Previsión de la demanda

Estimaciones de la demanda de los clientes

La previsión de la demanda , también conocida como planificación de la demanda y previsión de ventas (DP&SF), ^[1] implica la predicción de la cantidad de bienes y servicios que demandarán los consumidores o clientes comerciales en un momento futuro. ^[2] Más específicamente, los métodos de previsión de la demanda implican el uso de análisis predictivos para estimar la demanda de los clientes teniendo en cuenta las condiciones económicas clave. Esta es una herramienta importante para optimizar la rentabilidad empresarial a través de una gestión eficiente de la cadena de suministro. Los métodos de previsión de la demanda se dividen en dos categorías principales, métodos cualitativos y cuantitativos:

• Los métodos cualitativos se basan en la opinión de expertos y en información obtenida sobre el terreno. Este método se utiliza principalmente en situaciones en las que hay pocos datos disponibles para el análisis, como cuando una empresa o un producto se ha introducido recientemente en el mercado.
• Los métodos cuantitativos utilizan datos disponibles y herramientas analíticas para producir predicciones.

La previsión de la demanda se puede utilizar en la asignación de recursos, la gestión de inventario , la evaluación de los requisitos de capacidad futuros o la toma de decisiones sobre si entrar en un nuevo mercado . ^[3]

Importancia de la previsión de la demanda para las empresas

La previsión de la demanda desempeña un papel importante para las empresas de diferentes sectores, en particular en lo que respecta a la mitigación de los riesgos asociados a determinadas actividades comerciales. Sin embargo, se sabe que la previsión de la demanda es una tarea difícil para las empresas debido a las complejidades del análisis, en concreto del análisis cuantitativo. ^[4] No obstante, comprender las necesidades de los clientes es una parte indispensable de cualquier sector para que las actividades comerciales se implementen de manera eficiente y respondan de manera más adecuada a las necesidades del mercado. Si las empresas pueden prever la demanda de manera eficaz, pueden obtener varios beneficios. Estos incluyen, entre otros, la reducción de desperdicios, la asignación optimizada de recursos y, potencialmente, grandes aumentos en las ventas y los ingresos.

Algunas de las razones por las que las empresas necesitan prever la demanda incluyen:

1. Cumplimiento de objetivos : la mayoría de las organizaciones exitosas tendrán trayectorias de crecimiento predeterminadas y planes a largo plazo para garantizar que el negocio funcione a un nivel ideal. Al comprender los mercados de demanda futuros, las empresas pueden ser proactivas para garantizar que se cumplan los objetivos en este entorno comercial.
2. Decisiones empresariales : en lo que respecta al cumplimiento de objetivos, al tener un conocimiento profundo de la demanda futura de la industria, la gerencia y los miembros clave de la junta directiva pueden tomar decisiones empresariales estratégicas que fomenten una mayor rentabilidad y crecimiento. Estas decisiones generalmente están asociadas con los conceptos de capacidad, orientación del mercado, adquisición de materia prima y comprensión de la dirección del contrato con los proveedores.
3. Crecimiento : Al tener una comprensión precisa de los pronósticos futuros, las empresas pueden evaluar la necesidad de expansión dentro de un marco temporal que les permita hacerlo de manera rentable. ^[5]
4. Gestión del capital humano : si hay un aumento rápido de la demanda en una industria pero una empresa no tiene suficientes empleados para satisfacer los pedidos de ventas, la lealtad del consumidor puede verse afectada negativamente, ya que los clientes se ven obligados a comprar a los competidores. ^[6]
5. Planificación financiera : es fundamental comprender las previsiones de demanda para poder presupuestar de manera eficiente las operaciones futuras en términos de factores como el flujo de caja, la contabilidad de inventarios y los costos operativos generales. ^[7] El uso de un modelo preciso de previsión de la demanda puede dar como resultado reducciones significativas en los costos operativos de las empresas, ya quese requiere mantener menos existencias de seguridad . ^[8]

Métodos para pronosticar la demanda

Existen diversos análisis estadísticos y econométricos que se utilizan para pronosticar la demanda. ^[9] La previsión de la demanda se puede dividir en un proceso de siete etapas, que se describen de la siguiente manera:

Etapa 1: enunciado de una teoría o hipótesis

El primer paso para pronosticar la demanda es determinar un conjunto de objetivos o información para derivar diferentes estrategias comerciales. Estos objetivos se basan en un conjunto de hipótesis que generalmente provienen de una mezcla de teoría económica o estudios empíricos previos. Por ejemplo, un gerente puede desear encontrar cuál sería el precio y la cantidad de producción óptimos para un nuevo producto, basándose en cómo la elasticidad de la demanda afectó las ventas pasadas de la empresa.

