizar y entender patrones pasados, proporcionando una interpretación de lo que ha ocurrido en un determinado conjunto de datos. Sin embargo, es esencial destacar que estos modelos interpretan eventos históricos y patrones pasados, no anticipan de manera directa lo que ocurrirá en el futuro. Su función principal radica en identificar tendencias, estacionalidades y relaciones en datos previos para informar sobre posibles escenarios futuros. La interpretación de datos históricos permite a los modelos ofrecer perspectivas valiosas sobre cómo ciertos factores han influido en el pasado, brindando así una base para realizar proyecciones y pronósticos. No obstante, la incertidumbre inherente a eventos futuros significa que los modelos de pronóstico deben ser utilizados con cautela y considerados como herramientas de apoyo, con la comprensión de que no pueden predecir de manera infalible lo que sucederá en el futuro.
Acerca de JOSÉ ANDRÉS ROSAS
correo electroníco: joserosassoluciones@hotmail.com
PLANEACIÓN DE DEMANDA
La planeación de la demanda engloba un grupo de acciones que tienen como objetivo mantener los niveles de stock adecuados en el almacén para atender la demanda de los clientes, la planeación de demanda buscar lograr un equilibrio entre la demanda y el suministro, las compañias han de contar con las materias primas necesarias para producir y al mismo tiempo, con suficiente inventario de producto terminado para atender los pedidos de sus clientes.
Encontrar el equilibrio perfecto que existe entre el suministro y la demanda puede resultar casi imposible, lo perfecto es enemigo de lo bueno. Y, a pesar de que mantener ese equilibrio es una de las principales preocupaciones de la planeación de la demanda, también lo es el esfuerzo constante para ayudar a moldear la demanda mediante un uso eficiente de las actividades promocionales, de marketing y lanzamientos de nuevos productos.
¿Por qué es importante planear de la demanda?
A titulo personal considero que la planeación de la demanda es el corazón de una cadena de abastecimiento eficiente y cumple dos tareas primordiales, lo que la hace doblemente importante para las compañias.
Primero, siempre tiene el foco principal para garantizar la venta, una venta que genere los ingresos esperados en terminos de mejorar la rentabilidad del negocio, la planeación de la demanda funciona para asegurarse de que los clientes minoristas y mayoristas tengan la cantidad correcta de inventario en el momento y lugar adecuado, sin embargo garantizar la venta ya no es suficiente.
Segundo, también se trata de administrar los negocios de una forma más eficiente. La planeación de la demanda ayuda con eficiencia a administrar el inventario de manera más inteligente, puede ayudar a las empresas a evitar los peligros del exceso de inventario, como el aumento de los costos de mantenimiento de inventario y situaciones financieras que requieren el uso de descuentos de productos u otras medidas temporales para aliviar el exceso de inventario acelerando su venta.
Cuales son los grupos de interes (Stakeholders) de Planeación de Demanda?
Al ser considerada la planeación de demanda como el corazón de la cadena de abastecimiento, al igual que sucede con el cuerpo humano, son muchas las áreas que interrelacionan con ella buscando un beneficio del analisis de la demanda futura para la adecuada coordinación de actividades y recursos necesarios para garantizar en buena medida la disponibilidad de inventario en el momento y el lugar adecuado.
Ventajas de Planear la Demanda
A continuación, miraremos algunas ventajas en cada uno de estos grupos de interes:
Producción: Conocer con antelación cuanto será la demanda le permitirá a este grupo:
- Coordinar la cantidad de operarios,
- Establecer el tiempo de maquinas necesario para cumplir con la demanda,
- Cantidad de días de trabajo,
- Espacios para mantenimientos y limipeza, entre otras actividades.
Materiales y Suministros: Conocer con antelación cuanto será la demanda le permitirá a este grupo:
- Coordinar la cantidad de materias primas necesaria para cumplir con el proceso productivo mediante el proceso de MRP (Material Requirements Planning),
- Coordinar los tiempos de entregas de parte de los proveedores,
- Anticipar o retrasar entregas de estos materiales por parte de los proveedores,
- Redución del inventario obsoleto de materias primas y materiales.
