Loading presentation...

Present Remotely

Send the link below via email or IM

Copy

Present to your audience

Start remote presentation

  • Invited audience members will follow you as you navigate and present
  • People invited to a presentation do not need a Prezi account
  • This link expires 10 minutes after you close the presentation
  • A maximum of 30 users can follow your presentation
  • Learn more about this feature in our knowledge base article

Do you really want to delete this prezi?

Neither you, nor the coeditors you shared it with will be able to recover it again.

DeleteCancel

Make your likes visible on Facebook?

Connect your Facebook account to Prezi and let your likes appear on your timeline.
You can change this under Settings & Account at any time.

No, thanks

Generación de un modelo espacial de pronóstico de demanda para un producto de consumo masivo

Documento presentado como requisito para optar al título de Magister en Ingeniería Industrial
by

Juan Carlos Pérez

on 24 February 2015

Comments (0)

Please log in to add your comment.

Report abuse

Transcript of Generación de un modelo espacial de pronóstico de demanda para un producto de consumo masivo

Problema Resultados Análisis Generación de un modelo espacial de pronóstico de demanda para UN producto De consumo masivo Cuánto producir? Cual será la demanda? Cuál es el espacio geográfico de mi demanda? Superficies de Vulnerabilidad Análisis Exploratorio Análisis Estructural Proceso metodológico para generar un modelo espacial de la demanda puedo pronosticar la demanda "espacialmente"? Francisco Luis Hernandez
Juan Carlos Pérez Director: Ing. Carlos Julio Vidal, Ph.D. Objetivos Desarrollar una alternativa de pronóstico de la demanda,
con el fin de brindar nuevas herramientas que permitan
optimizar la toma de decisiones referentes al manejo de
inventarios, así como, definir zonas de vulnerabilidad en
el mercado. General Específicos Localizar geográficamente la demanda de un producto de consumo masivo.

Identificar y evaluar las variables socio-económicas que inciden en la determinación de la demanda de un producto de consumo masivo.

Evaluar la aplicabilidad de los diferentes modelos de distribución espacial manejados por los sistemas de información geográfica (SIG) más populares, al análisis de la distribución espacial de la demanda, mediante el apoyo de conceptos geo-estadísticos.

Construir un modelo espacial de pronóstico de la demanda de un producto de consumo masivo.

Comparar los métodos predictivos de las herramientas SIG con algunos modelos tradicionales de pronóstico de la demanda. ~ 250 Clientes Geoestadística
Predecir valores en sitios no muestreados (Sichel, 1947, 1949)

Método de Krigeado ( Daniel G. Krige, 1951)

Desarrollo de bases de la Geoestadística (Georges Matheron, 1962)

Análisis Exploratorio de Datos Espaciales (Anselin, 1999)

Desarrollo de aplicaciones:
Hidrología (Brenning, 2008)
Ciencias de la Tierra (Basili y otros, 2001)
Forestal (Miranda-Salas y Condal, 2003)
Ciencias sociales (economía, geografía, sociología, salud)
Sistemas de Información Geográfica (Goodchild, 2000)
Comercialización (Doyle, 2001) Antecedentes Inventarios Marco Conceptual Relación - Variables SocioEconómicas •El desarrollo de este trabajo permitió reconocer que los modelos geoestadísticos para la generación de superficies de la distribución de la demanda de un producto de consumo masivo son adecuados.

•Los parámetros para la construcción de los modelos de distribución espacial de la demanda se corresponden a cada mes, ante la imposibilidad de definir un modelo global para todo el año. Esto conduce a la obtención de distintos niveles de error en la construcción de las superficies, producto de las diferencias del comportamiento de la demanda en cada mes. Se pudo observar que los meses con mayores errores cuadráticos medios en la interpolación de los valores de la demanda superficial correspondieron a julio, septiembre, octubre, noviembre y diciembre, justamente los meses de mayores demandas. Esto ocurre porque las diferencias en la demanda de estos meses son muy elevadas con respecto a los restantes meses y no corresponden a una tendencia general de las ventas y los modelos de pronóstico de la demanda examinados reaccionan tardíamente a la demanda histórica.

•La generación de superficies de distribución de la demanda permiten reconocer el comportamiento de la demanda por cada píxel que conforma la imagen. Esta densificación de la información permite reconocer sectores con comportamientos específicos de acuerdo con el nivel de la demanda por cada período de análisis. Este producto se puede constituir en una herramienta eficaz en la generación de estrategias de mercadeo del producto

•Los métodos de pronóstico de la demanda tradicionalmente se aplican a elementos puntuales, o puntos donde se origina la venta del producto. En este proyecto se aplicaron los métodos de pronóstico de la demanda promedio móvil y suavizado exponencial simple a superficies. Las superficies de distribución de la demanda generadas a partir de la interpolación geoestadística tienen igual comportamiento ante la aplicación de los métodos de pronóstico de la demanda tradicionales, que los puntos de venta en la estimación de los inventarios de seguridad. Sin embargo, el método geoestadístico aplicado para generar las superficies de distribución de la demanda es complejo, ya que requiere del manejo de múltiples elementos de decisión para la selección del modelo que mejor se ajuste a los datos y exige conocimientos de estadística espacial pero ofrece una visión global del comportamiento de la demanda.
ANSELIN, L. (1999) “The Future of Spatial Analysis in the Social Sciences”. Geographic Information Sciences. Vol 5, Issue 2, pp 67-76.

