ISSN 0717-9103

ANLISIS DE SERIES TEMPORALES TIME SERIES ANALYSIS

Guillermo A. Corres1, Alejandra Esteban2, Juan Carlos Garca2, Claudia Zrate2 1 Departamento de Administracin. Facultad de Ciencias Econmicas. Universidad Nacional del Centro. Provincia de Buenos Aires. Tandil. Argentina 2 Departamento de Ingeniera Industrial. Facultad de Ingeniera. Universidad Nacional de Mar Del Plata. Mar del Plata. Provincia de Buenos Aires. Argentina

RESUMEN
En este trabajo se analiza el error que se comete cuando se pronostican las actividades operativas en una empresa conservera de la zona, utilizando mtodos de proyeccin histrica cuantitativos: determinsticos (suavizado exponencial y variantes), estocsticos (Box -Jenkins) y de proyeccin enfocada. Estos mtodos se emplearon para analizar las ventas ocurridas en 5 aos. Utilizando como criterio de seleccin el mtodo de menor RMSE se determin cul era el mejor modelo para los distintos productos. No se pudo obtener un nico mtodo de pronstico. Tambin se realiz un anlisis acerca de los distintos softwares Crystal Ball y SPSS- que se utilizaron en la obtencin de los mismos. Posteriormente se mejoraron las proyecciones obtenidas a travs de la alternativa de combinacin lineal de los distintos pronsticos y la alternativa de suavizado exponencial de los datos iniciales. Palabras clave: Pronsticos, SPSS, Crystal Ball, industria conservera

In this work it was analyzed the error that is produced when the operations activities are forecasted in a fish conserved industry of this region. It was applied several quantitative methods like exponential smoothing and its different versions, Box Jenkins and the forecasting method that it is used in the industry analyzed. The sales in a five years were analyzed . Using as criterion to select the method, the minor error (RMSE) it was determined the best method for every product. Its not found a common method for all products. Moreover, it was analyzed the software used to obtain the forecasting Crystal Ball and SPSS. Better results were found when the results were combined trough of lineal combination and a previous treatment of dates (exponential smoothing) was performed. Keywords: Prognosis, SPSS, Crystal Ball, Conning Industry.

ABSTRACT

Autor para correspondencia: corres@econ.unicen.edu.ar Recibido: 03.03.2009 Aceptado: 04.05. 2009

21

Revista Ingeniera Industrial - Ao 8 N 1 - Primer Semestre 2009

INTRODUCCIN
Pronosticar consiste en la estimacin y el anlisis de la demanda futura para un producto en particular, un componente o un servicio, a travs de diferentes tcnicas de previsin. El pronstico de la demanda futura es central en cualquier actividad de planificacin y de operaciones, en particular en actividades relacionadas a la logstica y a la cadena de suministro. A nivel organizacional, el pronstico de las ventas es un insumo esencial para cualquier decisin en las distintas reas funcionales: ventas, produccin, compras, finanzas y contabilidad. Los pronsticos tambin son necesarios en los planes de distribucin y aprovisionamientos. La importancia de un pronstico de ventas con escaso margen de error es fundamental para la eficiencia en el manejo de los inventarios. Esto ha sido en gran parte reconocido por diversos autores (Chu & Zhang, 2003). El pronstico es una herramienta bsica en la toma de decisiones de la administracin y, en particular, es un componente esencial para que cualquier sistema de inventarios tenga xito, (Hillier & Lieberman 1997). En la actualidad, la disposicin de pronsticos constituye una parte fundamental de la logstica, por las implicaciones que una variacin en sta supone en los principales procesos de la cadena de suministro (gestin de stocks, aprovisionamientos, transporte, fabricacin, nivel de servicio, etc.), y por los beneficios que proporciona su correcta estimacin y control. Considerando a la administracin de la cadena de suministro, la incertidumbre puede ser definida como eventos impredecibles que afectan a un comportamiento previsto de la cadena de suministro. Bayraktar et al. (2008) analiza el efecto Forrester o de amplificacin de la demanda a lo largo de toda la cadena de suministro, y analiza sus causas, entre las que el pronstico de la demanda tiene un lugar preferencial. El pronstico, en logstica, abarca la prediccin de la demanda con el objetivo de mejorar el flujo de informacin de la cadena de suministro de las empresas y, por tanto, preparar a la organizacin en el sentido de medios tcnicos, humanos y financieros para soportar operaciones futuras de la empresa: estimacin de compras, produccin, necesidades de almacenajes, transportes, etc. El objetivo de este trabajo es hallar un buen mtodo de pronstico para las ventas y para la programacin de inventarios y produccin de una empresa de conservas de la zona, que mejore el proceso que actualmente utilizan, y colaborar en una mejor programacin de las operaciones desarrolladas en la misma.