Almacenamiento: Conocer con antelación cuanto será la demanda le permitirá a este grupo:
- Establecer los espacios disponibles o ubicaciones necesarias para disponer del producto que ingresa desde producción.
- Revisar y analisar si se requiere ubicaciones adicionales,
- Necesidad de subcontratar espacios adicionales,
- Planear la mano de obra necesaria para garantiar la operacion de almacenamiento, picking y despacho,
- Alquiler de estibas y montacargas,
- Optimizar el espacio de almacenamiento, lo que reflejará en minimización del costo.
Distribución: Conocer con antelación cuanto será la demanda le permitirá a este grupo,:
- Establecer el recurso de vehículos necesarios para el envió de pedidos,
- Programar los muelles de despacho,
- Planear las cuadrillas de cargue,
- Segun el alcance la compañia, planear las rutas de entrega de pedidos.
Finanzas: Conocer con antelación cuanto será la demanda le permitirá a este grupo, preparar a la caja de la empresa para disponer del dinero necesario para la compra de materias primas, materiales y suministros, tambien para el pago de la nomina, proyectar los ingresos por ventas, entre otro tipo de informacion de carácter financiero.
Mercadeo: Normalmente el área de mercadeo es la encargada de la administración de la marca, el área de mercadeo requiere de planeación de demanda los estimados de ventas, realizados a partir de modelos matemáticos y estadísticos, este resultado servirá para darle a conocer si la proyección de venta presenta crecimiento o decrecimiento, se presenta cumplimiento o decrecimiento. En cambio desde el área de mercadeo se podrá recibir todo lo relacionado con planes promocionales, planes de marketing, descuentos entre otros, este input servirá a planeación de demanda a fortalecer el pronóstico matemático.
Elementos de Planeación de Demanda
Gestión del Portafolio: La gestión eficaz de la demanda requiere una comprensión integral de los productos y sus respectivos ciclos de vida, la gestión del portafolio de productos ofrece dicho conocimiento y detalla el ciclo de vida completo de un producto, desde sus orígenes hasta su eventual eliminación. Y dado que muchas líneas de productos son interdependientes, la gestión del portafolio de productos le muestra cómo la demanda cambiante puede afectar a los productos “vecinos”.
Previsión Estadística: Estimar las ventas es una tarea más compleja de lo que pudiera parecer porque, en realidad, estas están sujetas a cambios inesperados. No existe ningún método de previsión infalible porque es imposible determinar todos los acontecimientos futuros. Aunque hay productos con un patrón de consumo muy estable en el tiempo, no siempre es así. Algunos productos son estacionales, por lo que se consumen en mayor volumen en determinadas fechas del año. Otros, por contra, se ven influenciados por modas o cambios de hábitos, lo que dificulta anticipar su venta. Partiendo del concepto fundamental de que la información histórica suele ser lo que mejor define el rendimiento futuro, la previsión estadística utiliza algoritmos complejos para analizar datos antiguos y desarrollar previsiones de la demanda, las matemáticas de los métodos de previsión estadística son avanzadas y su proceso exige la existencia de datos precisos (incluso de valores atípicos, exclusiones o suposiciones).
Detección de Variables Exógenas: El proceso de planeación de demanda deberá incluir un fuerte análisis incluyendo variables exógenas, como el clima, las tendencias de las enfermedades infecciosas, datos gubernamentales, fiestas locales y nacionales y más, con datos de tendencias históricas, y aplica inteligencia artificial para detectar interrupciones e influencias de la demanda casi en tiempo real.
Planes Promocionales: Los descuentos, el plan de marketing, las promociones comerciales y otras estrategias de marketing utilizan eventos especiales (como descuentos o rifas en los establecimientos) para aumentar la demanda de los consumidores, este tipo de recurso afecta de manera considerable la demanda de un producto porque despierta el interes de los clientes y querrán aprovechar un producto a menor precio.
