Procediment de previsió de vendes per a una empresa del sector farmacèutic

Procediment de previsió de vendes per a una empresa del sector farmacèutic Pág. 1 Resum Aquest projecte final de carrera pretén millorar el procediment de previsió de vendes per a fàrmacs genèrics amb més de sis mesos al mercat, mitjançant el desenvolupament d’una eina capaç de dur a terme un procés de previsió de vendes complet. Hi nombroses solucions desenvolupades, des de procediments completament manuals fins a programaris complexos i costosos. La majoria d’ells, però, no integren tots els passos del procés dins d’una eina robusta, sinó que executen una part d’aquest i cal afegir programaris complementaris per concloure’l. Els programaris potents, que sí que es poden considerar complets, no estan a l’abast de moltes de les petites i mitjanes empreses degut al seu preu inaccessible i als requeriments de coneixements avançats. Després d’una extensa fase d’investigació i d’unes pràctiques laborals fetes a una empresa especialitzada, en aquest projecte final de carrera es recullen i s’analitzen totes les etapes del procés de previsió de vendes, definint en primer lloc la necessitat en si de fer pronòstics. Es defineix la problemàtica associada al camp de les previsions, les dades necessàries i les metodologies i tècniques aplicades a l’actualitat: els models matemàtics i subjectius amb els que es pot treballar. En la fase més tècnica, es detallen i es justifiquen totes les decisions que ha calgut prendre abans i durant el disseny de l’eina proposada, tractant de definir una metodologia simple i robusta, però també dinàmica en la que trobar un equilibri entre enfocaments tècnics i enfocaments a procés. També es descriu el funcionament i criteris de tots els procediments continguts dins de la previsió de vendes des de la neteja i segmentació de dades; la competició de nombrosos models de previsions amb l’objectiu d’escollir els que millor s’adapten a l’equilibri entre precisió, cost econòmic, cost temporal i de formació; fins els ajustos manuals que cal fer en les previsions que genera l’eina. L’eina es desenvolupa en el programari MS Excel complint tots els requeriments que es fixen al llarg de les fases anteriors, de manera que l’aplicatiu sigui senzill i els processos semi-automàtics. La part positiva d’escollir fer l’eina en aquest programari és que tot i integrar mòduls per les diferents funcionalitats programats amb Visual Basic, l’usuari pot executar els canvis que consideri segons el seu criteri i necessitats. Finalment, l’eina es prova en un cas pràctic que fa referència a una empresa del sector farmacèutic en la que es donen molts dels problemes associats a una mala previsió de vendes. Pág. 2 Memoria Procediment de previsió de vendes per a una empresa del sector farmacèutic Pág. 3 Sumari RESUM ______________________________________________________ 1 SUMARI _____________________________________________________ 3 ÍNDEX DE TAULES ____________________________________________ 5 ÍNDEX DE GRÀFICS I FIGURES _________________________________ 7 1. GLOSSARI ______________________________________________ 10 2. PREFACI _______________________________________________ 11 3. INTRODUCCIÓ __________________________________________ 12 3.1. Objectius del projecte .................................................................................... 12 3.2. Abast del projecte .......................................................................................... 12 4. ESTAT DE L’ART ________________________________________ 14 4.1. Contextualització de la problemàtica ............................................................ 14 4.1.1. Conseqüències directes d’una mala previsió de vendes ................................... 16 4.2. Orígens de la previsió de vendes .................................................................. 17 4.3. Principis i metodologies actuals .................................................................... 18 4.3.1. Demanda i vendes. Definició i característiques .................................................. 19 4.3.2. Principis actuals de la previsió de vendes ........................................................... 20 4.3.3. Qüestions necessàries per a la previsió de vendes ............................................ 21 4.4. Programari disponible ................................................................................... 36 5. PROBLEMÀTICA ASSOCIADA A LA PREVISIÓ DE VENDES ____ 38 5.1. Causes principals de la problemàtica actual ................................................. 38 5.1.1. Confiança en un coneixement que no es té ........................................................ 38 5.1.2. La complexitat de fer pronòstics. Influències entre funcions .............................. 38 5.2. Problemes, símptomes i accions de millora de les previsions ..................... 40 5.3. Pitjors pràctiques en el procés de fer previsions .......................................... 42 6. LES PREVISIONS DINS DE LA INDÚSTRIA FARMACÈUTICA ____ 45 6.1. Cicle de vida dels productes ......................................................................... 46 7. DESCRIPCIÓ TÈCNICA DE LA SOLUCIÓ _____________________ 50 7.1. Definició del procés de previsió ..................................................................... 50 7.2. Tasques prèvies a la generació de previsions .............................................. 51 7.2.1. Definició de l’objectiu de les previsions ................................................................ 51 Pág. 4 Memoria 7.2.2. Selecció d’enfocament i metodologies ................................................................. 53 7.2.3. Determinació de les dades necessàries .............................................................. 54 7.3. Tasques associades a la generació de previsions ....................................... 56 7.3.1. Recollida, validació, segmentació i neteja de les dades ..................................... 57 7.3.2. Selecció i execució de les tècniques de previsió ................................................. 63 7.3.3. Revisió i ajust de les previsions ............................................................................ 68 7.4. Tasques posteriors a la generació de previsions ......................................... 69 7.4.1. Models per la quantificació del rendiment ............................................................ 70 7.4.2. Previsions a validar ................................................................................................ 72 7.5. Valoració de l’eina ......................................................................................... 72 7.5.1. Valoració de la utilitat de l’eina .............................................................................. 72 7.5.2. Valoració econòmica. Posicionament de l’eina vers altres opcions .................. 73 8. DESENVOLUPAMENT DE L’EINA DE PREVISIÓ _______________ 75 8.1. Pestanyes grogues: Portafoli i segmentacions ............................................. 75 8.2. Pestanyes verdes: Recollida de dades ......................................................... 77 8.3. Pestanyes blaves: Models de previsió .......................................................... 78 8.4. Pestanyes vermelles: Càlculs i consola ........................................................ 79 8.5. Pestanyes taronges: Avaluació del rendiment ............................................. 82 9. CAS PRÀCTIC ___________________________________________ 84 9.1. Descripció de l’empresa amb la que s’ha validat l’eina ................................ 84 9.2. Anàlisi dels resultats i conclusions de la prova ............................................. 85 10. PRESSUPOST DEL PROJECTE ____________________________ 88 10.1. Etapa d’investigació i preparació .................................................................. 88 10.2. Etapa de desenvolupament de l’eina ............................................................ 89 10.3. Etapa de redacció ......................................................................................... 89 11. ANÀLISI D’IMPACTE AMBIENTAL __________________________ 91 CONCLUSIONS ______________________________________________ 93 AGRAÏMENTS _______________________________________________ 96 BIBLIOGRAFIA ______________________________________________ 98 Referències bibliogràfiques .................................................................................... 98 Bibliografia complementària ................................................................................... 99 Procediment de previsió de vendes per a una empresa del sector farmacèutic Pág. 5 Índex de Taules Taula 4.1. Problemes i conseqüències d'una mala previsió de vendes. Font: pròpia. __________ 17 Taula 4.2. Definició de les principals tècniques de previsions de judici. Font: Cook[1]. Adaptació _ 27 Taula 4.3. Definició de les principals tècniques de previsions per comptatge. Font: Cook[1]. Adaptació _______________________________________________________________________ 27 Taula 4.4. Comparativa de models estadístics. Font: Amrstrong[13] ________________________ 33 Taula 4.5. Representació de les categories dels programaris actuals. Pros i contres. _________ 37 Taula 5.1. Problemes i possibles solucions vers la previsió de vendes. Adaptació. Font: Business Horizons[14]. Adaptació _____________________________________________________ 41 Taula 6.1. Relació entre quota de mercat, nombre de principis actius diferents que comercialitzen i fase de les majors companyies de genèrics a Espanya. Font: El Global[10] _____________ 49 Taula 7.1. Tipologia dels productes que s'inclouen a l'eina de previsions. Font: Pròpia ________ 52 Taula 7.2. Comparativa de models estadístics amb Crystal Ball. Font: Pròpia _______________ 64 Taula 7.3. Competició de models per la selecció dels que entren a l’eina. Font: Pròpia ________ 65 Taula 7.4. Exemple de mitja mòbil acumulada Font: Pròpia _____________________________ 66 Taula 7.5. Esdeveniments escollits pel desenvolupament del projecte. Font: Pròpia __________ 69 Taula 7.6. Estimació econòmica anual de l'eina per 5 usuaris. Font: Pròpia _________________ 73 Taula 7.7. Comparativa de les metodologies que ofereix el mercat actual. Font: Pròpia ________ 74 Taula 10.1. Pressupost del projecte. Font: Pròpia _____________________________________ 90 Pág. 6 Memoria Procediment de previsió de vendes per a una empresa del sector farmacèutic Pág. 7 Índex de gràfics i figures Fig. 4.1. Respresentació de vendes al llarg del temps. Font: pròpia _______________________ 19 Fig. 4.2. Punts clau per a la generació de previsions. Font: Cook[1] ________________________ 21 Fig. 4.3. La previsió de vendes com a acte equilibrat. Font: Evans[2] _______________________ 22 Fig. 4.4. Horitzons temporals per a la previsió de vendes. Font: Cook[1] ____________________ 23 Fig. 4.5. Metodologies de previsions. Adaptació. Font: Cook[1] ___________________________ 24 Fig. 4.6. Tècniques de previsió de vendes al llarg del cicle de vida. Font: Cook[1] i Profesor en línea[4] _______________________________________________________________________ 26 Fig. 4.7. Combinació de mètodes qualitatius i quantitatius. Cook[1] ________________________ 28 Fig. 4.8. El procés de quantificació. Cook[1] __________________________________________ 28 Fig. 4.9. Algoritme de mètode de Croston. Font: