AUTOMATIZACION DE LA MANUFACTURA

1. AUTOMATIZACION DE LA MANUFACTURA Prof. Orlando Durán Escuela de Ingeniería Mecánica PUCV orlando.duran@ucv.cl www.orlandoduran.cl Clase 02

2. INTRODUCIÓN • La previsión de la demanda es la base para la planificación estratégica de la Producción, Ventas y Finanzas de cualquier empresa. • Permite que los administradores de estos sistemas antevean el futuro y planeen adecuadamente sus acciones. • Las previsiones son usadas por la PCP en de los momentos distintos: • para planificar el sistema productivo y • para planificar el uso de este sistema productivo.

3. INTRODUCIÓN • La responsabilidad por la preparación de la previsión de la demanda normalmente es del sector de Marketing o Ventas. • Sin embargo, existen de los buenos motivos para que la gente de la PCP entienda como esta actividad se realiza. • La previsión de la demanda es la principal información empleada por la PCP en la elaboración de sus actividades; • En empresas de pequeño y medio porte, no existe aún una especialización muy grande de las actividades, así le cabe al personal de PCP (generalmente el mismo de Ventas) elaborar estas previsiones. • Actualmente las empresas están buscando un relacionamiento mas eficiente dentro de su cadena productiva.

4. Objetivo del modelo Colecta y análisis de los datos Selección de la técnica de previsão Obtención de las previsiones Monitoración del modelo ETAPAS DE UM MODELO DE PREVISIÓN

5. Etapas de un Modelo de PrevisiónOBJETIVO • Definir la razón por la cuál necesitamos de previsiones. • Que producto (familias de productos) será previsto, • Grado de precisión y detalle de la previsión • Recursos que estarán disponibles para la previsión. • la sofisticación y el detallamiento del modelo depende de la importancia relativa del producto, o familia de productos, a ser previsto y del horizonte al cuál la previsión se destina. • ítems poco significativos pueden ser previstos con mayor margen de error, empleándose técnicas simples. Así como se admite un margen de error mayor para previsiones de largo plazo, empleándose datos agregados de familias de productos.

6. Etapas de un Modelo de PrevisiónCOLECTA Y ANÁLISIS DE LOS DATOS • Objetiva identificar y desarrollar la técnica de previsión que mejor se adapte. • Algunos cuidados básicos: • Cuanto mas datos históricos sean colectados y analizados, mas confiable la técnica de previsión será; • Los datos deben buscar la caracterización de la demanda por los productos de la empresa, que no es necesariamente igual la las ventas pasadas; • Variaciones extraordinarias de la demanda deben ser analizadas y substituidas por valores medios, compatibles con el comportamiento normal de la demanda; • El tamaño del período de consolidación de los datos tiene influencia directa en la elección de la técnica de previsión mas adecuada, así como en la análisis de las variaciones extraordinarias.

7. Etapas de un Modelo de PrevisiónCOLECTA Y ANÁLISIS DE LOS DATOS

8. Etapas de un Modelo de PrevisiónSELECCIÓN DE LA TÉCNICA DE PREVISIÓN • Existen técnicas cualitativas y cuantitativas. Cada una teniendo su campo de acción y su aplicabilidad. Algunos factores merecen destaque en la elección de la técnica de previsión: • decidir considerando la curva de trade-off “costo-precisión”; • la disponibilidad de datos históricos; • la disponibilidad de recursos computacionales; • la experiencia pasada con la aplicación de determinada técnica; • la disponibilidad de tiempo para recolectar, analizar y preparar los datos y la previsión; y • el período de planificación para el cuál necesitamos de la previsión.