BASILI, P., Bonafoni, S., CIOTTI, P., MARZANO, F. S., D’AURIA, G., PIERDICCA, N. (2001).”Retrieving Atmospheric Temperature Profiles by Microwave Radiometry Using a Priori Information on Atmospheric Spatial-Temporal Evolution”. IEEE Transactions on Geoscience and Remote Sensing. Vol 39. N° 9. pp 1896-1905

Berry, M., Linoff, G. (1997). Data Mining Techniques for Marketing, Sales and
Customer Support. John Wiley & Sons, Inc, New York.

BRENNING, A., KOSZINSKI, S., SOMMER, M. (2008). “Geostatistical Homogenization of Soil Conductivity Across Field Boundaries“. Geoderma, vol, 143, pp 254-260.

BUZAI, Gustavo D., BAXENDALE, Claudia A. (2006). “Análisi Socioespacial con Sistemas de Información Geográfica” Lugar Editorial. Buenos Aires, Argentina.

CAO, C. Y LAM N. S. (1997).”Understaning the Scale and Resolution Effects in Remote Sensing and GIS”. Quattrochi, D. and Goodchild, M. (eds.), Scale in Remote Sensing and GIS. pp 57-72. CRC Press, Inc.

CHILÈS, Jean-Paul y DELFINER, Pierre (1999). Geostatistic. Modeling Spatial Uncertainty. Wiley Series in Probability and Statistics. p 687.

CRESSIE, Noel A. C. (1993) Statistic for Spatial Data Revised Edition. Jhon Wiley & Sons, Inc. New York. Pp 887

CUADOR G., José Q. (2004). Elementos de Geoestadística. Universidad de Pinar del Río. Pp 47.

DOYLE, S. (2001). “Software review: How is geography supporting marketing
in today’s commercial organisations?”. Journal of Database Marketing. Vol 9. Issue 1. pp 85-89.

ESCOBAR, M. (2000) Análisis Gráfico/Exploratorio. Cuadernos de Estadística. Editorial La Muralla.

FISCHER, Manfred M. (2006). Spatial Analysis and GeoComputation. Springer. Berlin, Alemania. 337 p.

Fotheringham, a. S., m. E. Charlton & c. Brunsdon (1998) Geographically weighted regression: a natural evolution of the expansion method for spatial data analysis. Environment and Planning A, 30, 1905-1927.


GIRALDO H. Ramón (2001): “Introducción a la Geoestadística. Teoría y Aplicación”. Universidad Nacional de Colombia. Bogota 2001.

GIRALDO H. Ramón (2005): Resumen análisis estructural. Diapositivas Curso Geoestadística. Universidad Nacional de Colombia.

GOODCHILD, M. Y P. LONGLEY (1999). The future of GIS and spatial analysis. In P. Longley, M. Goodchild, D. Maguire and D. Rhind (eds.), Geographical Information Systems, 2 nd Edition, pp. 567-580. New York: John Wiley.

LERMA, H. D. (1999) Metodología de la Investigación: Propuesta, Anteproyecto y Proyecto. Editorial Postergraph. Colombia. 135 p.

Márcio de Morisson Valeriano, Dilce de Fátima Rossetti. Topodata: Brazilian full coverage refinement of SRTM data

MIRANDA-SALAS, M., CONDAL, A. R. (2003). Importancia del análisis estadístico exploratorio en el proceso de interpolación espacial: caso de estudio Reserva Forestal Valdivia. Bosque (Valdivia) [online]. vol.24, n.2, pp. 29-42

MORAL G., F. J. (2004). Aplicación de la geoestadística en las ciencias ambientales. Ecosistemas. vol. 13 n. 1, pp. 78-86.

Moreno Serrano, r. & e. Vayá Valcarce. 2000. Técnicas Econométricas para el Tratamiento de Datos Espaciales: La Econometría Espacial. España: Graficas Rey, S. L.

Nojek, S., Britos, P., Rossi, B. y García Martínez, R. Pronóstico de Ventas: Comparación de Predicción basada en Redes Neuronales versus Método Estadístico

RAMÍREZ G., A. (2001). “Metodología de la Investigación Científica”. Pontificia Universidad Javeriana, 111p.

RENARD, P., DEMOUGEOT-RENARD, H., FROIDEVAUX, R. (2004) (Eds) Geostatistical for Enviromental Applications

RIAL, A.; VARELA, J. y ROJAS, A. (2001). Depuración y Análisis Preliminares de Datos en SPSS. Sistemas Informatizados para la Investigación del Comportamiento. RA-MA.

SALVADOR FIGUERAS, M Y GARGALLO, P. (2003): "Análisis Exploratorio de Datos", [en línea] 5campus.com, Estadística <http://www.5campus.com/leccion/aed> [consultado 11/11/2009]

SCHABENBERGER, Oliver y GOTWAY, Carol A. (2005). “Statistical Methods for Spatial Data Analysis” Taylor & Francis e-Library.