http://help.sap.com/ ______________________ 32 Fig. 4.10. Eines analítiques que aporten informació addicional a les previsions. Font: Cook[1] ___ 34 Fig. 5.1. Connexions de les previsions amb les àrees funcionals d’una empresa. Font: Cook[5] __ 39 Fig. 5.2. Exemple de mala pràctica: pics a final de trimestre. Font: pròpia __________________ 43 Fig. 6.1. Evolució del mercat espanyol de genèrics vs. marques. Font: IMS Health SP ________ 45 Fig. 6.2. Expiració de les patents de fàrmacs biològics a Espanya. Adaptació diari el Global[10] __ 46 Fig. 6.3. Representació del cicle de vida d’un producte. Font: Pròpia ______________________ 47 Fig. 6.4. Pes mig de cada fase del cicle de vida en el conjunt de les millors companyies de genèrics a Espanya. Font: El Global[10] __________________________________________________ 49 Fig. 7.1. El procés de previsió de vendes. Font: Pròpia _________________________________ 50 Fig. 7.2. Classificació de l’eina de previsions desenvolupada. Adaptació Cook[1] _____________ 53 Fig. 7.3. Representació del procés de generació de previsions. Font: Pròpia ________________ 56 Fig. 7.4. Diagrama de segmentació ABC. Font: Pròpia _________________________________ 58 Fig. 7.5. Digrama de segmentació segons volatilitat. Font: Pròpia ________________________ 59 Pág. 8 Memoria Fig. 7.6. Exemples de patrons de comportament. Font: Pròpia __________________________ 60 Fig. 7.7. Proposta de patrons segons JMP. Font: Pròpia _______________________________ 61 Fig. 7.8. Exemple de neteja de les dades. Font: confidencial ____________________________ 62 Fig. 7.9. Arbre de decisions per mètodes de previsió. Font: Armstrong[12]. __________________ 63 Fig. 7.10. Mostra de l’impacte de les diferents alfes a una previsió. Font: Pròpia _____________ 68 Fig. 8.1. Pestanyes de l'eina de previsions dissenyada. Font: Pròpia ______________________ 75 Fig. 8.2. Representació de la pestanya 'Valoració del portafolis’. Font: Pròpia _______________ 76 Fig. 8.3. Representació de la pestanya ‘Segmentacions’. Font: Pròpia ____________________ 76 Fig. 8.4. Representació de la pestanya ‘Patrons’. Font: Pròpia___________________________ 77 Fig. 8.5. Representació de les pestanyes de recollida de dades. Font: Pròpia _______________ 77 Fig. 8.6. Representació de les pestanyes amb models de previsions. Mitja móvil acumulada. Font: Pròpia __________________________________________________________________ 78 Fig. 8.7. Representació de les pestanyes amb models de previsions. Model amb patrons. Font: Pròpia _______________________________________________________________________ 78 Fig. 8.8. Consola I, referències del mes anterior. Font: Pròpia ___________________________ 79 Fig. 8.9. Consola II, detall estadístic de l'estat de la revisió. Font: Pròpia ___________________ 79 Fig. 8.10. Consola III, informació del producte seleccionat per la neteja i/o revisió. Font: Pròpia _ 80 Fig. 8.11. Consola, gràfic temporal. Font: Pròpia _____________________________________ 80 Fig. 8.12. Consola IV, funcionalitat per la neteja de la història. Font: Pròpia ________________ 80 Fig. 8.13. Consola V, funcionalitat per la revisió de les previsions mensuals. Font: Pròpia _____ 81 Fig. 8.14. Avaluació del cicle, registre d'evolució temporal. Font: Pròpia ___________________ 82 Fig. 8.15. Avaluació del cicle, anàlisi dels resultats a Lag 3. Font: Pròpia __________________ 82 Fig. 8.16. Representació de la pestanya per la Gestió d'inventaris. Font: Pròpia _____________ 83 Fig. 9.1. Cadena logística de l'empresa del cas pràctic. Font: Pròpia ______________________ 84 Fig. 9.2. Representació dels resultats obtinguts. Font: Pròpia ___________________________ 86 Procediment de previsió de vendes per a una empresa del sector farmacèutic Pág. 9 Pág. 16 Memoria - Factors competitius. - Tendències del mercat i canvis inherents en la demanda. - Canvis en la legislació. - I els propis plans de la companyia en publicitat, promoció de productes, preus i canvis de producte. D’altra banda, és igualment important parlar dels factors que condicionen les previsions. Alhora de fer pronòstics cal tenir present quines són les característiques dels productes i la resta de variables d’entrada; així com les propietats en si mateixes de les previsions calculades. Alguns d’aquests factors es detallen a continuació, i s’analitzen en punts següents del treball: - Tipologia i quantitat de dades històriques d’entrada. - Cicle de vida del producte. - Volums de venda i d’ingressos que suposen per a la companyia. - Classificacions segons patrons de comportament o components principals. - Termini de les previsions. 4.1.1. Conseqüències directes d’una mala previsió de vendes Les dificultats i males pràctiques descrites en els apartats anteriors desemboquen en unes previsions poc precises. Aquest fet és un problema en sí mateix, ja que hi ha molts altres factors de la cadena logística d’una empresa que depenen directament de les previsions de la demanda establerta per als propers períodes. Els principals problemes associats a la imprecisió en els pronòstics de vendes són els que es mostren a la taula 4.1: Procediment de previsió de vendes per a una empresa del sector farmacèutic Pág. 17 PROBLEMES CONSEQÜÈNCIES Mala planificació de la fabricació Ruptures d’estoc i sobre estoc Incorrecta assignació de recursos Augment dels costos Falta de recursos en punts del procés Gestió d’inventaris ineficaç Males recuperacions després de ruptures d’estoc Caducitat dels productes Demores en els processos de producció i distribució Augment dels costos Nivells de servei baixos Insatisfacció dels clients 4.2. Orígens de la previsió de vendes És un fet clar que tot i no haver-hi una metodologia establerta, les empreses han aplicat des de sempre processos més o menys simples per pronosticar l’evolució dels seus negocis. Va ser a la segona meitat del segle XX quan es van portar a terme gran quantitat d’estudis en la matèria. Cap als anys seixanta es van començar a desenvolupar teories al voltant de la previsió de vendes. Abans d’aquesta data, s’havia realitzat poca recerca empírica sobre mètodes de predicció. Des de llavors la literatura ha crescut ràpidament, especialment en l’àrea de les previsions crítiques o subjectives. Es pot dir que una de les qüestions que menys ha canviat al llarg de la història és la necessitat en sí de fer previsions sobre la producció, el personal, les finances i el màrqueting. El procediment que s’havia estat utilitzant durant molts anys abans de 1960 tenies les següents característiques: - Es recollien dades històriques setmanals de cada tipus d'ordre sobre la base dels registres de facturació. En general, es pensava que aquestes dades eren precises, i els valors atípics eren rebutjats o eliminats. - Es preparaven gràfics per representar els esdeveniments més importants. - I els pronòstics es preparaven mitjançant mètodes qualitatius per una persona que havia estat fent aquest treball durant molts anys. A banda del procés habitual utilitzat en aquells anys, l’estil de fer prediccions a 1960 discutit en la literatura acadèmica es basa en sis directrius per fer pronòstics, una directriu per estimar la incertesa dels mateixos i una per guanyar l’acceptació de les previsions: Taula 4.1. Problemes i conseqüències d'una mala previsió de vendes. Font: pròpia. Pág. 18 Memoria 1. Descompondre els problemes complexos en una sèrie de subproblemes simples sempre que sigui possible, analitzar els resultat per separat i agregar-los. 2. L’extrapolació s’ha d’utilitzar com un dels mètodes per fer pronòstics sempre que les dades ho permetin. 3. Obtenir l’opinió d’experts en la matèria, fent el procés de manera el més estructurada possible. Utilitzar aquestes opinions per omplir buits d’informació no disponible, però no utilitzar aquesta opinió per fer ajustos de pronòstics produïts per mètodes objectius. 4. Utilitzar les enquestes d’intencions per predir el comportament a curt termini d’esdeveniments importants. 5. Es prefereixen els mètodes objectius de causa-efecte sempre que hi hagin dades suficients. S’han d’aplicar els mètodes a partir de la teoria, i les estimacions s’han d’obtenir a partir de varies de fonts de dades altament fiables. 6. Combinar les previsions fetes a partir d’almenys dos enfocaments diferents. Cada pronòstic hauria de ser ponderat d’acord amb la confiança que es té en ell. 7. Les estimacions d’incertesa han d’acompanyar els pronòstics. La precisió d’un mètode donat en situacions similars ha de ser utilitzat com el mitjà principal per a l’avaluació de la incertesa. 8. Abans que s’obtinguin les previsions finals, els responsables de prendre les decisions han de consensuar la forma en que s’utilitza aquesta informació. Poques d'aquestes directrius van ser utilitzades pels professionals en 1960. I, en l’actualitat, aquestes pautes no compten amb una forta aprovació. L’any 1984 després d’una conferència a Boulder, Colorado, un grup interdisciplinari d’experts acadèmics en previsions es van sotmetre a un qüestionari sobre les directrius abans mencionades. En resum, els 26 enquestats van mostrar només una acceptació suau de la majoria de les directrius. 4.3. Principis i metodologies actuals Però, què s’ha millorat en el camp de les previsions en els últims cinquanta anys? S’han desenvolupat nous procediments o metodologies orientades a aconseguir previsions més precises, l’obtenció d’una millor avaluació d’incertesa, o l’obtenció d’una major acceptació dels pronòstics? En els propers apartats, s’analitzen els principis i metodologies actuals per fer previsions. A més, es descriuen en detall altres aspectes importants en el moment de fer pronòstics, com ara l’horitzó temporal i l’enfocament de les previsions. I, per Procediment de previsió de vendes per a una empresa del sector farmacèutic Pág. 19 1 2 3 0 1 2 3 4 5 1 2 3 4 5 6 7 8 9 10 11 12 ANYS VENDES QUADRIMESTRES acabar, es repassa el programari disponible per desenvolupar previsions. 4.3.1. Demanda i vendes. Definició i característiques Abans d’entrar plenament en matèria, és important conèixer allò sobre el que es vol fer previsions, en aquest cas, les vendes. La diferència entre el concepte de demanda i el de vendes, és que les vendes impliquen el que realment s’ha venut mentre que la demanda mostra la necessitat del producte. Hi ha casos en que la demanda no pot ser satisfeta, llavors les vendes són inferiors a la demana. Abans de tractar els principis i les tècniques de previsió, és adequat considerar algunes característiques de la demanda que influeixen en els pronòstics i les metodologies utilitzades. Les característiques de la demanda, com a sèrie temporal, són les mateixes que les de les vendes. Els patrons de vendes Si es representen gràficament les dades històriques de vendes respecte el temps, es mostren els patrons o formes que defineixen el seu comportament. Un patró és la forma general d’una sèrie temporal. Poden donar-se punts que no segueixin exactament el patró, però els punts tendeixen a agrupar-se al voltant de la forma general. La Figura 4.1 mostra un patró de vendes històric hipotètic. Els patrons mostren que les vendes varien d’un període a l’altre. Aquests canvis poden produir-se per quatre raons: tendència, estacionalitat, alteracions aleatòries i factors cíclics. Fig. 4.1. Respresentació de vendes al llarg del temps. Font: pròpia Estacionalitat de les vendes Alteració aleatòria Tendència Cicles Pág. 20 Memoria - La tendència es defineix com el nivell de la sèrie, pot ser constant, créixer o decréixer al llarg del temps. - La estacionalitat són fluctuacions reconegudes i constants dependents del temps. - Les alteracions aleatòries tenen lloc quan més d’un factor afecta a la demanda durant un període concret de temps. Aquestes variacions acostumen a ser petites i causen punts d’història propers al patró. - Els cicles són repeticions del comportament al llarg del temps. Estabilitat i dinamisme Les formes dels patrons de les vendes d'alguns productes o serveis canvien amb el temps, mentre que altres no ho fan. Aquells que mantenen la mateixa forma general s’anomenen estables i d’aquells que no ho fan, se’n diuen dinàmics. Els canvis dinàmics poden afectar la tendència, l’estacionalitat o fins i tot l’aleatorietat de les vendes reals. Com més estable sigui el comportament de les vendes, més fàcil és establir previsions. Comportament dependent i independent El comportament de les vendes d’un producte és independent si aquest no està relacionat amb les vendes d’un altre producte. Per contra, es produeix un comportament dependent quan les vendes d’un producte deriven d’un altre. Com a norma general, només el realitzen previsions de productes amb comportament independent, i a partir d’aquests pronòstics s’extrapola als productes dependents dels primers. 