Etapa 2: especificación del modelo

Existen muchos modelos econométricos diferentes que difieren dependiendo del análisis que los gerentes desean realizar. El tipo de modelo que se elige para pronosticar la demanda depende de muchos aspectos diferentes, como el tipo de datos obtenidos o el número de observaciones, etc. ^[10] En esta etapa es importante definir el tipo de variables que se utilizarán para pronosticar la demanda. El análisis de regresión es el principal método estadístico para pronosticar. Hay muchos tipos diferentes de análisis de regresión, pero fundamentalmente, proporcionan un análisis de cómo una o múltiples variables afectan a la variable dependiente que se está midiendo. Un ejemplo de un modelo para pronosticar la demanda es el modelo de regresión de pronóstico de demanda de M. Roodman (1986) para medir los efectos de la estacionalidad en un punto de datos que se está midiendo. ^[11] El modelo se basó en un modelo de regresión lineal y se utiliza para medir tendencias lineales basadas en ciclos estacionales y sus efectos sobre la demanda, es decir, la demanda estacional de un producto basada en las ventas en verano e invierno.

El modelo de regresión lineal se describe como:

${\displaystyle Y_{i}=\beta _{0}+\beta _{1}X_{i}+e}$

Donde es la variable dependiente, es la intersección, es el coeficiente de pendiente, es la variable independiente y e es el término de error. ${\displaystyle Y_{i}}$ ${\displaystyle \beta _{0}}$ ${\displaystyle \beta _{1}}$ ${\displaystyle X_{i}}$

El modelo de previsión de la demanda de M. Roodman se basa en la regresión lineal y se describe como:

${\displaystyle \lambda _{q}=\{t\mid t=1,\dots ,n{\text{ and }}t{\bmod {Q}}=q\}\qquad q=1,\dots ,Q}$

${\displaystyle \lambda _{q}}$se define como el conjunto de todos los índices t  para el trimestre q . El proceso que genera los datos para todos los períodos t  que caen en el trimestre q  viene dado por:

${\displaystyle Y_{t}=(\beta +\tau \times t)\times \sigma _{q}+e}$

• ${\displaystyle Y_{t}}$= el dato para el período
• β = demanda base al inicio del horizonte de la serie temporal
• τ = la tendencia lineal por trimestre
• ${\displaystyle \sigma _{q}}$= el factor estacional multiplicativo para el trimestre
• e = un término de perturbación

Etapa 3: recopilación de datos

Una vez que se especifica el tipo de modelo en la etapa 2, se deben especificar los datos y el método de recolección de datos. El modelo debe especificarse primero para determinar las variables que deben recopilarse. Por el contrario, al decidir sobre el modelo de pronóstico deseado, se deben considerar los datos disponibles o los métodos para recopilar datos para formular el modelo correcto. Recopilación Los datos de series de tiempo y los datos transversales son los diferentes métodos de recopilación que se pueden utilizar. Los datos de series de tiempo se basan en observaciones históricas tomadas secuencialmente en el tiempo. Estas observaciones se utilizan para derivar estadísticas, características y conocimientos relevantes de los datos. ^[12] Los puntos de datos que se pueden recopilar utilizando datos de series de tiempo pueden ser ventas, precios, costos de fabricación y sus intervalos de tiempo correspondientes, es decir, semanal, mensual, trimestral, anual o cualquier otro intervalo regular. Los datos transversales se refieren a los datos recopilados sobre una sola entidad en diferentes períodos de tiempo. Los datos transversales utilizados en la previsión de la demanda generalmente representan un punto de datos recopilado de un individuo, empresa, industria o área. Por ejemplo, las ventas de la empresa A durante el primer trimestre. Este tipo de datos encapsula una variedad de puntos de datos que dieron como resultado el punto de datos final. El subconjunto de puntos de datos puede no ser observable o factible de determinar, pero puede ser un método práctico para agregar precisión al modelo de pronóstico de la demanda. ^[13] La fuente de los datos se puede encontrar a través de los registros de la empresa, agencias comerciales o privadas o fuentes oficiales.

