MAD Archivos - Página 2 de 3 - Gestión de Operaciones

Error Porcentual Absoluto Medio (MAPE) en un Pronóstico de Demanda

El Error Porcentual Absoluto Medio (MAPE o Mean Absolute Percentage Error) es un indicador del desempeño del Pronóstico de Demanda que mide el tamaño del error (absoluto) en términos porcentuales. El hecho que se estime una magnitud del error porcentual lo hace un indicador frecuentemente utilizado por los encargados de elaborar pronósticos debido a su fácil interpretación. Incluso es útil cuando no se conoce el volumen de demanda del producto dado que es una medida relativa. Por ejemplo, afirmar que el «error porcentual promedio es de un 4%» es más fácil de comprender que cuando se dice «el error absoluto medio por período es de 1.000 unidades» (que sería la información que podríamos obtener del MAD y que en abstracto no provee información si esta magnitud de error es aceptable o no).

La fórmula para el cálculo del MAPE o Error Porcentual Absoluto Medio es:

La siguiente imagen representa una serie de tiempo de 12 meses donde At representa la demanda real de un producto cualquiera y Ft el pronóstico utilizando una Regresión Lineal. La ecuación de la regresión ajustada es y=5,6993*x+217,12 donde la variable y representa la demanda y la variable x el período (mes).

El detalle de los resultados se presenta a continuación donde en la columna D se muestran los datos reales y en la columna E los pronósticos. Por ejemplo para el mes de Enero (mes 1) el pronóstico se obtiene como F1=5,6993*1+217,12=223 (aproximado arbitrariamente al entero más cercano).

Luego obtenemos el error porcentual absoluto para cada mes del período de evaluación (celdas amarillas de la tabla anterior). Notar que en el ejemplo dicho cálculo correspondería para el mes de Enero en la fórmula F3/D3 donde el numerador (F3) es el error absoluto del período y el denominador (D3) la demanda real del mes. Finalmente se repite el procedimiento para cada uno de los meses lo cual se facilita al hacer uso de una planilla Excel.

En conclusión el Error Porcentual Absoluto Medio es de un 14,56%. De forma complementaria se puede calcular el MAD y la Señal de Rastreo (TS) de modo de tener un mayor número de indicadores para interpretar de forma adecuada el desempeño del pronóstico.

Es conveniente graficar tanto el comportamiento del MAD como la Señal de Rastreo (TS) para facilitar la interpretación de los resultados. A continuación se presentan los resultados:

Notar que la magnitud media absoluta del error aumenta en los últimos períodos. En cuanto al comportamiento de la señal de seguimiento o TS si bien ésta varía en el rango comúnmente aceptable de [-4,4] MADs, las sub estimaciones sucesivas del valor real de la demanda de los meses de Agosto, Septiembre y Octubre marcan una tendencia creciente en su comportamiento, lo cual se compensa luego con las sobre estimaciones de los meses de Noviembre y Diciembre. A continuación un vídeo de nuestro canal de Youtube con la implementación en Excel del ejemplo descrito en este artículo:

¿Quieres tener el archivo Excel con el cálculo del Error Porcentual Absoluto Medio (MAPE) de este Ejemplo?

[sociallocker]

MUCHAS GRACIAS!. DESCARGA AQUÍ EL ARCHIVO

[/sociallocker]

Interpretación de la Señal de Rastreo de un Pronóstico de Demanda

La Señal de Rastreo (conocida también como Tracking Signal o TS) es una medida de desempeño que permite medir la desviación del pronóstico respecto a variaciones en la demanda. Análogamente se puede interpretar como el número de MAD (Desviación Media Absoluta o Mean Absolute Deviation) que el pronóstico está sobre o bajo la demanda real. La fórmula para calcular la Señal de Rastreo o Señal de Seguimiento corresponde a:

Los límites aceptables para la Señal de Rastreo dependen del tamaño de la demanda pronosticada (los artículos de volumen alto o ingreso alto se deben vigilar con frecuencia) y la cantidad de tiempo del personal disponible (los límites aceptables más estrechos hacen que mayor cantidad de pronósticos estén fuera de los límites y por lo tanto requieren de más tiempo para investigarlos). No obstante usualmente se considera como límites aceptables una Señal de Rastreo que varía en el rango de [-4,4] MAD.

La siguiente tabla mide el porcentaje del área de una distribución normal de media cero cubierta en el rango +- # de MADs.