4.3.2. Principis actuals de la previsió de vendes A l’actualitat es consideren quatre característiques o principis importants sobre la previsió de vendes. La comprensió d’aquests axiomes permet fer un ús més eficaç dels pronòstics. Es pot dir que tots són simples i, en certa mesura, de sentit comú: 1. Les previsions són generalment errònies. Els pronòstics intenten mirar cap a un futur desconegut i, excepte per pura sort, estan sempre equivocats en algun grau. Els desencerts són inevitables i cal ser conscient d’ells. 2. Cada previsió ha d’incloure una estimació de l’error. Atès que s’espera que els pronòstics tinguin un grau d’error, cada previsió ha de contenir una estimació d’aquest. Acostuma a expressar-se com un percentatge (més i menys) de la Procediment de previsió de vendes per a una empresa del sector farmacèutic Pág. 21 previsió o com un rang entre els valors màxim i mínim. Les estimacions d’aquest error poden fer-se estadísticament mitjançant l’estudi de la variabilitat de les vendes sobre la mitjana d’aquestes. 3. Les previsions són més precisos si es fan per famílies o grups. Aquest principi parteix de la idea de que el comportament individual d’un producte dins d’un grup és aleatori, fins i tot quan el grup té característiques molt estables. La planificació de producció per famílies o grups es basen en la similitud dels processos i els equips utilitzats. 4. Les previsions són més precises per períodes de temps propers. El futur proper presenta menys incertesa que un futur llunyà, ja que cap esperar que el futur proper sigui semblant a la realitat present. 4.3.3. Qüestions necessàries per a la previsió de vendes A nivell pràctic es poden distingir quatre qüestions necessàries per a la generació de previsions: definir la necessitat per la previsió, seleccionar la metodologia apropiada, analitzar els resultats i presentar els resultats. Aquest quatre punts són els que es mostren a la figura 4.2: Definir  Entendre els requeriments de la previsió.  Seleccionar l’enfocament adequat. Modelar  Seleccionar el programari.  Construir el model.  Comprovar la qualitat i validar. Analitzar  Definir el risc i la incertesa.  Explorar la sensibilitat.  Definir la productivitat. Presentar  Presentar factor clau.  Revisar amb les parts interessades. Definir la previsió El primer pas en la previsió de vendes consisteix en entendre l’aplicació que tenen els pronòstics concrets que es volen generar. Per exemple, es tracta d’un producte que ja s’està comercialitzant? Si és així, les sortides apropiades són a nivell mensual, tant per Fig. 4.2. Punts clau per a la generació de previsions. Font: Cook[1] Previsió de vendes de producte Pág. 22 Memoria unitats a vendre com per ingressos, i calculades amb un horitzó temporal d’un a tres anys. La previsió és per una regió, un país o més d’un? La resposta a aquesta pregunta pot determinar l’elecció de la metodologia i el marc utilitzat per avaluar el potencial del pronòstic. Aquestes i una llarga llista d’altres respostes potencials governen la selecció de la metodologia i la construcció de les previsions. Punts d’equilibri en la previsió: El personal encarregat de les previsions sovint s’enfronta amb la obligatorietat d’equilibrar les peticions de múltiples grups d’interès i grups funcionals i a més té l’obligació de combatre un altre desafiament: l’equilibri entre els mètodes i el procés de previsió, dit d’una altra manera, el balanç entre un enfocament cap al procés o un cap a la tècnica. Cap d'aquests dos extrems és atractiu, però malauradament, tots dos es produeixen amb freqüència en les organitzacions. Per una banda, en una empresa on la previsió està fortament basada en el procés, hi ha total transparència, els usuaris entenen i estan d’acord amb el resultat, però és molt possible que sovint el resultat estigui basat en anàlisis superficials i fins i tot sospitosos. En l’altre extrem, una companyia que es centra massa en la tècnica cau en l’error de generar desconfiança i apatia cap a les seves previsions degut a la complexitat del procés. A la figura 4.3 es reflexa la necessitat d’equilibri entre els dos enfocaments: Horitzó temporal: Un segon repte clau per als pronosticadors és el que es refereix a la varietat d’horitzons temporals associats amb les previsions. Aquest factor, igual que l’anterior, té implicacions a l’hora d’escollir el mètode i de construir el model de previsions. El període de temps escollit vindrà determinat pel tipus de previsions que es vulgui obtenir, i Enfocament tècnic Enfocament al procès Fig. 4.3. La previsió de vendes com a acte equilibrat. Font: Evans[2] Procediment de previsió de vendes per a una empresa del sector farmacèutic Pág. 23 marcarà la complexitat de la tasca a desenvolupar. A la Figura 4.4 es mostren diferents opcions per espaiar les previsions en el temps i l’ús òptim per cada una d’elles. Lapide[3] va postular que es pot distingir entre tres tipus de previsió empresarial, l’horitzó temporal és funció directa d’aquests: - Previsió operativa: generada pels propers dies o setmanes en termes hora-per-hora o dia-per-dia. Està pensat per pronosticar les operacions diàries dins d’una empresa, com els canvis en l’inventari, emmagatzematge o transport. - Previsió tàctica: generada per diversos mesos fins a dos anys en termes de setmana o mes. S’utilitza per pronosticar les vendes, per crear plans mestres de producció o per la planificació del treball. - Previsió estratègica: generada per llargs períodes de temps i planificacions anuals. S’utilitza per donar suport a les decisions crucials com una nova inversió o la planificació del capital. En aquest últim cas, Lapide[3], recomana confiar en mètodes causals, de cicle de vida i qualitatius per produir previsions argumentant que les sèries de temps poden estar esbiaixades a causa del gran lapse temporal. Fig. 4.4. Horitzons temporals per a la previsió de vendes. Font: Cook[1] Pág. 24 Memoria Seleccionar la metodologia apropiada Igual que l’equilibri necessari entre els enfocaments al procés i les tècniques de fer previsions, s’ha de buscar un balanç semblant alhora de seleccionar les metodologies que s’utilitzaran. A la Figura 4.5 s’il·lustra una llista de metodologies, des d’algunes simples i fàcils per a l’usuari, fins les que requereixen d’experts i d’un programari sofisticat. De nou, es paper del pronosticador trobar l’equilibri òptim per a les necessitats de la companyia. Diana Fulls de càlcul senzills Fulls de càlcul analítics Sistemes dinàmics Models d’estació de treball “Sensació a la panxa” Excel Excel - VBA Vensim, I-Think Paquets de programari Mètodes “diana”: Aquests mètodes també es coneixen comunament com “sensació a la panxa”, l’enfocament d’aquest model es basa en el coneixement i l’experiència d’algun individu de la companyia en la creació de pronòstics, així que aquest model pot ser tan simple com l’usuari vulgui. És una tècnica vàlida i, si l’experiència i l’instint del pronosticador són precisos, pot resultar molt eficaç. És una metodologia fàcil d’utilitzar i que requereix de pocs recursos de l’empresa, a més, pot anar des d’un raonament simple fins a processos de lògica i anàlisi complexos. Tot i així, es corre el risc de que el procés es converteixi en una caixa negra donat per la falta de transparència i sovint per la poca documentació tècnica que es recopila durant el procediment. Fulls de càlcul senzills: Les metodologies creades en un suport d’un programari com MS Excel, són les dominants en la creació de previsions en l’actualitat. La majoria d’analistes estan familiaritzat amb aquest tipus de programari i se senten còmodes amb la generació de fórmules per a modelar el mercat i crear pronòstics. A més, la majoria d’usuaris finals estan també familiaritzats amb els fulls de càlcul i poden navegar pel model i seguir la lògica utilitzada per la creació de les previsions. Per usuaris experts Fàcils per l’usuari “Sensació a la panxa” Regles generals Saviesa convencional Dades Estadístiques Tendències històriques Interaccions Multidisciplinar Dinamisme Fig. 4.5. Metodologies de previsions. Adaptació. Font: Cook[1] Procediment de previsió de vendes per a una empresa del sector farmacèutic Pág. 25 Fulls de càlcul analítics: Cada cop més s’està donant una migració des dels fulls de càlcul senzills fins a aquesta tipologia de fulls de càlcul més complexos, que combinen eines de navegació entre productes, segments o qualsevol altre variable del mercat, amb funcions analítiques. L’exemple típic d’aquesta metodologia és un full de càlcul de MS Excel que utilitza Visual Basic (VBA) per a aplicacions diverses – com executar algorismes de predicció, crear gràfics o generar patrons. Es pot aconseguir un elevat grau de sofisticació amb aquests models, però a costa de renunciar a la facilitat d’ús. Sistemes dinàmics: Aquesta metodologia ha sorgit durant l’última dècada. En aquest enfocament l’usuari pot crear models que segueixen la progressió de les variables que se’ls detalli – com ara, la progressió d’una malaltia d’una persona amb el temps – i crear bucles de retroalimentació en el model de previsió, per exemple cicles de tractament, remissions i recaigudes. Hi ha diversos paquets de programari disponibles al mercat que suporten aquests models de sistemes dinàmics, com I-Think, Vensim i Powersim. Models d’estació de treball: Són els models més sofisticats, típicament es fan servir per a fer anàlisis molt rigorosos, com l’anàlisi de sèries temporals estadístiques, models longitudinals de flux, i moltes altres tècniques. Les característiques principals d’aquest tipus de mètodes són el gran volum de dades que necessiten i la complexitat dels fluxos de previsió. Són necessaris programaris complexos i costosos on l’usuari introdueix dades a l’ordinador amb unes hipòtesis donades i, després d’executar-se, el programa presenta modelades les previsions de sortida. Igual que els processos massa enfocats a la tècnica, aquestes metodologies donen una sensació de caixa negra als