Previsión de la demanda

Estimaciones de la demanda de los clientes.

La previsión de la demanda es la predicción de la cantidad de bienes y servicios que demandarán los consumidores en un momento futuro. ^[1] 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 recopilada sobre el terreno. Este método se utiliza principalmente en situaciones en las que hay datos mínimos disponibles para el análisis, como cuando una empresa o producto se ha introducido recientemente en el mercado. Los métodos cuantitativos, sin embargo, utilizan datos disponibles y herramientas analíticas para producir predicciones. La previsión de la demanda se puede utilizar para la asignación de recursos, la gestión de inventarios, la evaluación de requisitos de capacidad futuros o la toma de decisiones sobre la entrada a un nuevo mercado . ^[2]

Importancia de la previsión de la demanda para las empresas

La previsión de la demanda juega un papel importante para las empresas de diferentes industrias, particularmente en lo que respecta a la mitigación de los riesgos asociados con actividades comerciales particulares. Sin embargo, se sabe que la previsión de la demanda es una tarea desafiante para las empresas debido a las complejidades del análisis, específicamente el análisis cuantitativo. ^[3] Sin embargo, comprender las necesidades de los clientes es una parte indispensable de cualquier industria para que las actividades comerciales se implementen de manera eficiente y respondan más adecuadamente a las necesidades del mercado. Si las empresas son capaces de pronosticar la demanda de manera eficaz, se pueden obtener varios beneficios. Estos incluyen, entre otros, la reducción de residuos, la asignación optimizada de recursos y aumentos potencialmente grandes en las ventas y los ingresos.

Profundizando en lo anterior, algunas de las razones por las que las empresas requieren previsión de la demanda incluyen:

1. Cumplir objetivos : las organizaciones más exitosas tendrán trayectorias de crecimiento predeterminadas y planes a largo plazo para garantizar que el negocio funcione con un rendimiento ideal. Al comprender los mercados de demanda futuros, las empresas pueden ser proactivas para garantizar que se cumplan los objetivos en este entorno empresarial.
2. Decisiones comerciales : en referencia al cumplimiento de los 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 comerciales estratégicas que fomenten una mayor rentabilidad y crecimiento. Estas decisiones generalmente están asociadas con los conceptos de capacidad, orientación al mercado, adquisición de materias primas y comprensión de la dirección del contrato del proveedor.
3. Crecimiento : al tener una comprensión precisa de las previsiones futuras, las empresas pueden evaluar la necesidad de expansión dentro de un plazo que les permita hacerlo de forma rentable. ^[4]
4. Gestión del capital humano : si hay un rápido aumento 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 la competencia. ^[5]
5. Planificación financiera : es fundamental comprender las previsiones de demanda para poder presupuestar eficientemente operaciones futuras en términos de factores como el flujo de caja, la contabilidad de inventario y los costos operativos generales. ^[6] El uso de un modelo preciso de previsión de la demanda puede dar como resultado reducciones significativas en los costos operativos para las empresas, ya quese requiere mantener menos existencias de seguridad . ^[7]

Métodos para pronosticar la demanda

Existen diversos análisis estadísticos y econométricos que se utilizan para pronosticar la demanda. ^[8] La previsión de la demanda se puede dividir en un proceso de siete etapas, las siete etapas se describen como:

Etapa 1: Declaración 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 anteriores de la empresa.