Marco Terico Componentes de la demanda La demanda puede dividirse en 6 componentes: demanda promedio para el perodo, tendencia, componente estacional, componente cclico, variacin aleatoria y autocorrelacin. En la figura 1 se ilustra una curva de demanda y se indican estos componentes.

22

ISSN 0717-9103

Figura 1: Componentes de la demanda

Tipos de pronsticos
Existen cuatro tipos bsicos de proyeccin: cualitativa, anlisis de series de tiempo, de relaciones causales y de simulacin. Las tcnicas cualitativas son subjetivas. En el caso de las tcnicas cualitativas, un pronstico es el resultado de juicios u opiniones de uno o ms expertos. Se utilizan cuando no existen o no son suficientes los datos histricos o cuando los mismos no son confiables para predecir situaciones futuras. Dentro de este grupo est el mtodo Delphi, encuestas de mercado, analoga de los ciclos de vida, etc. En general, estos mtodos son ms adecuados para el pronstico de mediano y largo plazo. Los mtodos cuantitativos definen explcitamente cmo se obtiene el pronstico. Existen dos categoras bsicas de ellos: los modelos causales y los modelos de series de tiempo. Un modelo de pronstico causal utiliza una ms variables independientes para pronosticar el valor de una variable dependiente o de respuesta. A partir de informacin acerca de dichas variables se puede conducir un anlisis del modelo que se propone. Los modelos causales pueden ser de naturaleza estadstica como es el caso de los modelos de regresin y economtricos o descriptivos como el caso de los modelos de entrada-salida, ciclo de vida y simulacin por computadora. Una de las principales dificultades de estos modelos es que resulta difcil encontrar verdaderas variables causales. Los mtodos de proyeccin histrica o de series de tiempo utilizan un anlisis detallado de los patrones de la demanda anterior en el transcurso del tiempo y proyectan (extrapolar) tales patrones hacia el futuro. Existen diversos modelos que se aplican en el anlisis de series de tiempo que van desde muy simples a muy complejos. La eleccin de un mtodo para pronosticar depender en principio de: - el horizonte de tiempo durante el que se quiere pronosticar corto, mediano o largo plazo; - la cantidad de datos histricos que se dispongan;
23

Revista Ingeniera Industrial - Ao 8 N 1 - Primer Semestre 2009

- - -

la exactitud requerida; los recursos disponibles; la disponibilidad y capacitacin del personal responsable.

Tcnicas de anlisis de series de tiempo

Son numerosas las tcnicas desarrolladas utilizando los datos histricos. - Dentro de stas, tal vez la tcnica ms til para el pronstico a corto plazo sea el ajuste exponencial (Ballou, 2004). En esta tcnica el pronstico de demanda para el siguiente perodo estar dado por: Pronstico nuevo= * (demanda real) + (1-) (pronstico anterior)

Siendo

(Ec.1)

= Pronstico para el perodo i+1 = factor de ponderacin o constante de ajuste exponencial = Las ventas reales en perodo i = el pronstico realizado para el perodo i

Derivado de este mtodo, se hallan los modelos de ajuste exponencial corregido por tendencia (Holt), por tendencia y estacionalidad (Holt Winters). - - - Otro mtodo que suele utilizarse por su facilidad de comprensin y aplicacin es promedio mvil simple y ponderado. La descomposicin clsica de las series de tiempo consiste en descomponer la serie histrica en los distintos componentes de demanda, y a partir de stos realizar la proyeccin. Modelo Box Jenkins: es un mtodo muy complejo de autocorrelacin, que permite un anlisis del modelo propuesto, ms preciso que lo que es posible con otros mtodos.