9. Etapas de un Modelo de PrevisiónSELECCIÓN DE LA TÉCNICA DE PREVISIÓN • Con la definición de la técnica de previsión y la aplicación de los datos pasados para la obtención de los parámetros necesarios, podemos obtener las proyecciones futuras de la demanda. Cuanto mayor sea el horizonte pretendido, menor la confiabilidad en la demanda prevista. • A medida en que las previsiones estén siendo “alcanzadas” por la demanda real, se debe monitorear el error entre la demanda real y la prevista, para verificar se la técnica y los parámetros empleados aún son válidos. En situaciones normales, un ajuste en los parámetros del modelo, para que refleje las tendencias mas recientes, es suficiente.

10. TÉCNICAS DE PREVISIÓN • Existe una serie de técnicas disponibles, con diferencias substanciales entre ellas. Sin embargo, cabe describir las características generales que normalmente están presentes en todas las técnicas de previsión, que son: • Se supone que las causas que influenciaron la la demanda pasada continuarán la actuar en el futuro; • Las previsiones no son perfectas, pues no somos capaces de prever todas las variaciones aleatorias que ocurrirán; • La precisión de las previsiones disminuye con el aumento del período de tiempo utilizado; • La previsión para grupos de productos es más precisa que para los productos individualmente, pues dentro de un grupo los errores individuales de previsión se anulan o compensan.

11. TÉCNICAS DE PREVISIÓN • Las técnicas de previsión pueden ser subdivididas en dos grandes grupos: • Las técnicas cualitativas que, privilegian principalmente datos subjetivos, los cuales son difíciles de representar numéricamente. Están basadas en la opinión y en el juicio de personas claves, especialistas en los productos o en los mercados donde actúan estos productos; • Las técnicas cuantitativas que, envuelven el análisis numérico de los datos pasados, obviando las opiniones personales. Se emplean modelos matemáticos para proyectar la demanda futura. Pueden ser subdivididas en dos grandes grupos: las técnicas basadas en series temporales, y las técnicas basadas en correlaciones.

12. PREVISIONES BASADAS EN SERIES TEMPORALES • Parten del principio de que la demanda futura será una proyección de los valores pasados, no sufriendo influencia de otras variables. • Es el método más simple y usual de previsión, y cuando bien elaborado presenta buenos resultados. • Para montar el modelo de previsión, es necesario plotar los datos pasados y identificar los factores que están por tras de las características de la curva obtenida. • Una curva temporal de previsión puede contener tendencia, estacionalidad, variaciones irregulares y variaciones aleatorias.

13. PREVISIONES BASADAS EN SERIES TEMPORALES Tendencia Ciclos/Estacionalidad 60 50 40 30 Demanda 20 Variacion irregular Variacion Aleatoria 10 0 Jan. Feb. Mar. Abr. May. Jun. Jul. Ago. Sep. Oct. Nov. Dic.

14. PREVISIONES BASADAS EN SERIES TEMPORALES • TENDENCIA: consiste en un movimiento gradual, de largo plazo, direccionando de los datos (+o -). • ESTACIONALIDAD: Se refiere la variaciones cíclicas de corto plazo, relacionadas al factor tempo. • VARIACIONES IRREGULARES: Son alteraciones en la demanda pasada resultantes de factores excepcionales, que no pueden ser previstos. Estos datos deben ser retirados de la serie histórica y substituidos por la media. • VARIACIONES ALEATORIAS: Ninguna de las anteriores. Deben ser tratadas por la media.

15. Previsiones Basadas en Series TemporalesTécnica para la Previsión de la Media • Los datos históricos, normalmente, contienen componentes aleatorios. Estas variaciones son de difícil determinación y su remoción completa no es viable. • Así se incorporan estas variaciones en el modelo, utilizando técnicas basadas en la media. • Las técnicas de previsión de la media buscan privilegiar los datos mas recientes de la serie histórica, que normalmente representan mejor la situación actual.

16. Previsiones Basadas en Series TemporalesTécnica para la Previsión de la Media: MEDIA MÓVIL • La media móvil usa datos de un número predeterminado de períodos, normalmente los mas recientes, para generar su previsión. A cada nuevo período de previsión, se substituye el dado mÁs antiguo por el mas reciente.