Para una correcta interpretación de la Señal de Rastreo consideremos el siguiente ejemplo: La empresa de softwares Megasoft tiene disponibles los datos de demanda de notebooks de los últimos 2 años, divididos en 8 trimestres.

Utilizando una Regresión Lineal obtenga el pronóstico de demanda para los próximos 4 trimestres (en caso de obtener resultados fraccionarios redondee el pronóstico al entero más cercano).

Consideramos como variable dependiente la Demanda y como variable independiente el Trimestre. Adicionalmente sabemos que:

Luego estimamos el coeficiente de pendiente β1 y el coeficiente de intercepto β0. Notar que la cantidad de cifras significativas utilizadas para estimar los parámetros de la regresión ha sido arbitrario:

Una vez calculados los parámetros β0 y β1 estamos en condiciones de realizar los pronósticos para los próximos 4 trimestres (períodos 9, 10, 11 y 12).

Notar que al obtener los pronósticos de demanda utilizando exclusivamente la tendencia se omite las características estacionales del comportamiento de la demanda. Por ejemplo, se espera sobrestimar la demanda del trimestre 9 y subestimar la demanda del trimestre 11.

¿Cómo se comparta el método de pronóstico si lo ajustamos a los datos históricos?. Para ello será necesario realizar las proyecciones con la regresión lineal desde el trimestre 1 al trimestre 8. Por ejemplo, el pronóstico del trimestre 1 es F(1)=361+70,667(1)=432 (aproximado al entero más cercano). Los resultados completos se resumen en la tabla a continuación donde los valores en la columna celeste corresponden al MAD y los valores en la columna amarilla son la Señal de Rastreo.

A continuación graficamos el comportamiento de la Señal de Rastreo (TS):

La Señal de Rastreo se encuentra en el rango comúnmente aceptado y no se evidencia una tendencia en su comportamiento. No obstante el patrón que sigue (periodos bajo y sobre cero alternados) sugiere que utilizar la tendencia como único dispositivo de pronóstico no rescata de forma adecuada la variabilidad de los datos y la estacionalidad de los mismos. Lo anterior queda de manifiesto al comparar los datos reales versus los pronosticados:

Cuando TS es positivo la demanda real excede el pronóstico, por el contrario cuando TS es negativo la demanda real es menor que el pronóstico.

Como conclusión se propone utilizar un método que considere explícitamente la estacionalidad para realizar proyecciones como el Método de Pronóstico de Demanda utilizando Variación Estacional o el Método de Descomposición. No obstante en general se busca que la Señal de Rastreo varíe en el rango comúnmente aceptado de [-4,4] MAD y que su comportamiento no sugiera la presencia de error sistemático.

Ejemplo Pronóstico de Demanda con Media Móvil Ponderada

En el contexto de los métodos de series de tiempo aplicados para los Pronósticos de Demanda, el método de Media Móvil Ponderada es una variantes de la técnica de Media Móvil Simple donde existe la posibilidad de modificar las ponderaciones que tiene cada uno de los datos en el cálculo del promedio. Este método resulta ser útil cuando es válida la premisa de que el pasado más reciente tiene un mayor poder predictivo respecto al futuro (por lo cual se suele asociar una mayor ponderación en el cálculo del promedio), sin embargo, en caso de existir estacionalidad en el patrón histórico de la demanda puede ser necesario ponderar con mayor fuerza un dato más antiguo de la serie de tiempo.

La fórmula de cálculo para una Media Móvil Ponderada se presenta a continuación:

En la nomenclatura anterior Ft representa el pronóstico para el período t, At es la demanda real (observada) para el período t y Wt representa las ponderaciones seleccionadas para el promedio ponderado. Por supuesto la sumatoria de dichas ponderaciones debe ser igual a 1 (o un 100%).

Ejemplo Media Móvil Ponderada

Para ilustrar la aplicación del método utilizaremos la serie histórica que presentamos en el artículo sobre cómo utilizar una regresión lineal para realizar un pronóstico de demanda. En esta oportunidad aplicaremos el método de media móvil simple con n=3 (como medio de contraste) y una media móvil ponderada de 3 períodos igualmente pero con ponderaciones seleccionadas arbitrariamente de 60%, 30% y 10%, respectivamente.

En la columna «MP» se incluyen los resultados del promedio móvil ponderado redondeando los resultados al entero más cercano. Notar que para una mayor comodidad se pueden fijar las ponderaciones a celdas específicas, lo que facilita copiar la fórmula a los períodos siguientes. A continuación y para facilitar la interpretación de los resultados se presenta un gráfico que contrasta los datos de la serie histórica y los dos dispositivos de pronóstico utilizados.

