Modelos de Series de Tiempo para Pronósticos de Demanda
Trabajan capturando los patrones en los datos históricos extrapolándolos en el futuro. Los Modelos de series de tiempo son adecuados cuando se puede asumir una cantidad razonable de datos y una continuidad en el futuro próximo de las condiciones que se presentaron en el pasado...
19 de January · 710 palabras.
馃晿 Resumen
Los modelos de series de tiempo son t茅cnicas de pron贸sticos que se basan en la historia de la demanda del 铆tem que se est谩 pronosticando.
Estos modelos se adaptan mejor al corto plazo del pron贸stico debido a la hip贸tesis de que los patrones pasados y las tendencias actuales se asemejan a los patrones y tendencias que se van a presentar en el futuro cercano.
Los modelos de suavizamiento exponencial son el m茅todo seleccionado por la mayor铆a de las empresas, ya que se desempe帽an bien en t茅rminos de exactitud, son f谩ciles de aplicar y pueden ser automatizados, permitiendo su uso a gran escala.
Adem谩s, los modelos de Box-Jenkins son similares a los modelos de suavizamiento exponencial en que ambos son adaptativos, capturan tendencia y patrones estacionales y son automatizables.
Los modelos de series de tiempo m谩s simples, como los promedios m贸viles, incrementos porcentuales y ajustes a la curva, pueden ser implementados a trav茅s de hojas de c谩lculo r谩pidamente y no requieren un conocimiento experto en estad铆stica.
Sin embargo, para alcanzar una mayor precisi贸n en el pron贸stico, las empresas suelen recurrir a modelos alternativos de series de tiempo.
En resumen, los modelos de series de tiempo son 煤tiles en el corto plazo, pero pierden validez en el largo plazo y las empresas deben seleccionar cuidadosamente el modelo m谩s adecuado para sus necesidades espec铆ficas.
Modelos muy Simples: Promedios m贸viles, 篓Igual al a帽o anterior篓, incrementos porcentuales y ajustes a la curva son los modelos de series de tiempo m谩s sencillos los cuales pueden ser utilizados para generar pron贸sticos. Estos modelos pueden ser implementados a trav茅s de hojas de c谩lculo r谩pidamente y no requieren un conocimiento experto en estad铆stica por parte del pronosticador, usualmente estos modelos son muy simples y para tener mayor exactitud en el pron贸stico las compa帽铆as casi siempre deben acudir a modelos alternativos de series de tiempo.
Modelos de suavizaci贸n exponencial: suavizaci贸n exponencial es el m茅todo seleccionado por la mayor铆a de empresas. Estos modelos se desempe帽an bien en t茅rminos de exactitud, son f谩ciles de aplicar y pueden ser automatizados, permitiendo ser utilizados a gran escala. Los modelos de suavizaci贸n exponencial capturan y pronostican el nivel de los datos con los diferentes tipos de tendencias y patrones estaci贸nales. Los modelos son adaptativos y pronostican dando mayor importancia a los datos mas recientes sobre los datos m谩s distantes en el pasado.
Box-Jenkins (modelos ARIMA): Los modelos de Box-Jenkins son similares a los modelos de suavizaci贸n exponencial en que ambos son adatativos, pueden capturar tendencia y patrones estaci贸nales y son automatizables, se diferencia en que los modelos Box-Jenkins son basados en autocorrelaciones en lugar de una vista estructural de nivel, tendencia y estacionalidad. Los modelos de Box-Jenkins tienden a obtener mejores resultados que los modelos de suavizaci贸n exponencial para series de tiempo mas largas y estables no son buenos para datos con ruido y alta volatilidad.
Modelo de demanda intermitente de Croston: El modelo de croston esta espec铆ficamente dise帽ado para series de datos donde la demanda para un periodo determinado a menudo es cero y el calendario exacto de la siguiente orden no se conoce. Los datos se caracterizan por un bajo volumen, productos fabricados especialmente para un cliente espec铆fico o piezas de repuesto a menudo presentan este tipo de patr贸n de la demanda. El pronostico no es milagroso (no van a indicarle cuando se pondr谩 la pr贸xima orden) sin embargo a menudo producen un mejor pronostico que otros enfoques de series de tiempo.
Seleccionar el modelo de serie de tiempo adecuado para un determinado grupo de datos puede realizarse de varias maneras. Por ejemplo, el pronosticador puede aplicar el modelo adecuado de acuerdo al conocimiento que posee de los datos. Otra alternativa es probar diferentes modelos y seleccionar aquel que dentro o fuera de la muestra minimiza el error.
El algoritmo de selecci贸n experta de forecast pro selecciona el modelo adecuado a la serie de tiempo usando una l贸gica basada en reglas y evaluando el pron贸stico generado con modelos diferentes partiendo de una muestra de los datos. Los modelos de series de tiempo considerados en selecci贸n experta incluyen las diferentes modelos de suavizaci贸n exponencial, los modelos de Box/Jenkins, el modelo de demanda intermitente de croston, modelos discretos y promedios m贸viles
聽Mind de Colombia es una empresa visionaria, que implementa proyectos basados en software de clase mundial, de acuerdo con las necesidades de cada uno de sus clientes. Contamos con metodolog铆as probadas y especializadas para la implementaci贸n de proyectos en temas como CRM, SFA, ERP y Planeaci贸n de la Demanda.
Adicionalmente ofrecemos Servicios de Consultor铆a y Seminarios en temas de CRM (Customer Relationship Management), SFA (Sales Force Automation), KAM (Key Account Management) y Estrategias de Fidelizaci贸n de Clientes.
Mind de Colombia
Manejo Informatico Industrial de Colombia
www.mind.com.co
Twitter: MindDeColombia
Facebook: Mind de Colombia
Linkedin:Mind de Colombia