TUKEY, J.W. (1977). Exploratory Data Analysis. Addison-Wesley

VIDAL HOLGUIN, Carlos Julio. (2008). Fundamentos de Gestión de Inventarios. Universidad del Valle. En imprenta.

YACUZZI, Enrique. PAGGI, Guillermo. (2002). Diseño e implementación de un sistema de pronóstico de ventas en Whirlpool Argentina. Bilbliografía Conclusiones Agenda Introducción
Problema
Objetivos
Estado del Arte
Metodología
Resultados
Conclusiones
Bibliografía Estadística Espacial Geoestadística Lattice Patrones de Puntos Marco Conceptual Variable Regionalizada Marco Conceptual Marco Conceptual Marco Conceptual Predicción Espacial Estimar valores de Z para ubicaciones particulares (X, Y);
Estimar valores de Z para una cuadrícula rectangular;
Cambiar la resolución de la cuadrícula en un archivo raster (método conocido como re-muestreo).
Burrough (1986) los clasifica en dos grandes categorías:
Los que asumen que la superficie es discreta : Polígonos de Thiessen
Los que asumen una superficie continua.

Estimar a partir de una muestra, valores de Z para un conjunto de puntos (x, y) a partir de un proceso de interpolación.
Pueden ser: Exactos, No exactos, Globales, Locales Marco Conceptual Regresión geográficamente ponderada Técnica de regresión espacial que a partir de regresiones lineales locales permite conocer las relaciones entre variables que varían espacialmente. Introducción Metodología Variables Socio-Económicas - Estrato socio-económico
- Densidad poblacional
- Nivel de educación
- Tipo de vivienda
- Uso del suelo Tendencia Espacial Correlación Espacial Análisis de Anisotropía Parámetros del Semivariograma Interpolación Espacial Pronóstico espacial de la demanda Pronóstico Promedio Móvil
Pronóstico Suavización Exponencial Simple Tendencia espacial de los datos Autocorrelación Espacial Análisis de Anisotropía Parámetros del semivariograma con anisotropía Ancho banda 2.0, Retardo 10 Errores de la predicción Mean: Media; RMS: Raíz Cuadrática; ASE: Error Estándar Promedio; MS: Media Estandarizada; RMSS: Raíz Cuadrática Estandarizada; C/C0+C: Tamaño de la Estructura de Modelo en Porcentaje Superficies de demanda con distancia 60 y 110 Parámetros Iniciales para la Selección del Modelo de Semivariograma Mensual Superficies de demanda Enero Junio Septiembre Noviembre Ventas < 1000 Und (Sept) Ventas < 5000 Und (Sept) Modelo:
3,11 + Spherical (223,983; 400,782;106)+ 1,9522 Pronóstico Espacial de la demanda (Prom Móvil) Demanda Real Vs Demanda Espacial Nivel de Servicio mensual Pronóstico Espacial de la demanda (Suav. Exponencial Simple) Demanda Real Vs Demanda Espacial Nivel de Servicio mensual •Al igual que en los pronósticos de la demanda aplicados sobre los puntos de venta, la aplicación sobre superficies requiere de datos históricos suficientes para generar los elementos de inicialización de los modelos. El método de suavización exponencial doble no se pudo realizar por la falta de un número suficiente de datos históricos, ya que la definición de este modelo requiere del parámetro que reconoce la tendencia de la demanda.

•La representación de la superficie de la demanda permite un reconocimiento del espacio geográfico en el que se distribuye un producto lo que permite distintos enfoques para la atención de la demanda.

•Las variables socioeconómicas en el actual estudio no presentaron fuerte relación con los datos de venta y su posterior pronóstico espacial, esto se puede atribuir a que los datos de venta fueron suministrados por un solo distribuidor mayorista que representa una muestra del total de distribuidores que puedan existir en la ciudad de Cali. De haber encontrado relación entre la demanda del producto y las variables socio-económicas se tendría que construir un modelo multivariado y geográficamente pesado, para producir las superficies de demanda y posteriormente aplicar los modelos de pronóstico de inventario. Así mismo también se debe reconocer que es posible que la demanda del producto analizado no se rige por las variables consideradas, sino que puede ser gobernado por eventos sociales que son comunes en todas las condiciones socio-económicas. Es recomendable examinar en estas direcciones el comportamiento espacial de la demanda y analizar con un mayor número de proveedores y/o variables para saber si se sigue cumpliendo lo hallado en este trabajo inicial.

•Otro curso en la dirección del análisis espacial de la demanda se puede considerar la aplicación de las distintas técnicas de análisis de imágenes para obtener nuevos mecanismos de la determinación de la demanda, como por ejemplo la construcción de índices, análisis de componentes principales para la reducción de datos, aplicación de distintas técnicas de clasificación para determinar zonas homogéneas, etc. El panorama es suficientemente amplio ya que corresponde a un tipo de análisis que proviene de otro enfoque disciplinar y que se aplicaría en el contexto del control de inventarios. Conclusiones
Full transcript