1. Importancia de las variaciones estacionales
1.1. Es importante para planear la capacidad en las organizaciones que manejan picos en la carga de trabajo
1.2. se expresan en términos de la cantidad en que difieren los valores reales de los valores promedio en la serie de tiempo.
1.3. Analizar los datos en términos de meses o trimestres suele facilitar la detección de los patrones estacionales
2. modelo estacional multiplicativo,
2.1. se multiplican por una estimación de la demanda promedio para producir un pronóstico estacional la magnitud de los datos estacionales estaría distorsionada por la tendencia
3. Métodos asociativos de pronósticos
3.1. Análisis De Regresión Lineal:
3.1.1. El mismo modelo matemático que empleamos con el método de mínimos cuadrados para efectuar la proyección de tendencias.
3.2. casi siempre consideran varias variables relacionadas con la cantidad que se desea predecir. Una vez determinadas dichas variables, se construye un modelo estadístico que se usa para pronosticar el elemento de interés.
4. Sabemos que los pronósticos no son totalmente exactos. Ningún modelo de pronósticos es preciso. Para seleccionar el modelo de pronóstico más adecuado para predecir la demanda, debemos determinar el error de los modelos de pronóstico que queremos utilizar, en relación a los valores reales de demanda. El modelo de pronóstico con el menor margen de error será el más adecuado para predecir la demanda.
5. Existen varios métodos para hacer este análisis
5.1. Desviación Absoluta Media
5.1.1. Es el error promedio en los pronósticos, mediante el uso de valores absolutos. Es valiosa porque, al igual que la desviación estándar, mide la dispersión de un valor observado en relación con un valor esperado.
5.2. Error cuadrático medio (MSC, por sus siglas en inglés)
5.2.1. Es la desviación estándar de los valores residuales (errores de predicción). Los valores residuales son una medida de la distancia de los puntos de datos de la línea de regresión
5.3. Error porcentual absoluto medio (MAPE, por sus siglas en inglés)
5.3.1. 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.
6. Algunas observaciones
6.1. Para determinar el modelo de pronóstico más adecuado es necesario contar con datos muy precisos de la demanda.
6.1.1. Se deben utilizar varios modelos de pronósticos considerando varias condiciones, para obtener el modelo más adecuado para predecir la demanda. No nos podemos basar en unos dos o tres escenarios se deben considerar todas las posibilidades que se pueden presentar.
7. PROYECCIONES DE TENDENCIA
7.1. Esta técnica ajusta una recta de tendencia a una serie de datos puntuales históricos, y después proyecta dicha recta al futuro para obtener pronósticos de mediano y largo plazos
7.2. Notas sobre el uso del método de mínimos cuadrados
7.2.1. Siempre deben graficarse los datos porque los datos de mínimos cuadrados suponen una relación lineal
7.2.2. No se predicen periodos lejanos a la base de datos dada
7.2.3. Los pronósticos de más tiempo tienen poca validez estadística. Por lo tanto, no pueden tomarse datos de 5 años de ventas y proyectar 10 años hacia el futuro.
7.2.4. Se supone que las desviaciones calculadas alrededor de la recta de mínimos cuadrados son aleatorias