Acerca de JOSÉ ANDRÉS ROSAS
correo electroníco: joserosassoluciones@hotmail.com
COBERTURA DE INVENTARIO
La cobertura de inventario es una medida logística que indica la cantidad de tiempo durante el cual una empresa puede cubrir la demanda de sus clientes con el inventario disponible. Ese cubrimiento de inventario se expresa mayormente por las empresas en termino de días.
Conocer al detalle la cobertura de inventario es relevante para asegurar que las empresas pueden dar cumplimiento a los pedidos de los clientes sin incurrir en un quiebre de inventario, de igual manera se pueden hacer previsiones de abastecimiento y liquidez para que la compañía pueda aprovisionarse correctamente dado el caso adelantando o retrasando pedidos. Sumado a esto, también se puede calcular con cuánto tiempo de antelación se deben de realizar los pedidos a los proveedores, en función de sus tiempos de espera.
Como se calcula la Cobertura de Inventario?
La fórmula utilizada para calcular la cobertura de inventario es dividiendo la cantidad de inventario sobre la demanda promedio o estimada, la expresión matemática es la siguiente:
COBERTURA DE INVENTARIO = CANTIDAD DE INVENTARIO / DEMANDA
Es importante aclarar que el resultado de la cobertura de inventario el cual viene expresado en unidad de tiempo depende de la periodicidad de la demanda que se vaya a utilizar, si la demanda promedio o estimada es semanal el resultado de la cobertura vendra expresada en semanas y si la demanda promedio o estimada es mensual el resultado de la cobertura vendra expresada en meses.
Como es habitual en las compañias, el cálculo de la cobertura de inventario viene expresada en días, entonces si su demanda estimada o el promedio de la demanda es mensual la relación se debe multiplicar por 30 días, la formula quedaría de la siguiente manera:
COBERTURA DE INVENTARIO (días) = CANTIDAD DE INVENTARIO / DEMANDA (mes) x 30 días
Como Interpretar La Cobertura de Inventarios:
El objetivo de la cobertura de inventario es contar con un nivel de inventario “adecuado” para atender la demanda, lo ideal es que el resultado de la cobertura sea un numero lo suficientemente grande para no tener ruptura de inventario, no obstante, esto podria tener repercusiones como exceso de inventario, lo que llevaría a las empresas a incurrir en costos de almacenamiento, incrementa el cuidado y la administración del inventario, capital de trabajo (efectivo) congelado y el riesgo de obsolescencia y/o vencimiento del inventario.
Por el contrario, contar con una cobertura baja de inventario, las empresas incurrirían en quiebres permanentes de inventario, multiples procesos de generación de pedidos y llegado el caso sobrecostos por entregas prioritarias o de urgencia.
Ejemplo Cálculo Cobertura de Inventario
Carlos, el dueño de un almacen de ventas de zapatos para mujer, al realizar inventario fisico dispone de 100 pares de zapatos, la demanda promedio mensual es de 120 zapatos, la cobertura de inventario de zapatos para mujer sería:
COBERTURA DE INVENTARIO = CANTIDAD DE INVENTARIO / DEMANDA x 30 días
COBERTURA DE INVENTARIO = 100 zapatos / 120 zapatos/mes x 30 días
COBERTURA DE INVENTARIO = 0.833 x 30 días
COBERTURA DE INVENTARIO = 25 días
Carlos podria interpretar el resultado de las siguientes maneras:
El inventario de 100 pares de zapatos para mujer alcanza a cubrir 25 días de venta.
El almacen de Carlos cuenta con una cobertura de inventario para afrontar la demanda durante 25 días.
Acerca de JOSÉ ANDRÉS ROSAS
correo electroníco: joserosassoluciones@hotmail.com
ANÁLISIS EXPLORATORIO DE DATOS EN PLANEACIÓN DE DEMANDA
¿QUE ES EL ANÁLISIS EXPLORATORIO DE DATOS?
Los profesionales de Planeación de Demanda o Demand Planners utilizan el análisis exploratorio de datos (Exploratory Data Analysis) con el fin de analizar e investigar conjuntos de datos y resumir sus principales características, a menudo empleando métodos de visualización de datos. El EDA ayuda a determinar la mejor manera de manipular las fuentes de datos para obtener las respuestas que necesita, lo que facilita a los planeadores de demanda descubrir patrones, detectar anomalías, probar una hipótesis o comprobar supuestos.