seus usuaris, a més, aquests programaris són difícils d’adaptar a unes necessitats específiques d’una companyia. Però, quin d’aquets mètodes produeix unes previsions més precises? La resposta seria cap d’ells, la precisió d’un pronòstic no ve donada per la metodologia utilitzada, sinó per la lògica del procés i els càlculs executats. Aquestes metodologies es diferencien pels recursos que necessita cadascun i la transparència que presenten. Mètodes qualitatius i quantitatius: En apartats anteriors s’ha plantejat la qüestió de si és o no possible utilitzar un únic model de previsió al llarg de tot el cicle de vida d’un producte. La resposta, com ja s’ha avançat, és que no. La raó principal d’això és perquè en el moment en que es llança un producte el mercat, es comença a generar una sèrie temporal de dades, cosa que provoca un canvi dramàtic en la metodologia per fer previsions. La generació de dades històriques força un canvi en els mètodes, que evolucionen dels qualitatius als quantitatius. Pág. 32 Memoria El mètode Lewandowski ofereix un anàlisi avançat de les sèries de temps i un mètode robust per fer previsions, que combina la regressió lineal i un suavitzat exponencial. Lewandowski aplica tècniques de reconeixement de patrons per identificar el mètode apropiat i el conjunt únic dels paràmetres que coincideixen amb cada patró de demanda donada. Des de 1960, un gran nombre d’experts ha tractat de comparar els diferents mètodes quantitatius de previsió per trobar els que retornen pronòstics més acurats. És també des de llavors que hi ha hagut una intensa competició entre els models que poden considerar-se més simples i els més sofisticats. Armstrong[13] recull els resultats de nombrosos estudis comparatius entre tècniques de previsió, a la Taula 4.4 es troben detallats aquests estudis, els resultats positius impliquen millors pronòstics pels models complexos, el zeros signifiquen que no hi ha diferències i els negatius que els pronòstics van resultar millors per models simples. Fig. 4.9. Algoritme de mètode de Croston. Font: http://help.sap.com/ Procediment de previsió de vendes per a una empresa del sector farmacèutic Pág. 33 Estudi Comparativa Resultat Winters (1960) Chow (1965) Frank (1969) Elton and Gruber (1972) Whybark (1972) Smith (1974) Newbold and Granger (1974) Reid (1975) Dennis (1978) Brown and Rozeff (1978) Dalrymple (1978) Exponential smoothing vs moving averages Adaptive vs constant parameters Exponential smoothing vs moving averages Exponential smoothing vs moving averages Adaptive vs constant parameters Adaptive vs constant parameters Box-Jenkins vs exponential smoothing Box-Jenkins vs exponential smoothing Adaptive vs constant parameters Box-Jenkins vs simple trend Box-Jenkins vs regression + + + + + + + + + + + Kirby (1966) Torfin and Hoffman (1968) Bates and Granger (1969) Markland (1970) Raine (1971) Adam (1973) Chatfield and Prothero (1973) Groff (1973) Johnson and Schmitt (1974) Geurts and Ibrahim (1975) Armstrong (1975) Mabert (1976) Dancer and Gray (1977) Albrecht et al. (1977) Chatfield (1978) Carey (1978) Hagerman and Ruland (1979) Makridakis and Hibon (1979) Ruland (1980) Kenny and Durbin (1982) Makridakis et al. (1982) Exponential smoothing vs moving averages 6 models of varying complexity Box-Jenkins vs exponential smoothing 4 models of varying complexity Adaptive vs constant parameters Exponential smoothing vs moving averages Box-Jenkins vs no-change Box-Jenkins vs exponential smoothing 10 models of varying complexity Box-Jenkins vs exponential smoothing Complex curve vs rule of thumb Box-Jenkins vs exponential smoothing Adaptive vs constant parameters Box-Jenkins vs no-change Box-Jenkins vs exponential smoothing 21 models of varying complexity 3 models of varying complexity 22 models of varying complexity 8 models of varying complexity Box-Jenkins vs exponential smoothing 21 models of varying complexity 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 La conclusió que es pot extreure d’aquesta taula és que la validesa dels mètodes estadístics no depén en primera instància de la seva complexitat. B. Tècniques basades en la causalitat: Aquests mètodes són projeccions basades en indicadors externs als propis productes dels quals es fa la previsió. Per la seva naturalesa, aquests mètodes proporcionen més coneixements sobre els factors que influeixen en el resultat del pronòstic, però menys precisió en ell. A continuació es descriuen algunes de les tècniques més importants d’aquest grup. Amb la tècnica de les correlacions, les previsions estan basades en patrons històrics de covariància i dependència entre les variables d’entrada. Cal destacar que les correlacions no impliquen necessàriament causalitat. Taula 4.4. Comparativa de models estadístics. Font: Amrstrong[13] Pág. 34 Memoria Les regressions proporcionen estimacions produïdes a partir d’una equació predictiva que minimitza la variància residual d’una o més variables independents. Els indicadors principals suposen que una tendència es pot derivar d’una altra, sovint mitjançant l’aplicació d’una relació d’avanç-retard simple. Per exemple, es pot fer la previsió de vendes i ingressos d’un mes partint de les despeses en publicitat ocasionades el mes anterior. Un cop fet aquest anàlisi en profunditat de les tècniques quantitatives, es pot concloure, a curt termini, que les tècniques on s’apliquen mètodes basats en sèries temporals proporcionen previsions més acurades. D’altra banda, les tècniques de causalitat donen més informació dels factors que afecten a les previsions. A l’hora de fer previsions sovint es fan servir diverses tècniques juntes. Molts experts en la matèria defensen el fet de combinar mètodes quantitatius amb qualitatius per tal de fer créixer la certesa dels resultats. D’altra banda, és important destacar una idea que ja defensaven Sanders i Manrodt[6], a qualsevol companyia es prefereixen mètodes qualitatius per sobre de tècniques quantitatives massa costoses i complexes. Aquest últim concepte és clau per als propers apartats i el desenvolupament de l’eina que es porta a terme en aquest projecte. Habilitar informació analítica Risc i incertesa Sensibilitat Productivitat Simulacions Escenaris Anàlisi de decisions Anàlisi de sensibilitat Diagrames tornado Diagrames en cascada Retorn de la inversió Risc vs. Retorn Productivitat múltiple Hi ha una sèrie d'eines analítiques que poden utilitzar-se per obtenir punts de vista addicionals dels models de predicció són els que estan representats a la Figura 4.10. L’anàlisi del risc i de la incertesa permeten a l'usuari comprendre el risc potencial de la Fig. 4.10. Eines analítiques que aporten informació addicional a les previsions. Font: Cook[1] Procediment de previsió de vendes per a una empresa del sector farmacèutic Pág. 35 previsió. Els d'anàlisi de sensibilitat mostren les connexions entre les variables d'entrada i sortida dels pronòstics, senyalant a l'usuari quines d’aquestes variables d'entrada afecten més dramàticament el resultat de les previsions. Les mesures de productivitat permeten comparar múltiples previsions pel valor financer dels productes i projectes d’una organització. Presentar els resultats A mitjans dels anys seixanta un grup d’experts en el camp de les previsions es van unir per conformar unes bases sobre l’estudi dels pronòstics. Van examinar la manera de fer previsions en un ampli i variat conjunt d’empreses, i van crear la llista que es detalla a continuació sobre les lliçons apreses en quant a les previsions. Amara[7]: - El futur no està predeterminat. - Cap mètode és millor en totes les situacions. - Brutícia que entra, brutícia que surt. - S’ha de ser selectiu. - Cal centrar-se en la lògica subjacent. - Un pronòstic és tan bo com els seus supòsits subjacents. - L’ús de rangs i escenaris pot ser determinat. - Cal vigilar les consideracions sobre passat recent. - Cal vigilar les exageracions tecnològiques. - No parar de preguntar-se ‘I si?’ Moltes d’aquestes lliçons són evidents i s’expliquen per elles mateixes, però hi ha tres en particular que són molt comunes a la indústria farmacèutica i sovint es passen per alt: Brutícia que entra, brutícia que surt ve a dir que quan els supòsits d’entrada són defectuosos o mal formats, les previsions seran de baixa qualitat independentment de la complexitat del model utilitzat. Cal vigilar les consideracions sobre passat recent reflexa el fet de que els esdeveniments que han succeït recentment es tenen més en compte que aquells més distants en el temps i, com és lògic, el fet de que la informació sigui més nova no implica necessàriament que calgui donar-li més pes que a la resta de la història. Per últim, cal vigilar les exageracions tecnològiques vol transmetre la idea de que un mecanisme d’acció més sofisticat no garanteix un comportament millor del producte al mercat, tot i així a la indústria farmacèutica hi ha una clara tendència a la sobre-predicció que es desenvolupen nous mecanismes d’accionament de vendes. Pág. 36 Memoria En resum, aquesta llista reflecteix la importància de que el pronosticador presenti els resultats d’un manera adequada en funció de qui siguin els beneficiaris de les previsions, per així evitar que es donin aquestes tendències en el moment de prendre decisions. 4.4. Programari disponible Fins a aquest punt s’han descrit totes les tècniques disponibles per a la previsió de vendes, l’estat de la tècnica també inclou un resum del programari disponible a l’actualitat per a desenvolupar la tasca de fer pronòstics. El programari per a la previsió de vendes es presenta principalment en dues categories. En primer lloc, estan els programes coneguts com programari dedicat, que tenen una gran capacitat per a fer previsions però no posseeixen cap altra destresa estadística addicional. Aquest programari normalment pot fer córrer models com el Box- Jenkins, exponencials, regressions, anàlisis de tendències no lineals, entre d’altres, però no pot calcular intervals de confiança per a una mostra o fer anàlisis de factors. Un exemple d’aquest tipus de programari és l’anomenat Forecast Pro, un dels més utilitzats a l’actualitat. El segon grup es composa de productes d’anàlisi estadístic general que inclouen entre les seves funcions la capacitat de predicció. Alguns exemples són IBM SPSS Statistics, SAS, Minitab, Statgraphics, NCSS, Cristal Ball i Systat. Un possible avantatge que poden presentar els programaris dedicats és que incorporen procediments o capacitats que els productes generals no tenen, com per exemple models ARIMA, econometries o models de funció de transferència. Aquest punt només serà un punt positiu si la companyia realment necessita d’aquests funcionalitats, sinó, l’únic que faran és augmentar el cost del producte amb opcions complexes i de poc valor per la companyia. Una altra característica que cal analitzar del programari per fer previsions és el seu nivell d'automatització, és a dir, el grau en què el programari pot especificar el model de predicció adequat per modelar les dades de que es disposa. Normalment es consideren tres nivells d'automatització. El primer nivell és el que es considera automàtic i és aquell programari que directament a la sortida aconsella el model apropiat per al conjunt de dades entrades. És a dir, busca el model de previsió o procediment que millor s’adapta a les dades històriques minimitzant algunes mètriques