La proyeccin enfocada: Son reglas sencillas y de sentido comn que se integran y luego se prueban para ver si deben conservarse, por ejemplo: - La demanda de los prximos 3 meses ser igual (o superior) a la de los ltimos 3 meses - Lo que se vender en el prximo bimestre es igual a lo que vendi en el mismo bimestre del ao anterior; - Probablemente la venta del prximo trimestre sea 10% superior a la venta en el mismo trimestre del ao anterior - Etc. En la prctica, los valores de las proyecciones pueden obtenerse en forma relativamente accesible, utilizando desde una simple planilla Excel hasta diversos softwares diseados a tal fin como pueden ser SPSS, Crystal Ball, etc. Las diferencias entre estos soportes radica bsicamente en los mtodos que utilizan para obtener el pronstico, sus costos y la dificultad en su aplicacin. Algunos mtodos sencillos como el suavizado exponencial se suelen aplicar utilizando cualquiera de las herramientas mencionadas anteriormente. En el caso de querer aplicar la metodologa ARIMA o Box Jenkins, es necesario recurrir a sistemas ms sofisticados como el SPSS, dados la magnitud y diversidad de los clculos necesarios para su obtencin.

24

ISSN 0717-9103

Error en el pronstico
Se define error como la diferencia entre el valor del pronstico y lo que realmente ocurri en dicho perodo. A partir del concepto que la demanda tiene un componente aleatorio, todos los pronsticos contienen con certeza algn error. Denominamos et al error del pronstico que se define como: Ai= La demanda real en el perodo i Fi= Pronstico realizado para el perodo i Existen varias formas de medir el error acumulativo del pronstico a largo plazo, durante varios perodos: - La desviacin media absoluta MAD es una forma sencilla y til de medir el error. Es el promedio de todos los errores de la proyeccin, independientemente de que los errores sean positivos o negativos. Se calcula como: (Ec.3) Siendo n la cantidad de perodos considerados. - La Raz Cuadrada de la Media del Error Cuadrtico Medio RMSE es otra forma de medir el error en el pronstico y se obtiene de promediar los residuos al cuadrado. (Ec.4) (Ec. 2)

En la prctica, la MAD se ha utilizado ampliamente en el trabajo de pronstico, porque es fcil de comprender y de utilizar. No obstante, el RMSE puede ser un mejor indicador que la MAD. Chan et al. (1999), as como otros autores utilizan este criterio para seleccionar el mejor pronstico. A partir de suponer que los errores muy grandes en el pronstico tienen un impacto ms negativo que el efecto positivo generado por un error pequeo y considerando que por el clculo que se realiza, el RMSE asigna ms ponderacin a los errores grandes, es que se lo considera mejor criterio al momento de seleccionar el mtodo ms adecuado de pronstico. (Berenson et al. 2001; Fogarty et al. 1999)

Combinacin de pronsticos
La combinacin de los pronsticos es un concepto que en el ao 1969 fue enunciado por Bates y Granger (citado por Chan et al, 1999). Ellos demostraron que si se realizaba una combinacin lineal de dos pronsticos, el resultado era un mejor pronstico, es decir, un pronstico con menor error. El concepto es que descartar la informacin arrojada por un mtodo de pronstico que no es bueno, a lo mejor se est descartando informacin valiosa. Posteriormente, numerosos autores tales como Newbold y Granger, (citado por Chan et al. 1999) demostraron que la combinacin emprica de los pronsticos mejoraba la salida del mejor mtodo individual. La combinacin de pronstico ha encontrado muchas aplicaciones

25

Revista Ingeniera Industrial - Ao 8 N 1 - Primer Semestre 2009

en el campo de la meteorologa, economa, seguros y pronsticos de ventas. Los mtodos que se combinan pueden ser Box Jenkins, Holt Winter y Regresin, entre otros. Siguiendo el desarrollo de Newbold and Granger, estos proponen una combinacin lineal tal que:

Donde Fit es el pronstico para los distintos mtodos i, para el tiempo t y k es el peso para los distintos mtodos de pronstico; 0 kit 1, y se elige en funcin de los errores individuales de cada pronstico. No obstante, an no hay una forma definitiva o generalmente aceptada para combinar los pronsticos. No necesariamente una forma ms sofisticada de combinarlos produce mejores resultados que un promedio simple de los mismos (Chan et al. 1999).