Se puede apreciar que en la medida que las ponderaciones seleccionadas para cada período se aproximen a 1/3, el pronóstico obtenido a través de la media móvil ponderada se asemejará al comportamiento de los resultados del promedio móvil simple con n=3. En este contexto es importante destacar que no existe procedimiento exacto que permita seleccionar de forma inequívoca las ponderaciones Wt de un promedio móvil ponderado y en consecuencia la «prueba y error» suelen ser estrategias utilizadas para evaluar el ajuste del pronóstico a los datos reales.

Finalmente sí el objetivo es proponer alguno de los métodos de pronósticos utilizados en este artículo se recomienda complementar el análisis calculando el MAD y Señal de Rastreo (TS) en cada caso, de modo de disponer de mayores elementos de juicio antes de tomar una decisión.

¿Quieres tener el archivo Excel con la resolución de este problema?. Recomiéndanos en Facebook o Google+ utilizando la herramienta de redes sociales a continuación y accede de forma gratuita e inmediata a la descarga del archivo.

[sociallocker]Media Móvil Ponderada[/sociallocker]

Cómo utilizar una Regresión Lineal para realizar un Pronóstico de Demanda

El Método de Mínimos Cuadrados o Regresión Lineal se utiliza tanto para pronósticos de series de tiempo como para pronósticos de relaciones causales. En particular cuando la variable dependiente cambia como resultado del tiempo se trata de un análisis de serie temporal.

En el siguiente artículo desarrollaremos un Pronóstico de Demanda haciendo uso de la información histórica de venta de un producto determinado durante los últimos 12 trimestres (3 años) cuyos datos se observan en la siguiente tabla resumen:

La ecuación de mínimos cuadrados para la regresión lineal es la que se muestra a continuación donde β0 y β1 son los parámetros de intercepto y pendiente, respectivamente:

Estimar los valores de dichos parámetros es sencillo haciendo uso de una planilla Excel tal como muestra la tabla a continuación:

Luego evaluamos en las ecuaciones presentadas anteriormente para obtener los valores de β0 y β1:

Una vez obtenido los parámetros de la regresión lineal se puede desarrollar un pronóstico de demanda (columna color naranja) evaluando en la ecuación de la regresión para los distintos valores de la variable independiente (x).

Por ejemplo, para el primer trimestre el pronóstico es: Y(1)=441,71+359,61*1=801,3.

Observación: los valores de los pronósticos han sido redondeados arbitrariamente a un decimal para mayor comodidad.

Notar que con la información que hemos obtenido podemos calcular el MAD y la Señal de Rastreo y utilizar estos indicadores para validar la conveniencia de utilizar este procedimiento como dispositivo de pronóstico.

Adicionalmente puede resultar de interés consultar el artículo Ejemplo de una Regresión Lineal Múltiple para un Pronóstico con Excel y Minitab que muestra cómo abordar el caso de realizar una regresión lineal con más de una variable independiente (explicativa).

Siguiendo con nuestro análisis a continuación podemos desarrollar un pronóstico de demanda para los próximos 4 trimestres (un año) que corresponden a los trimestres 13, 14, 15 y 16:

Y(13)=441,71+359,61*13=5.116,64
Y(14)=441,71+359,61*14=5.476,25
Y(15)=441,71+359,61*15=5.835,86
Y(16)=441,71+359,61*16=6.195,47

Si bien el procedimiento anterior es válido puede ser resumido haciendo uso de las herramientas de análisis de datos de Excel o simplemente realizando un ajuste de una regresión lineal en un gráfico de dispersión de la misma forma que abordamos en el articulo sobre el Método de Descomposición. Para ello luego de realizar el gráfico nos posicionamos en una de las observaciones y luego botón derecho del mouse para seleccionar «Agregar línea de tendencia…».

Luego en la interfaz de Excel activamos las opciones «Presentar ecuación en el gráfico» y «Presentar el valor R cuadrado en el gráfico» (este último indicador según se aborda en los cursos de estadística consiste en una medida de la bondad de ajuste de la regresión).

Notar que los valores obtenidos para los parámetros de la regresión son similares salvo menores diferencias por efecto de aproximación.

Otra opción disponible para ajustar una Regresión Lineal haciendo uso de Excel es a través del Complemento llamado Herramientas para análisis.