Etapa 2: Especificación del modelo

Existen muchos modelos econométricos diferentes que difieren según el análisis que los directivos deseen realizar. El tipo de modelo que se elija para pronosticar la demanda depende de muchos aspectos diferentes como el tipo de datos obtenidos o el número de observaciones, etc. ^[9] En esta etapa es importante definir el tipo de variables que se utilizarán para pronosticar la demanda. demanda prevista. El análisis de regresión es el principal método estadístico para realizar pronósticos. Hay muchos tipos diferentes de análisis de regresión, pero fundamentalmente proporcionan un análisis de cómo una o varias variables afectan la variable dependiente que se está midiendo. Un ejemplo de modelo para pronosticar la demanda es el modelo de regresión de previsión de la demanda de M. Roodman (1986) para medir los efectos de la estacionalidad en un punto de datos que se está midiendo. ^[10] El modelo se basó en un modelo de regresión lineal y se utiliza para medir tendencias lineales basadas en ciclos estacionales y sus efectos en 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 una 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 especificado el tipo de modelo en la etapa 2, se deben especificar los datos y el método de recolección de datos. Primero se debe especificar el modelo para determinar las variables que deben recopilarse. Por el contrario, al decidir el modelo de pronóstico deseado, se deben considerar los datos disponibles o los métodos para recopilar datos a fin de formular el modelo correcto. Recopilación de datos de series temporales y datos transversales son los diferentes métodos de recopilación que se pueden utilizar. Los datos de series temporales se basan en observaciones históricas tomadas secuencialmente en el tiempo. Estas observaciones se utilizan para derivar estadísticas, características y conocimientos relevantes de los datos. ^[11] Los puntos de datos que pueden recopilarse 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 datos recopilados sobre una sola entidad en diferentes períodos de tiempo. Los datos transversales utilizados en el pronóstico 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. Es posible que el subconjunto de puntos de datos no sea observable o factible de determinar, pero puede ser un método práctico para agregar precisión al modelo de pronóstico de la demanda. ^[12] 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 que se obtienen el modelo y los datos, se pueden calcular los valores para determinar los efectos que tienen las variables independientes sobre la variable dependiente en foco. 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 recta que minimice la suma de los cuadrados de la diferencia entre los valores observados de la variable dependiente y los valores ajustados de la recta. ^[8] Esto se expresa como cuál 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 deben representarse para encontrar la intersección y la pendiente de la línea. El método para determinar y es utilizar derivación parcial con respecto a ambos y igualar ambas expresiones a cero y resolverlas 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: Verificación de la precisión del modelo

Calcular la precisión del pronóstico de la demanda es el proceso de determinar la precisión de los pronósticos realizados con respecto a la demanda de un producto por parte del cliente. ^{[13] [14]} Comprender y predecir la demanda de los clientes es vital para que los fabricantes y distribuidores eviten desabastecimientos y mantengan niveles de inventario adecuados. Si bien los pronósticos nunca son perfectos, son necesarios para prepararse para la demanda real. Para mantener un inventario optimizado y una cadena de suministro eficaz, es imprescindible realizar previsiones precisas de la demanda.

Calcular la precisión de los pronósticos de la cadena de suministro

La precisión de los pronósticos en la cadena de suministro generalmente se mide utilizando el error porcentual absoluto medio o MAPE. Estadísticamente, MAPE se define como el promedio de 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 ratio MAD/Mean. 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 errores. El único problema es que para los productos de temporada crearás un resultado indefinido cuando ventas = 0 y eso no es simétrico. Esto significa que puede ser mucho más impreciso si las ventas son superiores que si son inferiores a las previstas. Por lo tanto, sMAPE, también conocido como error porcentual absoluto medio simétrico, se utiliza para corregir esto. ${\displaystyle {\text{MAPE}}={\frac {\sum (w\cdot |A-F|)}{\sum (w\cdot A)}}}$

Finalmente, para los patrones de demanda intermitente, nada de lo anterior es particularmente útil. En esta situación, una empresa puede considerar MASE (error escalado absoluto medio) 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. ^[15] Otra métrica a considerar, especialmente cuando hay patrones de demanda intermitentes o desiguales, es SPEC (Costos de error de predicción orientados al mantenimiento de existencias). ^[16] 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. Se supone que una demanda prevista mayor que la demanda real genera costos de mantenimiento de existencias, mientras que una demanda prevista menor que la demanda real genera costos de oportunidad . SPEC tiene en cuenta 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.

Calcular el error de pronóstico

El error de pronóstico debe calcularse utilizando las ventas reales como base. Se utilizan varias formas de métodos de cálculo del error de pronóstico, a saber, error porcentual medio , error cuadrático medio , señal de seguimiento y sesgo de pronóstico .

Etapa 6: prueba de hipótesis

Una vez que se ha determinado el modelo, 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 último paso 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 implementar valoraciones tanto cualitativas como cuantitativas. Ejemplos de evaluaciones cualitativas y cuantitativas son:

Evaluación cualitativa

• Juicio sin ayuda
• Mercado de predicción
• técnica Delphi
• Teoría de juego
• Arranque crítico
• Interacción simulada
• Encuesta de intenciones y expectativas
• jurado de metodo ejecutivo

Evaluación cuantitativa

• Simulación de eventos discretos
• Extrapolación
• Método grupal de manejo de datos (GMDH)
• Previsión de clases de referencia
• Analogías cuantitativas
• Previsión basada en reglas
• Difusión de la innovación
• Redes neuronales
• Procesamiento de datos
• Análisis conjunto
• Modelos causales
• Segmentación
• Modelos de suavizado exponencial
• Modelos 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 principal