estadístiques, i després, busca els paràmetres òptims per a modelar les previsions, calcula les previsions i els intervals de confiança, donant a més diversos estadístics de resum i suport gràfic. Igualment, l'usuari pot anul·lar el procediment recomanat, especificar alguna altra tècnica de previsions, i el programari Procediment de previsió de vendes per a una empresa del sector farmacèutic Pág. 37 executa el procediment a partir d’aquesta restricció. Mentre que els productes de predicció dedicats poden operar de forma automàtica, no tots els productes estadístiques generals són capaços de fer-ho, per exemple, dels mencionats anteriorment, IBM SPSS Statistics i Statgraphics són els que es poden posar en aquesta categoria. El següent nivell d'automatització és el semi-automàtic. En aquest cas, l'usuari especifica les metodologies específiques de previsió que vol que el programa utilitzi, i el programari procedeix a trobar els paràmetres òptims d'aquests models, fa els pronòstics, proporciona estadístics de resum i gràfics. La majoria dels productes estadístiques generals operen d’aquesta manera. Finalment, el tercer nivell d'automatització és el denominat manual, el qual requereix que l'usuari especifiqui el model i els paràmetres d'aquest. Llavors el programa dóna les previsions, gràfics i estadístiques de resum. Després d'examinar els resultats l'usuari ha de tornar a introduir, manualment, els nous paràmetres del model i repetir el procés fins a trobar l’òptim. Per tant, trobar els paràmetres òptims del model es converteix en un procés d'assaig i error tediós. A la Taula 4.5 es mostra una valoració de les eines disponibles en funció dels nivells de dedicació i d’automatització que presenten:  Moltes funcionalitats addicionals disponibles.  Procés complex que requereix d’un expert en el programa i en les tècniques.  S’executa ràpidament.  Procés complex i poc flexible que dóna sensació de “caixa negra”.  Programari complex.  Programari econòmic.  Procés transparent i flexible.  Procés tediós.  Procés de ràpida execució.  No requereix de coneixements tant sofisticats com altres programaris.  Tendeix a ser costós i presentar funcionalitats limitades. Taula 4.5. Representació de les categories dels programaris actuals. Pros i contres. Nivell d’automatització Nivell de dedicació Pág. 38 Memoria 5. Problemàtica associada a la previsió de vendes 5.1. Causes principals de la problemàtica actual 5.1.1. Confiança en un coneixement que no es té Aconseguir estabilitat en productes madurs i en creixement dins del mercat farmacèutic és vital perquè les companyies mantinguin la seva quota de mercat i perquè s’assegurin la supervivència dins d’aquest escenari de competitivitat. La previsió de vendes ajuda a fer front a la incertesa. Per als productes en fase de creixement, els pronòstics es treballen a partir d’anàlisis a medicaments amb el mateix principi actiu ja siguin genèrics o no, a més, les dades històriques disponibles, tot i que siguin poques, també afavoreixen les previsions. Per als productes madurs, el modelatge dels pronòstics es treballa impulsat principalment per les dades històriques de vendes i pel coneixement adquirit en les tendències del mercat. Tot i l’estabilitat que poden arribar a presentar els productes i la significativa quantitat de dades històriques i qualitatives de les que es pot disposar, no s’ha d’oblidar que la informació té un valor limitat. Aquest és el principal problema a l’hora de fer previsions en aquest tipus de productes. Disposant de grans volums d’informació, pot semblar possible fer gran varietat d’anàlisis i estudis, com per exemple, establir patrons de comportament, o establir correlacions entre productes, però aquests treballs només són d’utilitat si s’apliquen correctament en les previsions. El fet de disposar de molta informació atorga una falsa sensació de seguretat en el moment de fer previsions d’aquest tipus. La majoria de vegades els problemes venen associats a supòsits erronis creats per la confiança en un coneixement que no es té. Un producte, tot i haver mostrat estabilitat al llarg de la seva historia, pot presentar irregularitats, llavors totes aquestes dades històriques deixen de ser útils i cal recórrer a altres recursos. 5.1.2. La complexitat de fer pronòstics. Influències entre funcions Les previsions alimenten i influeixen a moltes àrees funcionals dins d’una organització, tal i com es pot veure a la Figura 5.1. Aquests vincles poden ser unidireccionals, on el pronòstic s’alimenta de les decisions preses per altres departaments Procediment de previsió de vendes per a una empresa del sector farmacèutic Pág. 39 funcionals; o bé bidireccionals, on s’utilitza la previsió per quantificar els efectes dels canvis previstos en el mercat per altres àrees de la companyia. Aquests enllaços reflecteixen la quantitat d’utilitats en les que es poden aplicar les previsions. Aquests usos tant diversos que presenten les previsions, i l’efecte que les mateixes poden tenir a diferents àrees d’una empresa, generen una de les principals dificultats de fer pronòstics: l’obligació de satisfer les necessitats de les diferents parts interessades. Posant, per exemple, el vincle existent entre la previsió dels ingressos per vendes i el volum d’unitats demandades. És indiscutible que, tot i estar totalment relacionats, la forma de fer pronòstics serà diferent en els dos casos. Posant per cas les previsions del volum d’unitats demandades, caldrà incloure variables d’altres àrees funcionals, com les unitats de mostreig, l’estoc de seguretat i la mida de lot per a la seva distribució – aquests enllaços han de ser bidireccionals. També els enllaços a seccions referents a polítiques sanitàries i polítiques de preus seran importants per la confecció d’escenaris – un altre vincle bidireccional, ja que s’estableixen supòsits a partir dels escenaris i la quantificació dels resultats es retorna a l’àrea funcional corresponent per definir una nova direcció. Resumint, és evident que una previsió tindrà diferents requisits depenent de l’usuari final i que és tasca del pronosticador entendre les necessitats dels beneficiaris de dita Fig. 5.1. Connexions de les previsions amb les àrees funcionals d’una empresa. Font: Cook[5] Previsions Programes de màrqueting Plans de promocions Programes de consumidors Ingresos de vendes Volum d'unitat Mida de la plantilla de comercials, estructura i localització Llicències Patents Costos d’oportunitat Direcció corporativa Portafolis R+D Valor esperat Unitats de negoci Global, Estatal, Regional Retorn de la inversión Marges Avaluació de les opcions Polítiques sanitàries Polítiques de preus Pág. 40 Memoria previsió per tal de seleccionar els millors mètodes per generar el pronòstic. El recull de requisits és el que fa afegir complexitat al procés. El gran nombre d’àrees funcionals que interactuen amb la previsió creen una enorme pressió sobre el model de construcció i anàlisi, les entrades i els resultat de la previsió. I tota aquesta complexitat desemboca en que cada sector industrial desenvolupi el seu propi model, basat en un conjunt diferent de supòsits amb poca o cap consistència en la resta d’àmbits. 5.2. Problemes, símptomes i accions de millora de les previsions Cada cop més, les empreses veuen la previsió de vendes com un element clau per l’èxit empresarial. Fent un anàlisi superficial, les previsions de vendes precises permeten a una empresa proporcionar un alt nivell de servei al client. Quan es poden predir les vendes amb exactitud, es pot complir de forma eficient, mantenint als distribuïdors i als clients finals satisfets. El pronòstics exactes ajuden a evitar la pèrdua de vendes o situacions de desproveïment, cosa que evita que els clients s’adrecin a la competència. Fent un anàlisi exhaustiu, l’efecte de fer previsions precises pot ser més profund. Les primeres matèries poden comprar-se de forma més rendible evitant així despeses innecessàries. De la mateixa manera, els serveis logístics es poden aconseguir a cost més baix a través de contractes a llarg termini en comptes d’altres de contingència. Per últim, i segurament el més important, la predicció precisa pot tenir un gran impacte positiu en els nivells d’inventari d’una empresa. Molts dels problemes associats a les males previsions es repeteixen en totes les empreses amb uns símptomes semblants. A la taula següent es presenten set punts claus detectats i recomanacions per a perfeccionar els resultats de les previsions i reconèixer oportunitats de millora. Procediment de previsió de vendes per a una empresa del sector farmacèutic Pág. 41 PROBLEMA #1. Enfocament cap als sistemes informàtics en lloc de cap a la gestió i els processos. Claus Accions Resultats Entendre bé el que es vol predir i el que no.  Establir un grup de previsió.  Implementar una gestió dels sistemes de control abans seleccionar el programari de previsions.  Derivar els plans de previsions.  Distingir entre les previsions i els objectius.  Un entorn en el qual la previsió de vendes es reconeix com una funció crítica del negoci.  Emfatització de la precisió. PROBLEMA #2. Historial d'enviaments com a base per a la previsió de les vendes. Previsió de la demanda, o previsió de les vendes ajustades.  Identificar fonts d’informació.  Construir sistemes per recollir informació clau.  Millora de la planificació del capital i del servei al client. PROBLEMA #3. Esforç duplicat en la tasca de fer previsions. Desconfiança en les previsions. Poc coneixement de l’impacte de les previsions en diferents àmbits de l’empresa. Comunicar, cooperar, col·laborar.  Establir un enfocament transversal de l’empresa a l’hora de fer previsions.  Tota la informació rellevant s’utilitza per fer les previsions.  Confiança en els resultats de les previsions. PROBLEMA #4. La desconfiança i la manca d'informació animen als usuaris principals per crear les seves pròpies previsions. Eliminar previsions fetes per anàlisis individuals.  Construir una única infraestructura de previsions.  Proporcionar capacitació per als usuaris i els desenvolupadors de les previsions  Previsions més precises i creïbles.  Inversions optimitzades en informació / comunicació sistemes. PROBLEMA #5. Previsions basades només en mètodes qualitatius o quantitatius. Utilitzar les eines amb prudència.  Integrar mètodes quantitatius i qualitatius.  Identificar les fonts d’error i les fonts de millora.  La millora de processos en l'eficiència i l'eficàcia. PROBLEMA #6. Mala comptabilitat a causa de les males previsions. Mal enteniment de com utilitzar les previsions. Donar més importància a les previsions.  Donar formació als desenvolupadors del pronòstics.  Incloure els bons resultats de les previsions en els objectius personals dels treballadors.  Pronosticadors més involucrats en la seva tasca.  Major precisió i credibilitat. PROBLEMA #7. Desconeixement de si l’empresa millora o no amb les previsions. El rendiment de les previsions no es mesura en els nivells d’agregació correctes. Incapacitat d’aïllar les fonts dels errors. Mesurar, mesurar, mesurar,  Establir mètriques a nivells diferents i multidimensionals.  Mesurar rendiments cada cop que les previsions s’ajusten.  Bons resultats de les previsions dins dels objectius personals dels treballadors.  Fonts d’error aïllades.  