El EDA se usa principalmente para ver qué pueden revelar los datos más allá de la tarea formal de modelado o de prueba de hipótesis y proporciona una mejor comprensión de las variables del conjunto de datos y las relaciones entre ellas. También puede ayudar a determinar si las técnicas estadísticas que está implementando para el análisis de datos son apropiadas. Desarrollado originalmente por el matemático estadounidense John Tukey en los 70, las técnicas de EDA siguen siendo un método ampliamente utilizado en el proceso de descubrimiento de datos hoy en día.
.
Mediante el proceso del EDA, estamos tratando de encontrar varios aspectos relevantes en demanda como por ejemplo:
- Conocer la estructura y distribución de los datos
- Encontrar las relaciones entre las variables explicatorias
- Encontrar la relación que tienen las variables explicatorias con la variable respuesta
- Encontrar posibles errores, datos atípicos (outliers) y anomalías en los datos
- Identificar patrones de comportamiento
- Refinar o confirmar nuestras hipótesis
- Generar nuevas preguntas sobre los datos que tenemos
.
OBJETIVO DEL ANÁLISIS EXPLORATORIO DE DATOS
El propósito principal del EDA es ayudar a estudiar los datos antes de hacer cualquier supuesto. Puede ayudar a identificar errores obvios, así como comprender mejor los patrones dentro de los datos, detectar valores atípicos o eventos anómalos, y encontrar relaciones interesantes entre las variables.
Los profesionales de planeación de demanda pueden utilizar un análisis exploratorio para garantizar que los resultados que producen son válidos y aplicables a los resultados y objetivos empresariales deseados., como el cumplimiento o no del presupuesto, expectativas de crecimiento o decrecimiento, entro otros. El EDA también ayuda a los stakeholders al confirmar que están haciendo las preguntas correctas. El EDA puede ayudar a responder preguntas acerca de desviaciones estándar, variables categóricas e intervalos de confianza.
No existe como tal una técnica formal que nos indique como llevar a cabo este tipo de análisis, mas bien depende de lo que vayamos encontrando en los datos, así como la experiencia y el conocimiento especifico del campo que tengamos, el análisis exploratorio de datos es como un trabajo detectivesco, se buscan claves y pistas que puedan conducir a la identificación de las posibles causas de origen del problema que se intenta resolver. Se exploran las variables de una en una, luego de dos en dos, y luego muchas variables a la vez, como el EDA implica explorar, podemos decir que es un proceso iterativo. .
TIPOS DE ANÁLISIS EXPLORATORIO DE DATOS
Existe literatura extensa acerca de las diferentes tipos de EDA, pero de un modo practico lo podemos resumir en 4 tipos:
- Numérico Univariante
- Grafíco Univariante
- Numérico Multivariante
- Grafíco Multivariente
1. Numérico Univariante
Esta es la forma más simple de análisis de datos, donde los datos analizados consisten en una sola variable, es el tipo de EDA mas básico y usado por los profesionales de Planeación de Demanda debido que es una sola variable la de nuestro interés (Demanda), en este análisis no se ocupa de las causas o relaciones. El objetivo principal del análisis univariante es describir los datos e identificar los patrones que existen en ellos, a continuación los descriptores univariantes mas comunes son:
- Número de observaciones
- Máximo
- Mínimo
- Rango
- Tendencia
- Desviación estándar
- Media o promedio
- Mediana
- Moda
- Coeficiente de variación
- Simetría
- Curtosis
- Funcíon de autocorrelación
2. Gráfico Univariante
Los métodos numéricos no proporcionan una imagen completa de los datos, por lo tanto, se requieren métodos gráficos. Los tipos comunes de gráficos univariantes incluyen:
- Diagrama de Líneas, Los gráficos de líneas se utilizan para mostrar el valor cuantitativo en un intervalo de tiempo continuo. Se usa con mayor frecuencia para mostrar tendencias y relaciones (cuando se agrupan con otras líneas). Los gráficos de línea también ayudan a dar un «panorama general» en un intervalo, para ver cómo se ha desarrollado durante ese período.