Etapa 4: estimación de parámetros

Una vez obtenidos el modelo y los datos, se pueden calcular los valores para determinar los efectos que tienen las variables independientes sobre la variable dependiente en cuestión. Utilizando el modelo de regresión lineal como ejemplo de estimación de parámetros, se siguen los siguientes pasos:

Fórmula de regresión lineal:

${\displaystyle Y_{i}=\beta _{0}+\beta _{1}X_{i}+e}$

El primer paso es encontrar la línea que minimiza la suma de los cuadrados de la diferencia entre los valores observados de la variable dependiente y los valores ajustados de la línea. ^[9] Esto se expresa como que minimiza y , el valor ajustado de la línea de regresión. ${\displaystyle {\hat {Y}}_{i}=\beta _{0}+\beta _{1}{X_{i}}}$ ${\displaystyle \Sigma (Y_{i}-{\hat {Y_{i}}})^{2}}$ ${\displaystyle {\hat {Y_{i}}}=\beta _{0}}$

${\displaystyle \beta _{0}}$y también es necesario representarlas para encontrar la intersección y la pendiente de la línea. El método para determinar y es utilizar la diferenciación parcial con respecto a ambos y estableciendo ambas expresiones iguales a cero y resolviéndolas simultáneamente. El método para omitir estas variables se describe a continuación: ${\displaystyle \beta _{1}}$ ${\displaystyle \beta _{0}}$ ${\displaystyle \beta _{1}}$ ${\displaystyle \beta _{0}}$ ${\displaystyle \beta _{1}}$

${\displaystyle {\begin{aligned}\beta _{1}&={\frac {n\Sigma XY-\Sigma X\Sigma y}{n\Sigma X^{2}-(\Sigma X)^{2}}}\\\beta _{0}&={\frac {\Sigma Y}{n}}-{\frac {\beta _{1}\Sigma X}{n}}\end{aligned}}}$

Etapa 5: comprobar la precisión del modelo

Calcular la precisión de las previsiones de demanda es el proceso de determinar la precisión de las previsiones realizadas en relación con la demanda de un producto por parte de los clientes. ^{[14] [15]} Comprender y predecir la demanda de los clientes es vital para que los fabricantes y distribuidores eviten la falta de existencias y mantengan niveles de inventario adecuados. Si bien las previsiones nunca son perfectas, son necesarias para prepararse para la demanda real. Para mantener un inventario optimizado y una cadena de suministro eficaz, es imprescindible contar con previsiones precisas de la demanda.

Cálculo de la precisión de las previsiones de la cadena de suministro

La precisión de los pronósticos en la cadena de suministro se mide normalmente utilizando el error porcentual absoluto medio o MAPE. Estadísticamente, el MAPE se define como el promedio de los errores porcentuales.

Sin embargo, la mayoría de los profesionales definen y utilizan el MAPE como la desviación absoluta media dividida por las ventas promedio, que es simplemente un MAPE ponderado por volumen, también conocido como la relación MAD/media. Esto es lo mismo que dividir la suma de las desviaciones absolutas por las ventas totales de todos los productos. Este cálculo , donde A es el valor real y F el pronóstico, también se conoce como WAPE o error porcentual absoluto ponderado. ${\displaystyle {\frac {\sum {|A-F|}}{\sum {A}}}}$

Otra opción interesante es la ponderada . La ventaja de esta medida es que puede ponderar los errores. El único problema es que para los productos estacionales creará un resultado indefinido cuando las ventas = 0 y eso no es simétrico. Esto significa que puede ser mucho más impreciso si las ventas son mayores que si son menores que el pronóstico. Por lo tanto, se utiliza sMAPE, también conocido como error porcentual absoluto medio simétrico, para corregir esto. ${\displaystyle {\text{MAPE}}={\frac {\sum (w\cdot |A-F|)}{\sum (w\cdot A)}}}$

Finalmente, para patrones de demanda intermitentes, ninguno de los anteriores es particularmente útil. En esta situación, una empresa puede considerar MASE (error absoluto medio escalado) como un indicador clave de rendimiento a utilizar. Sin embargo, el uso de este cálculo es un desafío ya que no es tan intuitivo como el mencionado anteriormente. ^[16] Otra métrica a considerar, especialmente cuando hay patrones de demanda intermitentes o irregulares, es SPEC (costes de error de predicción orientados al mantenimiento de existencias). ^[17] La ​​idea detrás de esta métrica es comparar la demanda prevista y la demanda real calculando los costos teóricos incurridos durante el horizonte de pronóstico. Supone que la demanda prevista superior a la demanda real da como resultado costos de mantenimiento de existencias, mientras que la demanda prevista inferior a la demanda real da como resultado costos de oportunidad . SPEC tiene en cuenta los cambios temporales (predicción antes o después de la demanda real) o aspectos relacionados con los costos y también permite comparaciones entre pronósticos de demanda basados ​​en aspectos comerciales.

