Купить СНПЧ А7 Архангельск, оперативня доставка

crosscheckdeposited

Estúdio Comparativo de Modelos de Pronóstico de Ventas

DOI: http://dx.doi.org/10.13084/2175-8018/ijie.v6n11p113-134

http://www.incubadora.ufsc.br/index.php/IJIE/index 

downloadpdf

Guillermo Corres1, Lucia I. Passoni2, Claudia Zárate3 & Alejandra Esteban4

 

Resumen: La mayoría de las decisiones que deben tomarse en las operaciones, se hacen a partir de los pronósticos y el error o incertidumbre de la demanda asociados a los mismos. El propósito de este trabajo fue comparar el comportamiento de métodos de pronóstico de distintos orígenes sobre las ventas históricas de productos individuales con marcado componente estacional. El análisis del comportamiento se realizó a través de los indicadores MAPE y de su robustez, considerando su desviación estándar. Se calcularon pronósticos sobre 5 productos de la misma familia utilizando métodos de diversos orígenes: determinísticos (suavizado exponencial en sus versiones simples y complejas), ARIMA (Método Autorregresivo Integrado de Medias Móviles) y ANFIS (Sistema Adaptativo de Inferencia Neuro Difuso). A fin de disminuir el valor de dichos errores se introdujeron en los modelos de ARIMA y ANFIS, series de variables independientes que podrían afectar el comportamiento de la serie analizada. Los resultados obtenidos demuestran que cuando los datos fueron analizados en forma trimestral arrojan menores valores de error y este resultado se asocia a la menor variabilidad de la serie. Además, es posible utilizar métodos sencillos en su aplicación e interpretación. No obstante, es importante destacar que si bien ANFIS y ARIMA no siempre resultaron los mejores modelos, ambos métodos poseen la ventaja de poder mejorarse, ya sea modificando las variables independientes que se incorporen al modelo o los parámetros del modelo aunque requiera mayor tiempo computacional.

Palabras-clave: Pronósticos. Suavizado exponencial. ARIMA. ANFIS

 

1 Ingeniero Industrial, Universidad Nacional Del Centro de La Provincia de Buenos Aires, Facultad de Ciencias Económicas, Argentina. E-mail: corres@rec.unicen.edu.ar.
2 Dra. Ingeniería Electrónica, Universidad Nacional de Mar del Plata, Facultad de Ingeniería, Argentina. Email: lpassoni@fi.mdp.edu.ar.
3 Ingeniero Mecánico, Universidad Nacional de Mar del Plata, Facultad de Ingeniería, Argentina. E-mail: cnzarate@fi.mdp.edu.ar.
4 Ingeniero Química, Universidad Nacional de Mar del Plata, Facultad de Ingeniería, Argentina. E-mail: aesteban@fi.mdp.edu.ar.

 

Literatura Citada

BERENSON M.; LEVINE D.; KREHBIEL, T. Estadística para la administración, capítulo 11, 2º. Ed., Prentice Hall, p. 593-6602001.

CHOPRA, S.; MEINDL, P. Administración de la cadena de suministro, Estrategia, Planeación y Operación. Prentice Hall, 2008.

CHU, C. ZHANG, G. A comparative study of linear and nonlinear models for aggregate retail sales forecasting. International Journal of Production Economics, v. 86, p. 217-231, 2003. http://dx.doi.org/10.1016/S0925-5273(03)00068-9

CORRES, G.; ESTEBAN, A.; GARCÍA, J.; ZÁRATE, C. Metodología Box – Jenkins (ARIMA) con SPSS. Parte I. Revista de la EPIO, v. 29, p. 161-176, 2008.

FOGARTY, D.; BLACKSTONE, J.; HOFFMANN, T. Administración de la producción e inventarios. 2º. Ed., CECSA, p. 91-141, 235-281, 1999.

HANKE, J.; WHICHERN, D. Pronósticos en los negocios. Pearson Educación, 2006.

KERKKÄNEN, A.; KORPELA, J.; HUISKONEN, J. Demand forecasting errors in industrial context: measurement and impacts. International Journal of Production Economics, v. 118, p. 43-48, 2009. http://dx.doi.org/10.1016/j.ijpe.2008.08.008

LUXHOJ, J; RIIS, J; STENSBAALLE, B. A hybrid econometric – neural network modeling approach for sales forecasting. International Journal of Production Economics, v. 43, p. 175-192, 1996. http://dx.doi.org/10.1016/0925-5273(96)00039-4

THOMASSEY S., HAPPIETTE M., CASTELAIN J. A global forecasting support system adapted to textile distribution. International Journal of Production Economics, v. 96, p. 81-95, 2005. http://dx.doi.org/10.1016/j.ijpe.2004.03.001

SANDERS, N., GRAMAN, G. Quantifying costs of forecast errors: a case of study of the warehouse enviroment. OMEGA, International Journal of Management Science, v. 37, p. 116-125, 2009. http://dx.doi.org/10.1016/j.omega.2006.10.004

XIE, J., LEE, T.S., ZHAO, X. Impact of forecasting error on the performance of capacitated multi-item production systems. Computers and Industrial Engineering, v. 6, n. 224, p. 200- 219, 2004. http://dx.doi.org/10.1016/j.cie.2003.12.020

ZHANG G., PATUWO B. E., HU M. Forecasting with artificial neural networks: the state of the art. International Journal of Forecasting, v. 14, p. 35-62, 1997. http://dx.doi.org/10.1016/S0169-2070(97)00044-7

ZHANG, P. Time series forecasting using a hybrid ARIMA and neural network model. Neurocomputing, v. 50, p. 159-175, 2003. http://dx.doi.org/10.1016/S0925-2312(01)00702-0