.
Gráfico 1. Diagrama de Linea
.
- Histogramas, diagramas de barras en los que cada barra representa la frecuencia (recuento) o la proporción (recuento/recuento total) de casos para un rango de valores.
Gráfico 2. Histograma
.
- Diagrama de Cajas – Bigotes (boxplots o box and whiskers) son una presentación visual que describe varias características importantes, al mismo tiempo, tales como la dispersión y simetría. Se representan gráficamente el resumen de seis números dentro de los datos, el mínimo, primer cuartil, mediana, media, tercer cuartil y máximo, también ayuda a identificar valores atípicos (outliers).
.Gráfico 3. Diagrama de Cajas – Bigotes
.
3. Numérico Multivariante
Se obtienen datos multivariantes de más de una variable. Las técnicas de EDA no gráficas y multivariantes generalmente muestran la relación entre dos o más variables de los datos a través de la tabulación cruzada o las estadísticas, el estadístico mas usado en técnicas multivariantes es el coeficiente de correlación.
.
4. Gráfico Multivariante
Los datos multivariantes utilizan gráficos para mostrar relaciones entre dos o más conjuntos de datos. El gráfico más utilizado es un diagrama de barras agrupadas o un gráfico de barras donde cada grupo representa un nivel de una de las variables y cada barra dentro de un grupo representa los niveles de la otra variable.
Muchos procedimientos estadísticos en planeación de demanda exigen una serie de requisitos según de cual se trate, pero en términos sencillos, los podemos resumir así:
- Homogeneidad
- Independencia
- Normalidad
.
HOMOGENEIDAD
En toda serie histórica de datos (Serie de tiempo) es conveniente revisar que tan homogéneos son los datos, en el análisis de series de tiempo, nos interesa la “estabilidad” de la demanda en relación al tiempo. Debemos chequear la presencia de valores extremos Máximo y Mínimo, este tipo de datos reciben el nombre de datos influyentes o atípicos (outliers en ingles), se llaman influyentes por dos motivos, 1) porque llaman mucho la atención de los interesados al responder la pregunta de cuanto ha sido la mayor venta o cuanto fue la menor venta o en que periodos se han presentados los dos eventos anteriormente mencionados y 2) porque influyen de manera positiva o negativa en los resultados de estimación de la demanda.
.
Grafico 1. Valores Máximo – Mínimo
.
Contando con los datos máximos y mínimos podemos identificar el Rango (máximo – mínimo), el rango nos permite tener una idea de la dispersión de los datos, cuanto mayor es el rango mayor será la dispersión de los datos (sin considerar la afectación por parte de los outliers), en otras palabras nos da una idea del espacio en el cual se moverá la demanda.
.
Grafico 2. Rango
.
¿Porqué nos importa en planeación de demanda la HOMOGENEIDAD?
El objetivo del análisis y modelado de series de tiempo es usualmente la construcción de modelos de pronósticos que ayuden a estimar la demanda con un alto grado de asertividad con el fin de anticipar el abastecimiento tanto de producto terminado como el de materiales y materia prima. Entonces, ¿Cómo podemos generar estos pronósticos utilizando un modelo con parámetros variables en el tiempo? ¿Cuánta confianza podemos poner en esos pronósticos? ¿El pronóstico es robusto? ¿el pronóstico interpretó el patrón de comportamiento?.
Para resolver las preguntas anteriores es relevante conocer lo opuesto a la homogeneidad y que en la mayoría de las ocasiones es lo que representa a la demanda real, me refiero a la HETEROGENEIDAD.
¿Qué factores afectan la HOMOGENEIDAD en planeación de demanda?
- La demanda está evolucionando con el pasar del tiempo. En este caso, tratar de ajustar un modelo de pronóstico con valores de parámetros fijos no sería óptimo, a pesar de nuestros mejores esfuerzos. Necesitamos examinar técnicas avanzadas de modelado para interpretar el patrón de comportamiento de la serie histórica de la demanda. Esto se encuentra fuera del alcance del EDA por lo que lo trataremos en otro post (modelos de pronósticos)
- La demanda posee algún grado de tendencia o estacionalidad.