Cálculo del error de previsión

El error de previsión debe calcularse utilizando las ventas reales como base. Existen varias formas de métodos de cálculo de error de previsión utilizados, a saber, error porcentual medio , error cuadrático medio , señal de seguimiento y sesgo de previsión .

Etapa 6: prueba de hipótesis

Una vez que se ha determinado el modelo, se utiliza para probar la teoría o hipótesis planteada en la primera etapa. Los resultados deben describir lo que se intenta lograr y determinar si la teoría o hipótesis es verdadera o falsa. En relación con el ejemplo proporcionado en la primera etapa, el modelo debe mostrar la relación entre la elasticidad de la demanda del mercado y la correlación que tiene con las ventas pasadas de la empresa. Esto debería permitir a los gerentes tomar decisiones informadas sobre el precio óptimo y los niveles de producción para el nuevo producto.

Etapa 7: previsión

El paso final es pronosticar la demanda en función del conjunto de datos y el modelo creado. Para pronosticar la demanda, se utilizan estimaciones de una variable elegida para determinar los efectos que tiene sobre la demanda. En cuanto a la estimación de la variable elegida, se puede utilizar un modelo de regresión o se pueden implementar evaluaciones tanto cualitativas como cuantitativas. Algunos ejemplos de evaluaciones cualitativas y cuantitativas son:

Evaluación cualitativa

• Juicio sin ayuda
• Investigación de mercados
• Técnica Delphi
• Teoría de juegos
• Arranque crítico
• Interacción simulada
• Encuesta de intenciones y expectativas
• jurado de metodo ejecutivo

Evaluación cuantitativa

• Simulación de eventos discretos
• Extrapolación
• Método de tratamiento de datos por grupos (GMDH)
• Previsión de clases de referencia
• Analogías cuantitativas
• Pronóstico basado en reglas
• Difusión de la innovación
• Redes neuronales
• Minería de datos
• Análisis conjunto
• Modelos causales
• Segmentación
• Modelos de suavizado exponencial
• Modelos de Box-Jenkins
• Modelos híbridos

Otros

Otros incluyen:

1. 

   media móvil
   Métodos de proyección de series temporales
   
   • Método de media móvil
   • Método de suavizado exponencial
   • Métodos de proyección de tendencias
2. 

   indicador adelantado
   Métodos causales
   • Método de relación de cadena
   • Método del nivel de consumo
   • Método de uso final
   • Método del indicador adelantado

Véase también

• Oferta y demanda
• Cadena de demanda
• Modelado de la demanda
• Elasticidad de la demanda
• Inventario § Principio de proporcionalidad del inventario
• Previsión de clases de referencia
• Previsiones de consenso
• Sesgo de optimismo
• Presupuesto de producción
• Riesgo de volumen