Major confiança en el procés. Taula 5.1. Problemes i possibles solucions vers la previsió de vendes. Adaptació. Font: Business Horizons[14]. Adaptació Pág. 48 Memoria Aquest projecte es centra en productes que porten més de sis mesos al mercat, això engloba productes en fase de creixement i productes en fase de maduresa i declivi. En la indústria farmacèutica la majoria de productes no arriben a una fase pròpiament de declivi, acostumen a produir-se canvis de producte per a tractar de mantenir la quota de mercat, així que els possibles productes en declivi es tracten directament com a madurs. Fase de creixement És un període en que gran part dels prescriptors accepta el producte ràpidament i, per aquesta raó, la demanda comença a accelerar-se, creixent a gran velocitat conjuntament amb els beneficis. Donat que es tracten fàrmacs genèrics, l’aparició de nous competidors tan típica en aquesta fase és relativa, molt probablement els medicaments innovadors ja estiguin totalment establerts al mercat, i siguin els genèrics els que sorgeixin com a alternativa. Si que podria sorgir més d’una empresa que comencés a comercialitzar el mateix principi actiu, la qual cosa intensificaria la competència augmentant el nombre de punts de venda i de canals de distribució. És possible que en aquesta etapa es produeixin turbulències degudes tant a la pròpia trajectòria del producte com a les pressions internes de l’empresa o les pròpies del mercat. Fase de maduresa La fase de maduresa acostuma a ser la més llarga del cicle de vida, la majoria de productes del mercat es troba en aquesta fase. Al llarg d’aquesta etapa tant les vendes dels productes com els beneficis que generen es solen estabilitzar. En aquest moment, ja s’ha aconseguit guanyar la majoria dels prescriptors potencials. La demanda es produeix per reposició de producte o per l’extensió a través de l’aparició de famílies de productes. Fet que és conseqüència de la major dificultat per col·locar el producte al mercat i la pressió cada cop major dels competidors: les diferències entre productes són poques i s’intensifica la lluita de preus. Des d’un punt de vista estratègic, l’objectiu principal d’aquesta fase és el manteniment de la quota de mercat. Segons dades del diari El Global[10] , un dels factors més importants per que una companyia de genèrics s’asseguri una bona quota de mercat és el nombre de productes i principis actius inclosos en la seva cartera. A la Taula 6.1 s’il·lustra aquesta afirmació Procediment de previsió de vendes per a una empresa del sector farmacèutic Pág. 49 Fase de llançament; 8,6% Fase de creixement; 18,8% Fase de maduresa; 72,6% enumerant les principals firmes de genèrics a Espanya; a més es detalla el pes que suposen els productes en cada fase del cicle de vida dins del portafolis de cada una d’elles. Companyia Quota de mercat Nombre de ppis actius en portafoli Fase de llançament Fase de creixement Fase de maduresa TEVA 21,3% 205 6,5% 11,3% 82,2% CINFA 20,0% 175 10,1% 19,0% 70,9% STADA 10,7% 140 7,7% 15,6% 76,7% KERN 9,3% 200 9,8% 16,9% 73,3% NORMON 8,7% 165 11,4% 20,0% 68,6% SANDOZ 8,0% 150 8,8% 17,6% 73,5% MYLAN 5,3% 135 7,3% 22,0% 70,7% PENSA 2,7% 66 10,5% 20,3% 69,2% PROMIG - 146 8,6% 18,8% 72,6% El fet de que, en mitjana, més de 90% del pes estigui englobat dins de les fases de maduresa i creixement mostra la importància de fer bones previsions precisament en aquests productes. Tal i com afirma Mentzer[11], fer previsions és una activitat de gran dificultat i les empreses que ho fan bé, tenen un gran avantatge sobre aquelles en les quals previsions fallen. Taula 6.1. Relació entre quota de mercat, nombre de principis actius diferents que comercialitzen i fase de les majors companyies de genèrics a Espanya. Font: El Global[10] Fig. 6.4. Pes mig de cada fase del cicle de vida en el conjunt de les millors companyies de genèrics a Espanya. Font: El Global[10] Pág. 50 Memoria 7. Descripció tècnica de la solució 7.1. Definició del procés de previsió En apartats anteriors s’han expossat de forma teòrica la majoria dels punts que s’engloven dins del procés de previsió de vendes, amb totes les seves possibilitats interessants dins del marc d’aquest projecte. A partir d’aquest punt es tracta el procés de previsió de vendes en si mateix. S’enfoca cada pas dins del procés cap a la solució final: una eina per a desenvolupar tot el procediment de previsió, que sigui vàlida per a companyies de la indústria farmacèutica. Fig. 7.1. El procés de previsió de vendes. Font: Pròpia Definició de les necessitats de previsió Determinació de les dades necessàries Definició de les metodologies de previsió Tasques prèvies a la generació de previsions Recollida, validació i neteja de dades Selecció i aplicación de tècniques de previsió Revisió i ajust de les previsions Avaluació dels resultat Tasques de generació de previsions Tasques post-generació de previsions Millora contínua Procediment de previsió de vendes per a una empresa del sector farmacèutic Pág. 51 La figura 7.1 esquematitza els procés i serveix com a referència dels passos que es segueixen en els apartats següents, on es tracten tasques prèvies a la generació de previsions, accions per a generar-les i tasques a fer un cop es tenen calculades. El que es pretén en els punts següents es mostrar el procés de presa de decisions justificant la importancia de cada una d’elles per al disseny d’una eina eficient que compleixi amb els requisits generals de les empreses del sector farmacèutic. 7.2. Tasques prèvies a la generació de previsions Les accions més importants que s’han de portar a terme abans de generar previsions de vendes són: definir amb exactitud el tipus de previsions que es necessiten, seleccionar les metodelogies que millor s’adapten a aquestes necessitas i als recursos disponibles, i per últim, entendre la quantitat i tipologia de dades amb les que s’ha de treballar. 7.2.1. Definició de l’objectiu de les previsions Al llarg d’aquest projecte, s’ha anat definint superficialment el tipus de previsions que ha de ser capaç de generar l’eina que s’ha dissenyat. En aquest punt, es recullen i s’expliquen totes aquestes consideracions que s’han anat fent per aconseguir una visió detallada del que s’espera de l’eina com a tal i de les seves aplicacions. Es busca una eina vàlida per a fer previsions dins del sector farmacèutic. Aquestes previsions han de servir principalment per donar suport a les decisions dins de l’àrea de producció i distribució de qualsevol empresa farmacèutica independentment de la seva mida. Està pensada per poder generar previsions a nivell nacional, però incloent les variables i dades necessàries ha de valer com a eina multinacional. L’eina ha d’incloure d’alguna manera tendències i decisions de departaments com els de màrqueting i comercial i ser capaç de poder alterar les previsions quan es donin situacions generades fora de l’empresa però que afectin directament a les seves vendes. Per exemple, ruptures d’estoc o promocions de competidors i canvis en la legislació. En referència a l’horitzò temporal de les previsions, es vol que cada mes es generin previsons mensuals des del mes en curs, a un any vista. Retornant al que s’ha comentat a l’apartat 4.2.4., segons la classificació de Lapide[3] el que ha de generar són previsions tàctiques. Pág. 52 Memoria Com ja s’ha comentat, els productes pels quals es vol generar pronòstics són productes amb més de sis mesos al mercat. A la taula 7.1 es mostren tots els productes que entren dins d’aquesta classificació i les consideracions més rellevants sobre cadascun d’ells. Tipus de producte Definició Producte en fase de creixement Són els productes nous, productes que porten entre 7 i 12 mesos al mercat. Es comença a disposar de dades històriques sobre les vendes, tot i que les sèries temporals són curtes. Producte en fase de maduresa Són els productes madurs, productes que porten més d’un any al mercat. Es disposa de sèries temporals extenses amb les seves dades històriques de vendes. A més, per a continuïtat dins de l’empresa, es pot arribar a disposar de més dades qualitatives per explicar millor les previsions. Productes en fase de declivi Aquests productes tenen poc impacte dins de la industria farmacèutica ja que una estratègia molt comuna dins del sector consisteix en anar remplaçant productes que es creu que cauran en declivi per altres. No entren en consideració per a la presa de decisions,sinó que es considera que els productes són madurs fins que són substituïts per altres o directament elimintats. Per últim, cal contemplar també l’estat en el que es troben els productes, que pot ser actiu o inactiu. Els productes actius són els que s’estan produint i venent durant un període de previsió concret, per contra, els productes inactius són els que no es produeixen ni es venen. Els productes poden estar actius o inactius independentment del seu cicle de vida. Així doncs, els fàrmacs genèrics pels que es vol fer previsions es classifiquen segons: 1. Productes actius a. Productes nous b. Productes madurs i. Productes madurs amb continuïtat ii. Productes madurs amb futur reemplaçament per mort 2. Productes inactius a. Productes eliminats de la cartera b. Productes amb futur reemplaçament per entrada: quan aquests productes passen a actius, ho fan assimilant del cicle de vida del producte que substitueixen. L’eina ha de servir per fer previsions de tots els productes actius, i pels productes que entren com a reemplaçament en períodes pròxims. Taula 7.1. Tipologia dels productes que s'inclouen a l'eina de previsions. Font: Pròpia Procediment de previsió de vendes per a una empresa del sector farmacèutic Pág. 53 7.2.2. Selecció d’enfocament i metodologies La selecció de l’enfocament i de les metodologies que ha de contenir l’eina és, sens dubte, una de les decisions més rellevants d’aquest projecte. Trobar l’equilibri entre enfocar l’eina al procés de vendes en sí i les tècniques de previsió i, triar les tècniques més eficients per generar les previsions són dos punts determinants que condicionen el resultat final. En l’apartat d’estat de l’art s’han repassat els principals programaris actuals que existeixen per generar previsions i a més, s’han definit de forma teòrica les opcions que hi ha a la hora d’escollir un programari per a aquesta tasca. El més important de tot aquest assumpte és recordar que l’eina en sí no és la que ofereix millors previsions, sinó que és la correcta utilització d’aquesta la que fa que les previsions tinguin els resultats més acurats possibles. Així doncs, és vital assegurar-se que l’eina està en concordança amb els usuaris i el tipus de previsió que es vol fer. Per a aquest projecte s’ha decidit desenvolupar un aplicatiu amb el programari MS Excel. MS Excel, és un programa comunament conegut i utilitzat en multitud de disciplines a diferents nivells. És una eina simple, amb una interfície reconeguda i intuitiva però alhora permet realitzar accions complexes si es profunditza en el seu ús, i més, si es combina amb Visual Basic i d’altres paquets informàtics que faciliten la incorporació dels seus mòduls dins del propi programa. Tal com es mostra a la Figura 7.2, MS Excel es situa en un punt intermig entre tots els tipus de metodologies i, si es combina tal i com s’ha comentat, tendeix cap a la banda dreta, ja que esdevé una eina amb multiples opcions, afegint un cert grau de complexitat. Tot i així, s’intenta durant el desenvolupament de l’eina que la major part dels processos complexos siguin automàtics, fent-los així accessibles a aquells usuaris que menys domini tinguin del programari, i obrint noves possibilitats a tots aquells que en dominin i que s’atreveixin a modificar els diferents mòduls en el seu benefici. Fig. 7.2. Classificació de l’eina de previsions desenvolupada. Adaptació Cook[1] Per usuaris experts Fàcils per l’usuari Eina de previsions desenvolupada Pág. 54 Memoria L’eina ha d’estar estructurada seguint el raonament lógic del procés de previsió de vendes, fent fàcils l’avanç i el retrocés per les diferents tasques. Ha de ser intuïtiva en l’ús i incorporar el major nombre de funcionalitats possibles que complementin les previsions purament estadístiques. Així, per aconseguir un equilibri entre procés i tècnica, el que es planteja es programar les parts iteratives i complexes del procés amb Visual Basic i deixar la resta de funcions per ser desenvolupades mitjançant fórmules pròpies del programa que puguin ser modificades segons els criteris dels usuaris. 