Alisamiento de la serie por suavizado exponencial

Es una metodologa que se propone en diversas fuentes que realizan anlisis estadstico de los datos (Berenson et al. 2001, entre otros). La suavizacin exponencia,l adems de ser un mtodo utilizado para realizar pronsticos tal como se indic anteriormente, sirve para alisar o emparejar la serie de tiempos, proporcionando una serie sin irregularidades y fluctuaciones , a fin de obtener la lnea de suavizado como seal clara , libre de variaciones estacionales y ptima para la prediccin.

METODOLOGA
Para el desarrollo de este trabajo se utilizaron los datos reales de ventas trimestrales de 5 aos (2002-2007) de una empresa conservera de la ciudad. La empresa actualmente fabrica y comercializa alrededor de 30 productos distintos de conserva de pescado. Para el anlisis, inicialmente se consider conveniente realizar una ordenacin de dichos productos de acuerdo con un criterio significativo. En consecuencia, se realiz un anlisis ABC que organiza los productos en orden creciente segn su valor unitario y volumen de ventas. Posteriormente, sobre dichos productos se aplicaron algunas de las tcnicas de pronstico desarrolladas anteriormente: - Promedio Mvil, simple y doble; - Suavizado exponencial, simple y doble - Suavizado exponencial corregido por estacionalidad, multiplicativo y aditivo - Holt Winters, multiplicativo y aditivo - Box Jenkins (ARIMA) - Proyeccin enfocada Respecto del mtodo de proyeccin enfocada, fue analizado dado que es el mtodo que regularmente se utiliza en la programacin de la produccin de la fbrica de anlisis. El modelo de ARIMA se aplic utilizando el software SPSS; para la obtencin de los pronsticos aplicando la proyeccin enfocada, se confeccion una planilla Excel; finalmente para la aplicacin del resto de los mtodos se utiliz el software Crystal Ball A partir de los distintos pronsticos obtenidos se seleccionaron los mismos a travs del mtodo que arroj menor RMSE para cada uno de los productos.

26

ISSN 0717-9103

Posteriormente se realiz un anlisis de los resultados, y se intentaron mejorar dichos pronsticos mediante: 1. Una combinacin de las distintas tcnicas utilizadas. 2. Suavizado previo sobre los datos originales y aplicacin de algn mtodo de pronstico sobre los mismos.

RESULTADOS Y DISCUSIN
Anlisis ABC
En el anexo I se presenta la lista de los distintos productos fabricados y comercializados por la empresa, y en la figura 2 se han graficado los resultados del anlisis ABC realizado sobre los mismos.

Figura 2: Anlisis ABC de los productos que fabrica y comercializa la empresa analizada.

El resultado obtenido hace recomendable trabajar sobre los 5 productos que figuran en la Tabla 1:
Tabla 1: Productos clase A

PRODUCTO ATN EN ACEITE ATN AL NATURAL CABALLA EN ACEITE X 330 GS CABALLA AL NATURAL X 330 GS SARDINAS EN ACEITE

ABREVIATURA AA AN CA CN SA

27

Revista Ingeniera Industrial - Ao 8 N 1 - Primer Semestre 2009

Clculo de pronsticos
Se calcularon los pronsticos segn los mtodos mencionados. Cabe destacar que: 1. El software Crystal Ball realiza los pronsticos por los mtodos mencionados y selecciona el mejor mtodo segn el menor RMSE. La Tabla 3 es la salida tpica de este software. Tabla 3: Salida de Crystall Ball para pronstico de Atn en aceite

Best: 2nd: 3rd: 4th: 5th: 6th: 7th: 8th:

Method Double Moving Average Holt-Winters Additive Seasonal Multiplicative Holt-Winters Multiplicative Seasonal Additive Single Moving Average Single Exponential Smoothing Double Exponential Smoothing