17. Previsiones Basadas en Series TemporalesTécnica para la Previsión de la Media: MEDIA MÓVIL Período Enero Feb Marzo Abril Mayo Junio Demanda 60 50 45 50 45 70

18. error Previsiones Basadas en Series TemporalesTécnica para la Previsión de la Media: MÉDIA EXPONENCIAL MÓVIL • El peso de cada observación decrece en el tiempo en progresión geométrica, y de forma exponencial. • Cada nueva previsión es obtenida con base en la previsión anterior, sumado el error cometido en la previsión anterior, corregido por un coeficiente de ponderación • M t= M t-1 +  (D t-1 - M t-1) • donde: • M t = Previsión del período t • M t-1= Previsión del período t - 1 •  = coeficiente de ponderación • D t-1 = Demanda del período t - 1

19. Previsiones Basadas en Series TemporalesTécnica para la Previsión de la Media: MÉDIA EXPONENCIAL MÓVIL

20. Previsiones Basadas en Series TemporalesTécnica para la Previsión de la Tendencia • La tendencia se refiere al movimiento gradual de largo plazo. • El cálculo de la estimativa de la tendencia es realizado por la identificación de una ecuación que describe este movimiento. • Esta ecuación puede ser lineal o no (exponencial, parabólica, logarítmica y otras).

21. Previsiones Basadas en Series TemporalesTécnica para la Previsión de la Tendencia: ECUACIÓN LINEAL Una ecuación lineal posee el siguiente formato: Y = Previsión de la demanda para el período X; a = Ordenada en el origen, la intercepción con el eje de los Y; b = Coeficiente angular; X = Período (partiendo de X=0) para previsión; n = número de períodos observados.

22. Previsiones Basadas en Series TemporalesTécnica para la Previsión de la Tendencia: ECUACIÓN LINEAL

23. Previsiones Basadas en Series TemporalesTécnica para la Previsión de la Tendencia: SUAVIZADO EXPONENCIAL Pt+1=Previsión de la demanda para el período t+1; Pt= Previsión de la demanda para el período t; Pt-1= Previsión de la demanda para el período t-1; Mt= Previsión media exponencial móvil de la demanda para t; Tt = Previsión de la tendencia para el período t; Tt-1 = Previsión de la tendencia para el período t-1; α1 = coeficiente de ponderación de la media; α2 = coeficiente de ponderación de la tendencia; Dt = Demanda do período t;

24. Previsiones Basadas en Series TemporalesTécnica para la Previsión de la Tendencia: SUAVIZADO EXPONENCIAL 240

25. Previsiones Basadas en Series TemporalesTÉCNICAS PARA PREVISIÓN CON ESTACIONALIDAD • La estacionalidad está expresada en términos de una cantidad, o de un porcentaje, de la demanda que se desvía de los valores medios de la serie. Si existe tendencia, ella debe ser considerada. • El valor aplicado sobre la media, o la tendencia, es conocido como índice de estacionalidad. • La forma mas simple de considerar la estacionalidad en las previsiones de demanda, consiste en emplear el último dato de la demanda, en el período estacional en cuestión, y asumirlo como previsión.

26. Previsiones Basadas en Series TemporalesTÉCNICAS PARA PREVISIÓN CON ESTACIONALIDAD • La forma mas usual de inclusión de la estacionalidad en las previsiones de la demanda, consiste en obtener el índice de estacionalidad para los diversos períodos, empleándose la media móvil centrada, y aplicarlos sobre el valor medio (o tendencia) previsto para el período en cuestión. • El índice de estacionalidad es obtenido dividiendo el valor de la demanda en el período por la media móvil centrada en este período. El período que se usa para el cálculo de la media móvil es igual al ciclo de estacionalidad. • Cuando se disponen de datos suficientes, se calculan varios índices para cada período y se calcula un promedio entre ellos.