7.2.3. Determinació de les dades necessàries Les dades necessàries depenen més del tipus de previsió que es vol fer i del tipus de procés establert dins de cada empresa, que de l’eina en sí. Es pot distinguir entre dades qualitatives i dades quantitatives. Dades quantitatives La indústria farmacèutica es veu alhora beneficiada i perjudicada per les dades. Hi ha un gran nombre de fonts de dades històriques i entrades disponibles per a l’anàlisi de les sèries temporals: el total de prescripcions, noves prescripcions, el total d’unitats, dies de teràpia, unitats a farmàcia, unitats hospitalàries, inventaris de majoristes i farmàcies minoristes i moltes altres. L’avantatge d’això és que cada un d’aquests conjunts de dades dóna idees sobre la dinàmica del mercat, que poden variar lleugerament entre elles a causa de les diferents consideracions de cada una de les mesures. L’inconvenient és que la comparació de tendències a través de bases de dades diferents pot produir resultats significativament diferents. Aquestes variacions poden no ser degudes a errors en les dades, o a errors en la tècnica de previsió utilitzada, poden ser simplement causa del factor de conversió entre conjunts de dades. On és llavors el punt d'equilibri de les dades històriques? El principi general consisteix en l'ús de les dades històriques que poden ser rastrejades amb més precisió i que millor representen la dinàmica del mercat a passat. Principalment calen les dades históriques de vendes i/o demanda. Hi ha moltes empreses que generen les seves previsions de venda directament amb vendes i d’altres que ho fan amb la demanda. La diferència entre una opció i l’altra racau en que si es consideren les vendes, en certa manera, s’està afegint com a variable d’entrada la capacitat de producció de l’empresa. En el cas de la demanda, es tenen dades de les necessitats totals i Procediment de previsió de vendes per a una empresa del sector farmacèutic Pág. 55 és a posteriori, quan l’empresa afegeix la seva capacitat de producció com a limitant. Ambdues opcions són vàlides si es treballen correctament i s’entenen bé els resultats que ofereixen. En aquest projecte s’ha plantejat que les dades d’entrada són les de vendes, que és, potser, la dada més fàcil de recaptar. Per ajustar punts com ruptures d’estoc i d’altres esdeveniments que no reflexen les vendes per si soles, és també necessari un registre d’esdeveniments passats, identidicats amb nom i valor del seu impacte. Com a segona sèrie temporal, es fan servir dades reportades per l’empresa IMS Health, una companyia que proveeix informació, serveis i tecnologia per sectors industrials relacionats amb la salut. Aquesta sèrie temporal recull dades de vendes a farmàcia per a cada producte de la cartera. Dades qualitatives Les dades qualitatives serveixen sobretot per escollir el model de previsió més adequat i per fer ajustos subjectius a les previsions purament estadístiques. La dada més important és el cicle de vida, però n’hi ha d’altres que poden resultar molt útils, a continuació es detallen les que s’han considerat adequades per a ser incloses dins del projecte: - Molècula o principi actiu: normalment els fàrmacs amb el mateix principi actiu tenen el mateix comportament, així que aquesta dada és útil per establir patrons de comportament. - Estat del producte: per saber si un producte està actiu o inactiu i amb quines condicions. - Unitat de negoci: dins de les empreses es solen fer subcarteres de productes, això implica que hi ha un conjunt de treballadors que es dediquen a un conjunt concret de productes i que, per tant, coneixen i entenen més en detall les qüestions relacionades amb aquest. Quan es fan previsions i es revisa la seva validesa és útil comptar amb membres de cada grup que puguin aportar la seva experiència al resultat final. - Segmentacions: Sovint és útil establir classificacions que facilitin els processos de revisió de les previsions calculades. Aquestes classificacions poden ser, per exemple, per volum de venda, estabilitat de les sèries temporals o patrons de Pág. 56 Memoria comportament. Les segmentacions es poden calcular o establir un cop s’han recollit totes les dades, i es van actualitzant al llarg dels mesos. No totes acaben sent útils, però cada empresa ha de ser capaç de trobar les que més aporten al seu procediment. 7.3. Tasques associades a la generació de previsions La Figura 7.3 mostra l’algoritme general de previsió de vendes per a productes establerts al mercat. En aquest apartat es descriuen els processos per a la generació de previsions: recollida, validació, segmentació i neteja de les dades històriques, selecció i execució de models estadístics i, per últim, ajust i revisió de les previsions d’acord amb les tendències del mercat. Fig. 7.3. Representació del procés de generació de previsions. Font: Pròpia Projecció del mercat: esdeveniments Validació final de les previsions Models: estacional additiu, estacional multiplicatiu i patrons Models: mitja mòbil, exponencials simple o doble Execució de models de previsió: tendència base No Sèrie estacional? Sí Recollida i validació de les dades Segmentació i patrons de comportament Neteja de les sèries temporals No Sèrie estacional? Neteja amb patrons Neteja estadística Sí Previsions de màrqueting Impactes d’esdeveniments Procediment de previsió de vendes per a una empresa del sector farmacèutic Pág. 57 7.3.1. Recollida, validació, segmentació i neteja de les dades Recollida i validació de dades Donat que les previsions es basen generalment en dades històriques manipulades utilitzant tècniques subjectives i estadístiques, els pronòstics són tan bons com les dades en les que estan basats. Per a obtenir bones dades s’han de complir tres principis importants: 1. Recollir les dades en els mateixos períodes de temps en els que es volen fer previsions. 2. Enregistrar les circumstàncies relacionades amb les dades. 3. Registrar la demanda per separat per diferents unitats de negoci o grups de clients. Aquests principis no difereixen en res amb les necessitats abans comentades, però és important tenir-los clars i entendre que les dades són la base de les previsions. Per aquesta última raó, el millor és disposar del màxim de dades històriques possibles i fer servir aquelles que la tècnica empleada requereix per a la previsió. Indistintament de la tècnica utilitzada, el que es fa en generar previsions, és projectar cap endavant les sèries temporals, així que com més adequat sigui el nombre de punts escollit, major precissió a passat i millor base amb la que treballar per donar resultats finals. És una qüestió vital assegurar-se de que es disposa de totes les dades necessàries, tan qualitatives com quantitatives, a les primeres fases de procés. No totes les variables d’entrada es fan servir en el mateix moment, però pot ser perjudicial adonar-se a mig camí de que falta informació i haver de refer tot els procés des de l’inici. Segmentació de la cartera de productes La segmentació, dins de la previsió de vendes, és una tècnica que consisteix en dividir la cartera de productes segons diversos comportaments. Pot ser útil tant per la neteja de dades i l’execució dels models com per prendre decisions a l’hora de revisar les previsions finals. Però la seva utilitat dependrà de l’enfocament que hi vulgui fer l’empresa i de la bona comprenssió de les divisions establertes. Les segmentacions poden ser tan simples com dividir els productes segons si són estacionals o no estacionals, o tan complexes com establir patrons de comportament a partir de les sèries temporals de dades històriques. En aquest projecte s’han portat a terme tres Pág. 64 Memoria passen a un segon pla ja que fent anàlisis de les sèries temporals es poden aconseguir resultats més automàtics i precissos. La tècnica qualitativa més destacable dins d’aquest projecte és la que involucra als experts del mercat en el procés de previsió de vendes. El seu paper pot ser clau per detectar nous events o corregir punts de previsió extrets de tècniques quantitatives. Anàlisi de mètodes quantitatius Per al desenvolupament d’aquest projecte es defineixen tres criteris per escollir els models que ha d’incloure l’eina dissenyada: la capacitat per aconseguir resultats acurats, la complexitat i la sostenibilitat de les tècniques. S’han posat a prova diversos models per a obtenir una puntuació dins de cada criteri i, els models escollits són els que presenten en global uns millors resultats. Per dur a terme aquesta competició, s’han recollit sèries temporals de 100 productes farmacèutics diferents amb dades històriques mensuals des de l’any 2009 fins a finals del 2012 i s’han executat els models amb el suport del programa estadístic Crystal Ball, de Oracle. Els models seleccionats per la competició són: mitja mòbil, exponencial simple i doble, estacional additiu i multiplicatiu, ARIMA, Croston i Lewandowski; i és directament el programa el que selecciona el submodel i paràmetres més adequats dins de cada tècnica. Els resultats de precisió els retorna també Crystal Ball i es mostren a la taula 7.2: Tenint en compte aquests resultats i l’anàlisi teòric que s’ha fet dels models en apartats anteriors, es conforma la Taula 7.3 a partir de la qual s’extreuen les tècniques que es programen a l’eina dissenyada. Taula 7.2. Comparativa de models estadístics amb Crystal Ball. Font: Pròpia Procediment de previsió de vendes per a una empresa del sector farmacèutic Pág. 65 Els símbols que es respresenten a la taula 7.4 representen des del cercle més buit fins al més colorejat el grau de compliment de cada una de les premises, com més ombrejat, millor comportament presenta el model. Finalment, es conclou, que els models que millor s’ajusten a l’enfocament de l’eina són els de mitja mòbil, els estacionals i els exponencials. A aquests tres s’afegeix un que no ha entrat en competició però que acostuma a ser molt útil: el modelatge a partir de patrons de comportament. 