RMSE 339,24 352 354,4 354,53 355,33 369,63 483,66 609,99

MAD 228,12 295,04 269,89 250,89 284,26 272,68 372,49 445,03

MAPE 39,17% 60,43% 47,76% 43,53% 57,55% 65,46% 88,58% 91,00%

2. Para el clculo de la proyeccin enfocada se utilizaron los valores de ventas del mismo trimestre correspondiente al ao anterior y se proyect fabricar vender un 10% ms, es decir: (Ec.5) 3. Los modelos ARIMA se expresan en funcin de (p, d, q) regular y (P, D, Q)4 estacional. Estos parmetros fueron obtenidos analizando la serie a travs de sus correlogramas (grficas de autocorrelacin), y corroborados por un test de significacin de t de Student. En la Tabla 4, se indican los pronsticos para cada uno de los productos el RMSE y MAD como resultados de aplicar los distintos mtodos. Tabla N 4: Pronsticos para cada uno de los productos RMSE y MAD por los distintos mtodos.
Atn al natural Promedio mvil doble ARIMA(1,1,0)(0,1,1)4 Proyeccin enfocada Caballa en aceite Suavizado exponencial corregido por estacionalidad, multiplicativo ARIMA(0,1,0)(1,1,0)4 Proyeccin enfocada Caballa al natural Holt Winters Multiplicativo ARIMA(0,1,0)(1,1,0)4 Proyeccin enfocada Sardina en aceite Holt Winters Multiplicativo ARIMA(1,2,0)(1,1,0)4 Proyeccin enfocada RMSE 299,76 667,69 545,15 RMSE 953,75 2319,77 1861,92 RMSE 596,88 24212,93 1051,29 RMSE 792,68 1804,53 1263,94 MAD 196,46 348 394,82 MAD 812,65 1536,04 1490,8 MAD 463,67 7531,21 821,44 MAD 624,05 1206,11 1077,47

28

ISSN 0717-9103

En la figura 3 y a ttulo de ejemplo se grafican las ventas reales y el pronstico obtenido con el mtodo de promedio mvil doble, el mejor mtodo para este producto.

Figura 3: Ventas reales y pronstico para AA. Mtodo de pronstico: Promedio mvil doble Como puede observarse, no se encontr un nico mtodo que sea el mejor para todos los productos, aunque s se puede observar que, para 3 de los 5 productos analizados, los mejores mtodos son aquellos que consideran a la estacionalidad dentro del modelo. En un trabajo previo, (Corres et al. 2007) realizado sobre productos con caractersticas similares (conservas de pescado de empresas de la zona) se encontraron resultados similares, y tambin se observ la caracterstica del componente estacional dentro de los mejores modelos. Esto se observa tambin en la figura 3. Respecto de los resultados obtenidos con la metodologa ARIMA, considerando todos los factores que se analizan, y como se ha mencionado, es el mtodo ms complejo y ms preciso; se esperaba que se obtuvieran, a partir de su aplicacin, los mejores pronsticos. No obstante, no arroj los resultados esperados. Esto puede deberse, otra vez, al fuerte componente estacional de los datos histricos. De acuerdo a Hanke & Wichern, (2006) la estacionalidad provoca que el modelo observe una cantidad de datos sensiblemente menor que los datos originales. Es decir, si tenemos, como en nuestro caso, 24 datos con estacionalidad 4, el modelo slo ve 6 datos. En consecuencia, y de acuerdo a las hiptesis de aplicacin del modelo Arima, se requiere de una cantidad relativamente grande de datos para que l mismo arroje pronsticos precisos. Otros autores (Povinelli, 1999) ya han encontrado tambin resultados similares, mencionando que esta forma de modelar las series no ajusta bien bajo condiciones de no estacionariedad, y ste es el caso de las series analizadas, si bien la no estacionariedad es salvada con las diferenciaciones y transformaciones. El pronstico enfocado es importante analizarlo, dado que es la metodologa que la empresa utiliza para programar sus actividades en el mediano y corto plazo. Considerando estos resultados, se puede concluir que dicho proceso puede mejorarse a partir de la utilizacin de

29

Revista Ingeniera Industrial - Ao 8 N 1 - Primer Semestre 2009

diversos mtodos de pronstico. Los valores presentados en las tablas 4 revelan la disminucin del RSME, utilizando Crystall Ball en un porcentaje que va desde un 34 % (AA) hasta un 49%(CA). Es importante destacar, adems, que seleccionar un mtodo de pronstico para una determinada actividad no slo implica elegir el modelo de menor RMSE sino que adems hay que considerar otros factores (Schroeder, 2005) entre ellos la complejidad del sistema y la capacitacin necesaria del usuario, el tiempo y recursos disponibles para recopilar la informacin y preparar el pronstico, el costo del sistema computarizado; etc. En consecuencia, los resultados hallados indican que si se compara el software Crystal Ball respecto del SPSS, adems de haber obtenido modelos con menor RSME - para esta empresa analizada en particular- el primero present importantes ventajas, tales como: - su facilidad de manejo - rapidez en procesamiento de los datos - accesibilidad en la interpretacin de los resultados - su relativo bajo costo.