27. Previsiones Basadas en Series TemporalesTÉCNICAS PARA PREVISIÓN CON ESTACIONALIDAD

28. Previsiones Basadas en Series TemporalesTÉCNICAS PARA PREVISIÓN CON ESTACIONALIDAD • En caso de la demanda presente estacionalidad y tendencia, existe necesidad de incorporar las características al modelo de previsión. Para hacer esto, se debe emplear los siguiente pasos: • retirar la componente de estacionalidad de la serie de datos históricos, dividiéndolos por los correspondientes índices de estacionalidad; • con estos datos, se desarrolla una ecuación que represente la componente de la tendencia; • con la ecuación de la tendencia se hace la previsión de la demanda y se multiplicar por el índice de estacionalidad.

29. PREVISIONES BASADAS EN CORRELACIONES • Buscan preveer la demanda de determinado producto a partir de la previsión de otra variable que esté relacionada con el producto. • El objetivo de la regresión lineal simple consiste en encontrar una ecuación linear de previsión, del tipo: • Y = a + bX (donde Y es la variable dependiente a ser prevista y X la variable independiente de la previsión), • de forma que la suma de los cuadrados de los errores de previsión () sea la mínima posible. • Este método también es conocido como “regresión de los mínimos cuadrados”.

30. PREVISIONESES BASADAS EN CORRELACIONES

31. Previsiones Basadas en CorrelacionesEJEMPLO • Una cadena de fastfood verificó que las ventas mensuales de porciones en sus casas están relacionadas al número de alumnos matriculados en escuelas situadas en un radio de 2 kilómetros en torno de la casa. La empresa pretende instalar una nueva casa en una región donde el número de alumnos es de 13.750. ¿Cuál es la previsión de la demanda para esta nueva casa?

32. MANTENCIÓN y MONITORIZACIÓN DEL MODELO • Una vez decidida la técnica de previsión e implantado el modelo, existe la necesidad de acompañar el desempeño de las previsiones y confirmar su validez en función de la dinámica actual de los datos. • Esta monitorización es realizada a través del cálculo y acompañamiento del error de la previsión, que es la diferencia que ocurre entre el valor real de la demanda y el valor previsto por el modelo para un dado período. • La mantención y monitorización de un modelo de previsión confiable busca: • verificar la precisión de los valores previstos; • identificar, aislar y corregir variaciones anormales; • permitir la elección de técnicas, o parámetros, mas eficientes.

33. MANTENCIÓN y MONITORIZACIÓN DEL MODELO • Una forma de verificar el desempeño del modelo consiste en comprobar el comportamiento del error acumulado que debe tender a cero, pues se espera que el modelo de previsión genere, al azar, valores arriba y abajo de los reales, debiendo así anularse. • El error acumulado debe ser comparado con un múltiplo del desvío medio absoluto, conocido como MAD (Mean Absolute Deviation). • En general, se compara el valor del error acumulado con el valor de 4 MAD. Cuando pasar de este valor, el problema debe ser identificado y el modelo debe ser revisado.

34. MANTENCIÓN y MONITORIZACIÓN DEL MODELO

35. MANTENCIÓN y MONITORIZACIÓN DEL MODELO • FACTORES MÁS COMUNES QUE PUEDEN AFECTAR EL DESEMPEÑO DE UN MODELO DE PREVISIÓN: • La técnica de previsión puede estar siendo usada incorrectamente, o siendo mal interpretada; • La técnica de previsión perdió la validad debido al cambio en una variable importante, o debido al aparecimiento de una nueva variable; • Variaciones irregulares en la demanda pueden haber ocurrido en función de huelgas, formación de inventarios temporales, catástrofes naturales y otras. • Acciones estratégicas de la competencia, afectando la demanda; • Variaciones aleatorias inherentes la los datos de la demanda.