Su activación es simple: en el menú Archivo (esquina superior izquierda en Excel) ir a Opciones, luego Complementos, a continuación a la derecha de donde dice Complementos de Excel presionar Ir… y luego activar la Herramientas para análisis.

Una vez activada las Herramientas para análisis, se puede encontrar ésta abajo del complemento Solver en el menú de Datos.

Luego de las opciones disponibles que nos ofrece este complemento seleccionamos Regresión.

A continuación seleccionamos el Rango Y de entrada las celdas correspondientes a la variable dependiente (Ventas) y en Rango X de entrada las celdas correspondientes a la variable independiente (Trimestre).

Debemos activar adicionalmente la casilla Residuos si deseamos obtener un pronóstico para las ventas del Trimestre 1 al Trimestre 12 (junto al cálculo del error o residuo de la estimación).

Finalmente presionamos Aceptar lo que generará una nueva hoja en nuestra planilla de cálculo.

Un extracto de los resultados es el que se presenta a continuación, donde en color celeste se destaca los coeficientes asociados a los parámetros de la regresión lineal β0 y β1, respectivamente, y en color naranjo el pronóstico obtenido para cada uno de los doce trimestres al utilizar la ecuación de la regresión.

Por ejemplo: Y(1)=441,67+359,61*1=801,28. El residuo o error correspondiente para dicho período (Trimestre 1) es: $e_{1}=A_{t}-F_{t}=600-801,28=-201,28$ .

¿Quieres tener el archivo Excel con el ajuste de la Regresión Lineal de este problema?.

[sociallocker]MUCHAS GRACIAS!. DESCARGA AQUÍ EL ARCHIVO[/sociallocker]

Pronóstico de Demanda con Alisamiento Exponencial para distintos Alfa (α)

El método de pronóstico de Alisamiento o Suavizamiento Exponencial pertenece a la categoría de Series de Tiempo, es decir, aquellos métodos donde se utiliza información de la demanda histórica para poder pronosticar el futuro. Su nombre se debe a que cada incremento del pasado se reduce en (1 – α) por lo cual se considera válido que la importancia de los datos disminuye en la medida que son más antiguos.

Para poder generar un pronóstico a través del método de Alisamiento Exponencial necesitamos el pronóstico más reciente, la demanda que se presentó para ese período y una constante de suavizamiento α (alfa).

El valor del parámetro alfa es entre 0 y 1. En esta escala para valores de alfa relativamente pequeños se reducen las variaciones de corto plazo asociadas al pronostico lo cual es razonable cuando la demanda real tiene un comportamiento relativamente estable. Sin embargo, si la demanda presenta cambios significativos en el corto plazo nos interesará seguir éstos más de cerca y en ese caso debiéramos seleccionar una constante alfa más grande.

Ejemplo Suavizamiento Exponencial

A continuación presentaremos 3 pronósticos para valores de alfa de α=0,2, α=0,5 y α=0,8. Los resultados se han aproximado (arbitrariamente y por comodidad) al entero más cercano. Notar que en cada caso el primer pronostico es de 200 (igual a la demanda real de Enero). Esta selección es usual dado que para la aplicación del método se necesita un primer pronóstico (o punto de partida) y frecuentemente se selecciona el dato real del período anterior:

En la tabla se puede apreciar que el pronóstico para el mes de Marzo utilizando α=0,2 es de 206. Esto se obtiene como F(Marzo)=200+0,2(230-200)=206. Siguiendo un procedimiento similar se puede calcular el resto de los pronósticos.

¿Cómo decidir que constante de suavizamiento alfa resultó mejor?. Un primer acercamiento es graficar el pronóstico y comparar su comportamiento con la demanda real. El siguiente gráfico representa esta situación. Se puede observar que para α=0,8 se replica de forma más cercana el comportamiento de la demanda aún cuando se aprecia un rezago (situación característica de este método). Por el contrario, para α=0,2 la variación de corto plazo es menor y el pronóstico básicamente marca una leve tendencia creciente. Finalmente para α=0,5 se obtiene un pronóstico intermedio entre los 2 escenarios anteriores.

En otro artículo discutimos como mediante el MAD y la Señal de Rastreo podemos simular y seleccionar una constante alfa en base a un criterio cuantitativo. Adicionalmente en la publicación Cómo utilizar el Módulo Predictor en Crystal Ball para Promedio Móvil Simple y Suavizado Exponencial Simple se muestra la aplicación del método de suavizamiento exponencial utilizando el software Crystal Ball.