Mejora de los resultados encontrados

Si bien se cumplieron los objetivos planteados, y en la misma direccin, se mejoraron los pronsticos considerando distintas alternativas: 1. Combinacin de pronsticos: Una forma de combinar en forma sencilla los distintos pronsticos es presentada por Ballou 2004, quien sostiene que es posible ponderar los resultados de acuerdo con el error histrico promedio que produjeron (RSME). De esta forma, ningn resultado del modelo ser eliminado, no existiendo dependencia en el resultado del modelo que pareci mejor en forma histrica. Los resultados de esta ponderacin se indican en la Tabla 5 Tabla N 5: Resultados de ponderacin para los productos RMSE y MAD de acuerdo al mtodo.
Atn en aceite Promedio mvil doble ARIMA(1,1,0)(0,1,0)4 Proyeccin enfocada Total Atn al natural Promedio mvil doble ARIMA(1,1,0)(0,1,1)4 Proyeccin enfocada Total Caballa en aceite Suavizado exponencial corregido por estacionalidad, multiplicativo ARIMA(0,1,0)(1,1,0)4 Proyeccin enfocada Total Caballa al natural Holt Winters Multiplicativo ARIMA(0,1,0)(1,1,0)4 Proyeccin enfocada Total Sardina en aceite Holt Winters Multiplicativo ARIMA(1,2,0)(1,1,0)4 Proyeccin enfocada Total RMSE 339.24 577,75 516,01 1433 RMSE 299,76 667,69 545,15 1512,6 RMSE 953,75 2319,77 1861,92 5135,44 RMSE 596,88 24212,93 1051,29 25861,1 RMSE 792,68 1804,53 1263,94 3861,15 Ponderacin 0,45 0,26 0,29 1 Ponderacin 0,5 0,22 0,28 1 Ponderacin 0,52 0,21 0,.27 1 Ponderacin 0,63 0,01 0,36 1 Ponderacin 0,48 0,21 0,30 1

30

ISSN 0717-9103

Finalmente, y como resultado de combinar los pronsticos con los pesos calculados en la Tabla 5, se obtiene el RMSE del pronstico combinado para los 5 productos que se indica en Tabla 6. En la ltima columna de esta tabla se indica el porcentaje de disminucin del indicador, respecto al valor obtenido con el clculo inicial (Tabla 4).

Tabla 6: RMSE para los 5 productos. Mtodo combinado de pronsticos Producto AA AN CA CN SA RSME 291,84 253,72 926,61 544,09 743,94 % 14 15 3 9 6

% es la disminucin de RSME respecto del RMSE del mejor pronstico obtenido

Estos resultados indican que a travs del promedio ponderado es posible disminuir el error en el pronstico (9.4% en promedio). 2. Suavizado de las series reales. Se realiz un suavizado exponencial sobre las distintas series de ventas reales teniendo en cuenta el mismo perodo. Se descompuso la serie mensual inicial y se agruparon los datos de igual mes, se realiz el alisamiento por mes, se utiliz el que arroj el menor error para cada perodo; posteriormente se rearm la serie alisada y se agruparon los datos por trimestre. Finalmente se calcularon los pronsticos sobre la serie obtenida. Los resultados hallados se transcriben en Tabla 7 y, al igual que en Tabla 6, la diferencia (disminucin) respecto al valor de RMSE obtenido con el clculo inicial del pronstico. Tabla 7: RMSE para los 5 productos. Aplicacin de mtodos de pronsticos sobre serie suavizada (Crystal Ball)

Producto AA AN CA CN SA

Mtodo Promedio Mvil Doble Holt-Winters Multiplicativo Holt-Winters Multiplicativo Holt-Winters Multiplicativo SE Corregido por Estacionalidad, Multiplicativo

RSME 295,95 144,52 381,7 292,52 742,33

% 13 52 60 51 6

Mediante este procedimiento se logr disminuir sensiblemente el error cometido (36.4% en promedio). Cabe destacar que dicho suavizado exponencial por trimestre se realiz utilizando el software Crystal Ball.