Referencias

1. Marien, EJ, Planificación de la demanda y previsión de ventas: un elemento esencial de la cadena de suministro, Supply Chain Management Review , invierno de 1999, consultado el 13 de noviembre de 2024
2. Acar, A. Zafer; Yilmaz, Behlül; Kocaoglu, Batuhan (16 de junio de 2014). "PREVISIÓN DE LA DEMANDA, MODELOS ACTUALIZADOS Y SUGERENCIAS DE MEJORA: UN EJEMPLO DE EMPRESA" (PDF) . Journal of Global Strategic Management . 1 (8): 26–26. doi :10.20460/JGSM.2014815650. ISSN  1307-6205.
3. Adhikari, Nimai Chand Das; Domakonda, Nishanth; Chandan, Chinmaya; Gupta, Gaurav; Garg, Rajat; Teja, S.; Das, Lalit; Misra, Ashutosh (2019), Smys, S.; Bestak, Robert; Chen, Joy Iong-Zong; Kotuliak, Ivan (eds.), "Un enfoque inteligente para la previsión de la demanda", Conferencia internacional sobre redes informáticas y tecnologías de la comunicación , vol. 15, Singapur: Springer Singapur, págs. 167–183, doi :10.1007/978-981-10-8681-6_17, ISBN 978-981-10-8680-9, consultado el 27 de abril de 2023
4. Ivanov, Dmitry; Tsipoulanidis, Alexander; Schönberger, Jörn (2021), Ivanov, Dmitry; Tsipoulanidis, Alexander; Schönberger, Jörn (eds.), "Previsión de la demanda", Gestión global de la cadena de suministro y las operaciones: una introducción orientada a la toma de decisiones a la creación de valor , Cham: Springer International Publishing, págs. 341–357, doi :10.1007/978-3-030-72331-6_11#doi, ISBN 978-3-030-72331-6, consultado el 27 de abril de 2023
5. "Previsión de la demanda: una guía para la industria". Demand Caster.
6. "Las ventajas de la previsión de la demanda". Small Business - Chron.com . Consultado el 27 de abril de 2023 .
7. Diezhandino, Ernesto (4 de julio de 2022). "Importancia y beneficios de pronosticar la demanda de los clientes". Keepler | Socio impulsado por datos en la nube . Consultado el 27 de abril de 2023 .
8. Hamiche, Koussaila; Abouaïssa, Hassane; Goncalves, Gilles; Hsu, Tienté (1 de enero de 2018). "Un enfoque robusto y sencillo para la previsión de la demanda en las cadenas de suministro". IFAC-PapersOnLine . 16.º Simposio IFAC sobre problemas de control de la información en la industria manufacturera INCOM 2018. 51 (11): 1732–1737. doi : 10.1016/j.ifacol.2018.08.206 . ISSN  2405-8963.
9. Wilkinson, Nick (5 de mayo de 2005). Economía gerencial: un enfoque de resolución de problemas (1.ª ed.). Cambridge University Press. doi :10.1017/cbo9780511810534.008. ISBN 978-0-521-81993-0.
10. Sukhanova*, EI; Shirnaeva, SY; Zaychikova, NA (20 de marzo de 2019). "Modelado y pronóstico del desempeño financiero de una empresa: enfoque estadístico y econométrico". Actas europeas de ciencias sociales y del comportamiento . Cognitive-Crcs: 487–496. doi :10.15405/epsbs.2019.03.48. S2CID  159058405.
11. Roodman, Gary M. (1986). "Análisis de regresión suavizada exponencialmente para la previsión de la demanda". Journal of Operations Management . 6 (3–4): 485–497. doi :10.1016/0272-6963(86)90019-7.
12. Ngan, Chun-Kit, ed. (6 de noviembre de 2019). Análisis de series temporales: datos, métodos y aplicaciones. IntechOpen. doi :10.5772/intechopen.78491. ISBN 978-1-78984-778-9.S2CID209066704  .​
13. Johnston, Richard GC; Brady, Henry E. (2006). Capturando los efectos de la campaña. Ann Arbor: University of Michigan Press. ISBN 978-0-472-02303-5.
14. Hyndman, RJ, Koehler, AB (2005) "Otra mirada a las medidas de precisión del pronóstico", Universidad de Monash.
15. Hoover, Jim (2009) "Cómo realizar el seguimiento de la precisión de los pronósticos para guiar la mejora de procesos", Foresight: The International Journal of Applied Forecasting.
16. Puedes encontrar una discusión interesante aquí.
17. Martin, Dominik; Spitzer, Philipp; Kühl, Niklas (2020). "Una nueva métrica para pronósticos de demanda irregulares e intermitentes: costos de error de predicción orientados al mantenimiento de existencias". Actas de la 53.ª Conferencia internacional anual de Hawái sobre ciencias de sistemas . doi :10.5445/IR/1000098446.

Bibliografía

• Milgate, Murray (marzo de 2008). "Bienes y materias primas". En Steven N. Durlauf y Lawrence E. Blume. The New Palgrave Dictionary of Economics (2.ª ed.). Palgrave Macmillan. págs. 546–48. doi :10.1057/9780230226203.0657. Consultado el 24 de marzo de 2010.
• Montani, Guido (1987). "Escasez". En Eatwell, J. Millgate, M., Newman, P. El nuevo Palgrave. Un diccionario de economía 4. Palgrave, Houndsmill. págs. 253–54.