Ver también

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

Referencias

1. Acar, A. Zafer; Yilmaz, Behlül; Kocaoglu, Batuhan (16 de junio de 2014). «PREVISIÓN DE DEMANDA, MODELOS ACTUALIZADOS Y SUGERENCIAS DE MEJORA UN EJEMPLO DE NEGOCIO» (PDF) . Revista de Gestión Estratégica Global . 1 (8): 26–26. doi :10.20460/JGSM.2014815650. ISSN  1307-6205.
2. Adhikari, Nimai Chand Das; Domakonda, Nishant; 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, recuperado el 27 de abril de 2023
3. Ivanov, Dmitri; Tsipoulanidis, Alejandro; Schönberger, Jörn (2021), Ivanov, Dmitry; Tsipoulanidis, Alejandro; Schönberger, Jörn (eds.), "Demand Forecasting", Gestión de operaciones y cadena de suministro global: una introducción a la creación de valor orientada a la toma de decisiones , Cham: Springer International Publishing, págs. 341–357, doi :10.1007/978-3 -030-72331-6_11#doi, ISBN 978-3-030-72331-6, recuperado el 27 de abril de 2023
4. "Previsión de la demanda: una guía de la industria". Lanzador de demanda.
5. "Las ventajas de la previsión de la demanda". Pequeñas empresas - Pequeña y mediana empresa - La Voz Texas . Consultado el 27 de abril de 2023 .
6. Diezhandino, Ernesto (4 de julio de 2022). "Importancia y beneficios de pronosticar la demanda de los clientes". Guardián | Socio impulsado por datos en la nube . Consultado el 27 de abril de 2023 .
7. Hamiche, Koussaila; Abouaïssa, Hassane; Gonçalves, Gilles; Hsu, Tiente (1 de enero de 2018). "Un enfoque sencillo y sólido para la previsión de la demanda en las cadenas de suministro". IFAC-PapersOnLine . 16.º Simposio de la IFAC sobre problemas de control de la información en la fabricación INCOM 2018. 51 (11): 1732–1737. doi : 10.1016/j.ifacol.2018.08.206 . ISSN  2405-8963.
8. Wilkinson, Nick (5 de mayo de 2005). Economía de la gestión: un enfoque de resolución de problemas (1 ed.). Prensa de la Universidad de Cambridge. doi :10.1017/cbo9780511810534.008. ISBN 978-0-521-81993-0.
9. Sukhanova*, EI; Shirnaeva, SY; Zaychikova, NA (20 de marzo de 2019). "Modelado y previsión del rendimiento financiero de una empresa: enfoque estadístico y econométrico". Las actas europeas de ciencias sociales y del comportamiento . Cognitivo-Crcs: 487–496. doi :10.15405/epsbs.2019.03.48. S2CID  159058405.
10. Roodman, Gary M. (1986). "Análisis de regresión suavizado exponencialmente para la previsión de la demanda". Revista de Gestión de Operaciones . 6 (3–4): 485–497. doi :10.1016/0272-6963(86)90019-7.
11. Ngan, Chun-Kit, ed. (2019-11-06). Análisis de series temporales: datos, métodos y aplicaciones. IntechAbierto. doi : 10.5772/intechopen.78491. ISBN 978-1-78984-778-9. S2CID  209066704.
12. Johnston, Richard GC; Brady, Henry E. (2006). Captura de efectos de campaña. Ann Arbor: Prensa de la Universidad de Michigan. ISBN 978-0-472-02303-5.
13. Hyndman, RJ, Koehler, AB (2005) "Otra mirada a las medidas de precisión de los pronósticos", Universidad de Monash.
14. Hoover, Jim (2009) "Cómo realizar un seguimiento de la precisión de los pronósticos para guiar la mejora de los procesos", Foresight: The International Journal of Applied Forecasting.
15. Puede encontrar una discusión interesante aquí.
16. Martín, 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 53ª Conferencia Internacional Anual de Hawái sobre Ciencias de Sistemas . doi :10.5445/IR/1000098446.

Bibliografía

• Milgate, Murray (marzo de 2008). "Bienes y mercancías". En Steven N. Durlauf y Lawrence E. Blume. Diccionario de economía New Palgrave (2ª 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. The New Palgrave. Diccionario de economía 4. Palgrave, Houndsmill. págs. 253–54.