CONCLUSIONES
El anlisis ABC permiti identificar 5 productos como tipo A que la empresa debe considerar a la hora de realizar sus principales planificaciones relacionadas con los costos y la produccin;

31

Revista Ingeniera Industrial - Ao 8 N 1 - Primer Semestre 2009

No se encontr un nico mtodo que sea el mejor para todos los productos, aunque s se puede observar que, para el 60% de los productos analizados, los mejores mtodos son aquellos que consideran a la estacionalidad dentro del modelo. La metodologa ARIMA result ser bastante compleja respecto de las otras analizadas, y sus resultados no fueron los esperados debido al fuerte componente estacional que tienen los datos reales, as como tambin su falta de estacionariedad Considerando que el mtodo de proyeccin enfocada, definido como la expresin (5) es el mtodo de pronstico que utiliza la empresa, se concluye que utilizando mtodos de pronstico slo un poco ms complejos es posible la reduccin del RSME en porcentajes que van desde un 34 % (AA) hasta un 49%(CA) Los resultados hallados indican que si se compara el software Crystal Ball respecto del SPSS, adems de haber obtenido mtodos con menor RSME - para esta empresa analizada en particular- el primero present importantes ventajas respecto a la facilidad de manejo y de interpretacin de los resultados, as como tambin de sus costos asociados; La combinacin lineal de los resultados de los distintos mtodos de pronstico, considerando la ponderacin de los errores correspondientes a cada uno de ellos result en una forma muy simple de mejorar los pronsticos, reduciendo la mejor RSME en alrededor del 10% De la misma forma, el suavizado exponencial de los datos logr disminuir en promedio un 36.4% el RMSE, siendo su obtencin tan sencilla como en el modelo de promedios ponderados.

REFERENCIAS
Ballou, R. (2004). Logstica de los negocios y la cadena de sumnistros: un tema vital. En Logstica, Administracin de la Cadena de Suministro.. Cap. 1. 5ta. ed. Editorial Prentice Hall. pp 32 Bayraktar, E., Lenny K, S.C., Gunasekaran, A., Sari, K., Tatoglu, E. (2008). The role of forecasting on bullwhip effect for E-SCM application. International Journal of Production Economics, 113, 193-204 Berenson, M., Levine, D., Krehbiel, T. (2001). Anlisis de Series de Tiempo. En Estadstica para la administracin. Cap. 11. 2a. ed., Editorial Prentice Hall. pp 66 Chan, C.K., Kingsman, B.G., Wong, H. (1999). The value of combinig forecast in inventory management - a case study in banking. European Journal of Operational Research,117, 199210. Chu, CH. & Zhang, G. (2003). A comparative study of linear and nonlinear models for aggregate retail sales forecasting. International Journal of Production Economics, 86, 217-231 Corres, G., Esteban, A., Garca, J., Zrate, C. (2007). Anlisis de stocks de seguridad en un ambiente de fabricacin para inventario, 1 Congreso de Ingeniera Industrial COINI 2007, UNLAM. Argentina. Fogarty, D., Blackstone, J., Hoffmann, T. (1999). Pronsticos. En Administracin de la produccin e inventarios. Cap. 3. 2a. ed, Editorial CECSA. pp 43 Hanke, J. & Wichern, D. (2006). La metodologa Box Jenkins ARIMA. En Pronsticos en los negocios. Cap. 9 8 ed. Editorial Prentice Hall. pp 88

32

ISSN 0717-9103

Hillier, F. & Lieberman, G. (1997). Pronsticos. En Introduccin a la Investigacin de Operaciones. Cap.18. 6 ed. Editorial Mc Graw Hill. Povinelli, R . (1999). Times series data minig: Identifying temporals patterns for characterization and prediction of time series events. Tesis de doctorado en Filosofa, Marquette Univesity, Milwaukee, Wisconsin. USA Schroeder, R. G. (2005). Administracin de Operaciones. 2a.ed, Mc Graw Hill Ediciones. Mjico.

33

Revista Ingeniera Industrial - Ao 8 N 1 - Primer Semestre 2009

34