- La demanda ha sufrido cambios estructurales puntuales debido a eventos exógenos, como un plan de oferta y promoción, descuentos, aumento o disminución de precios, aprobación y aplicación de nuevas leyes relevantes o un importante desarrollo en el proceso mismo.
.
INDEPENDENCIA
En el análisis de series de tiempo, podemos decir que dos sucesos son independientes entre sí, si la ocurrencia de uno de ellos no afecta para nada a la ocurrencia del otro, ejemplo: el evento de la temperatura de una región y la demanda de una golosina son “independientes”, el hecho de que en una región sea mas calurosa o mas fría no va influir de manera considerada los niveles de venta de una golosina y viceversa.
Para que dos sucesos sean independientes es necesario verificar al menos una de las siguientes condiciones:
- P (B/A) = P (B) es decir, que la probabilidad de que se de el suceso B, condicionada a que previamente se haya dado el suceso A, es exactamente igual a la probabilidad de B.
- P (A/B) = P (A) es decir, que la probabilidad de que se de el suceso A, condicionada a que previamente se haya dado el suceso B, es exactamente igual a la probabilidad de A.
- P (A L B) = P (A) * P (B) es decir, que la probabilidad de que se de el suceso conjunto A y B es exactamente igual a la probabilidad del suceso A multiplicada por la probabilidad del suceso B.
Algunos ejemplos de sucesos que generan “dependencia” en la demanda y que desde planeación de demanda deben ser bien analizados son:
- Inversión en publicidad, estadísticamente se encuentra demostrado que a mayor nivel de inversión en medios publicitarios mayor será la demanda. generando algún grado de dependencia.
- Precio del Dólar, este suceso afectará de manera considerable la demanda, a mayor precio del dólar, encarecerá el valor del producto ocasionando que se disminuyan las ventas y viceversa.
- Nivel de desempleo, a mayor nivel de desempleo, menor es el poder adquisitivo de las personas, por tal motivo este suceso puede crear algún grado de dependencia en la demanda.
- Nivel de temperatura, en algunos casos para algunos productos, el suceso del nivel de temperatura puede afectar la demanda de un producto, ejemplo, a mayor nivel de temperatura puede aumentar la demanda de bebidas refrescantes o helados.
.
NORMALIDAD
A fin de comprender e interpretar de manera adecuada una serie de tiempo (demanda histórica), se requiere conocer una de las más importantes distribuciones de probabilidad denominada distribución normal. Las características básicas de ella se tratan a continuación.
Una distribución normal representa la forma en la que se distribuyen en la naturaleza los diversos valores numéricos de las variables continuas, la normalidad esta basada en un concepto invariado o aislado con enfoque estadístico generado por una serie de valores u observaciones de una sola variable (univariables) como pueden ser estatura, peso, en nuestro caso una serie de tiempo.
Para delimitar la NORMALIDAD se requiere de un método matemático que defina los valores numéricos que dividan la zona de normalidad y anormalidad en nuestra serie de tiempo.
Características de la NORMALIDAD en una serie de tiempo
- Está determinada por dos parámetros, LA MEDIA y LA DESVIACIÓN ESTANDAR.
- Es SIMETRICA en torno a la media, es decir, el 50% de los datos se encuentran a la derecha y el otro 50% de los datos se encuentran a la izquierda.
- MEDIA, MEDIANA y MODA, son iguales, sin embargo es poco probable que en una serie de tiempo de la demanda de un producto presente MODA por tal motivo no podemos ser muy exigentes con esta característica al momento de descartar NORMALIDAD.
Podemos decir que una serie de tiempo presenta NORMALIDAD cuando el 95,5% de las observaciones se encuentran dentro del intervalo de la MEDIA +/- 2 DESVIACIONES ESTANDAR y tan solo un 4,5% se encuentran fuera de ese intervalo.
Grafico 3. Distribución Normalidad
Acerca de JOSÉ ANDRÉS ROSAS
correo electroníco: joserosassoluciones@hotmail.com