1. Mitja mòbil: La mitja mòbil és el mètode estadístic més simple, però resulta útil per a productes que presenten molta volatilitat ja que com és difícil predir el seu comportament, la mitja mòbil atorga una precisió força bona. Per a aquest projecte es treballa amb la mitja mòbil acumulada i la mitja mòbil ponderada. La mitja mòbil acumulada consisteix en fer una mitja en la que a mesura que es va avançant endavant en el temps, se li afegeix un valor més d’història. S’ha decidit agafar tots els punt d’història de que es disposin fins a un màxim de 4 anys. La fórmula que segueix aquest model estadístic és la següent: ∑ (eq. 7.3) on Ft fa referència a la previsió i Yt a les dades històriques. Taula 7.3. Competició de models per la selecció dels que entren a l’eina. Font: Pròpia Models seleccionats Pág. 66 Memoria Si es calcula un exemple amb dades històriques de 8 períodes i es fan les previsions pels 4 següents períodes els resultats són els que s’indiquen a la taula 7.4: Història neta Previsions M1 M2 M3 M4 M5 M6 M7 M8 M9 M10 M11 M12 Vendes 3.083 1.922 4.090 1.860 3.539 3.821 5.091 2.883 4.513 3.470 4.607 3.621 Mes 9 0 0 0 0 0 0 0 0 3.286 3.286 3.286 3.286 Mes 10 0 0 0 0 0 0 0 0 0 3.422 3.422 3.422 Mes 11 0 0 0 0 0 0 0 0 0 0 3.427 3.427 Mes 12 0 0 0 0 0 0 0 0 0 0 0 3.541 Les previsions pels mesos següents al mes en curs es fan agafant com a dada les previsions que s’han calculat per mesos anteriors durant el procés. La mitja mòbil ponderada atorga un pes diferent a cada un dels períodes anteriors a la previsió, el criteri d’assignació de pesos consisteix en donar més importància períodes més propers a la previsió. Pel projecte, s’ha decidit agafar un any d’història i aplicar els mateixos pesos a tots els productes, donat la opció a que l’usuari canviï el pes de cada període segons convingui. 2. Model estacional: S’han afegit a l’eina els models estacionals additiu i multiplicatiu. Aquests dos models s’han explicat a l’apartat 4.3.3. i es pot dir que són els models més complexos inclosos en el projecte, per la quantitat de paràmetres que cal definir. Partint de les fórmules que expliquen els models, a continuació es detallen els passos a seguir per a calcular cadascun dels paràmetres: (eq. 7.4) (eq. 7.5) 1. Càlcul de la mitjà mòbil amb les dades històriques dels últims dos anys. 2. Càlcul de la mitjà mòbil centrada per eliminar efectes estacionals. 3. Càlcul del factor estacional segons la fórmula següent, on Yt són les vendes en el període t i MMCt la mitja mòbil centrada. (eq. 7.6) 4. Càlcul factor estacional normalitzat per 12 mesos. 5. Càlcul d’observacions compensades respecte la variació estacional. (eq. 7.7) Taula 7.4. Exemple de mitja mòbil acumulada Font: Pròpia Procediment de previsió de vendes per a una empresa del sector farmacèutic Pág. 67 6. Estimació de la tendència fent servir les observacions compensades. (eq. 7.8) (eq. 7.9) 7. Càlcul del factor cíclic. ) (eq. 7.10) 3. Model exponencial: El model exponencial simple i el model exponencial doble, han estat les tècniques escollides. Ambdós models s’han explicat en detall a l’apartat d’estat de l’art. Hi ha dos punts en els que no s’ha aprofundit i que val la pena comentar: per una banda, els valors que inicialitzen els mètodes i per altra, la importància dels paràmetres alfa i gamma dels models. Hi ha moltes teories al voltant dels valors per inicialitzar models estadístics alguns són de comprensió simple i d’altres més complexos i que requereixen més variables. Per a l’eina dissenyada, s’ha decidit partir d’una mitja mòbil dels períodes anteriors com a valor inicial. D’altra banda, es fan servir 18 mesos d’història per generar les previsions. Els paràmetres alfa i gamma presents en aquests models, són paràmetres que pot anar fixant l’usuari cada cop que executa el procés, però s’aplica el mateix factor per tots els productes. Ambdós paràmetres han de ser positius i menors a 1 i determinen la importància dels mesos a passat. Com més grans siguin, més ràpida és l’esmorteïment que es produeix al model. Això vol dir, que els valors d'alfa i gamma s’han d’escollir amb molta cura per aconseguir bons resultats. En general, un pronosticador amb experiència que té bons coneixements del mercat i del producte ha de poder triar el millor valor per decidir si quedar-se amb valors més conservadors o més atrevits. A la figura 7.10 es pot veure l’impacte de diferents alfes en la previsió d’una mateixa sèrie: Pág. 68 Memoria 4. Model amb patrons: Quan s’ha parlat de la segmentació de la cartera de productes, s’ha explicat de quina forma s’extreuen els patrons de comportament de les sèries temporals, també s’ha explicat que acostuma a ser útil fer-los servir per netejar anomalies de les dades, i que són igualment vàlids per generar previsions. La millor tècnica consisteix en multiplicar el volum mitjà de vendes de la sèrie temporal pel valor del patró en el mes concret pel qual es vol fer el pronòstic. En l’eina s’ha fet servir la mitja de l’últim any per així aconseguir un ajust adequat al nivell de vendes. 7.3.3. Revisió i ajust de les previsions L’eina està pensada per generar tots els models de previsió que s’han escollit per tots els productes inclosos en cartera, indistintament del tipus de sèrie temporal que sigui. Això implica que és necessari revisar tots els productes per validar el model que millors resultats pot oferir. El criteri de selecció pot basar-se en diverses mètriques pel càlcul de precissió, i s’expliquen a l’apartat següent. D’altra banda, com els models estadístics no són capaços d’impactar els esdeveniments que no estan reflexats a les dades històriques, la revisió dels pronòstics es fa obligatòria per tal de poder adaptar-los a aquestes activitats. Els esdeveniments poden ser de tipus intern, si són canvis governats per la pròpia empresa, o externs, que són aquells sobre els que la companyia no té cap control. 1 2 3 4 5 6 7 8 9 10 11 12 Representació d'una previsió amb α's diferents α=0,75 α=0,5 α=0,25 α=0,1 Fig. 7.10. Mostra de l’impacte de les diferents alfes a una previsió. Font: Pròpia Procediment de previsió de vendes per a una empresa del sector farmacèutic Pág. 69 La forma general per avaluar els efectes dels esdeveniments consisteix en estimar els paràmetres següents: 1. la magnitud de l’efecte en qüestió, 2. el temps que dura l’esdeveniment, i 3. els productes afectats. Quan s’han exposat les dades necessàries per la previsió de vendes s’ha destacat la importància de disposar d’un registre d’esdeveniments passats amb l’impacte que aquests han causat sobre les vendes. Moltes empreses disposen dels esdeveniments però no dels impactes, i d’altres no en disposen ni tan sols dels esdeveniments. Un recurs força útil per generar aquestes dades a passat és comparar la història real amb la història neta, i, per tots aquells valors diferents tractar de reconeixer la situació a la que es deuen. És important estandarditzar els esdeveniments i comptar amb un nombre raonable i suficient que englovin els efectes positius i negatius que es poden ocasionar. En aques projecte es proposen els esdeveniments positius i negatius que es detallen a la taula 7.5: IMPACTES POSITIUS Guany d'un nou producte IMPACTES NEGATIUS Pèrdua d'un producte subhastat Guany d'un nou client Pèrdua d'un client Promoció en les vendes Ruptura d'estoc Pic post ruptura Entrada d'un nou competidor Pic de final de quadrimestre Promoció de vendes d'un competidor Pic de llançament Decreixement de les vendes Ruptura/sortida d'un competidor Pujada del preu Creixement de les vendes Canvi en la regulació (-) Baixada del preu Acció posposada Canvi en la regulació (+) Acció avançada 7.4. Tasques posteriors a la generació de previsions Un dels principis de la previsió de vendes estableix que els pronòstics són, en nombroses ocasions, erronis per raons molt diverses. Per aquest motiu, un cop s’han fet i revisat les previsions per a un període concret s’ha d’esperar fins al final del període, quan es recullen les vendes, per avaluar els resultats obtinguts. Aquest punt és molt important Taula 7.5. Esdeveniments escollits pel desenvolupament del projecte. Font: Pròpia Pág. 70 Memoria perquè donarà una informació vital sobre el rendiment del procés i l’encert en les decisions presses en les etapes prèvies. L’avaluació de la precisió dels pronòstics calculats motiva la millora dels mètodes. Hi ha gran quantitat de mètriques per calcular la precisió de les previsions, a continuació es recullen les que han semblat més interessats per al desenvolupament d’aquest projecte. 7.4.1. Models per la quantificació del rendiment Mesura de l’error L’error de les previsions s’ha de mesurar tant abans de validar-les com un cop es tenen les vendes reals dels períodes que s’han pronosticat. Mesurar l’error dels models prèviament a la validació de les previsions es fa generant pronòstics per mesos dels quals ja es disposa de les vendes, com si no es tinguessin, i comparant els resultats obtinguts. En aquest projecte el que s’ha fet és generar sempre previsions sis mesos a passat per poder mesurar la seva precisió. Aquesta estimació dóna l’ajust dels models a passat, però si es vol tenir constància de l’ajust dels pronòstics cap al futur, una bona tècnica és prendre com a referència les previsions del departament de comercial. El departament de comercial engloba dins de les seves previsions els objectius i accions que es portaran a terme en els períodes següents, si el model estadístic proposat s’ajusta tant a passat com a futur, es pot tenir la seguretat de que, si no hi ha cap canvi, el pronòstic serà ajustat. Mesurar l’error després del procés informa sobre l’habilitat dels pronosticadors per establir previsions precises, i serveix per ajustar els models i per ser reactiu amb les previsions de manera que s’optimitzi de procés des del període en curs en endavant. La mètrica escollida per calcular l’error és la coneguda com WMAPE, de l’anglès Weighted Mean Absolute Percentage Error, que dóna informació de l’error absolut mitjà ponderant el pes que té cada producte dins de la cartera de a la que pertany. És una mètrica de comprensió senzilla i que permet entendre l’error fins i tot agrupant per diferents aspectes que puguin resultar interessant per l’usuari. La fórmula per calcular la precisió segons aquesta mètrica és la següent, on Pt són les previsions i Vt les vendes reals al període t: ) ∑ | | ∑ ) (eq. 7.11) Procediment de previsió de vendes per a una empresa del sector farmacèutic Pág. 71 Per a l’estimació de l’ajust a futur prèvia a la validació dels models és útil fer servir el coeficient R2, ja que informa de la correlació entre ambdues sèries temporals cosa que és suficient per veure la fiabilitat del model. Desviacions: Sobre i sota previsions Un altre aspecte clau a analitzar és el grau de precisió en la previsió d’inventaris. Quan es proposa un pronòstic per un producte i aquest no es compleix poden passar dues coses: que es vengui de més o que es vengui de menys del que s’ha pronosticat. A nivell de precisió de resultats aquesta diferència no implica res, però tenir sobre estoc o una falta d’aquest són dos situacions molt diferents, amb impactes també diferents. En aquest projecte es calcula la desviació d’inventaris segons les equacions que es mostren a continuació, on l’Error és la resta de Vendes-Previsió: ) ∑ ∑ (eq. 7.12) ) ∑ ∑ (eq. 7.13) Aquesta mètrica ofereix una idea percentual de quins productes s’han previst de més i de menys, però no sobre ruptures d’estoc o idees semblant, ja que hi ha darrera una gestió d’inventaris importants. L’eina compta amb un apartat per revisar inventaris que ofereix informació complementària al càlcul esmentat. Nivell de servei Calcular el nivell de servei vol dir calcular la quantitat de comandes que s’han aconseguit servir a temps en un període determinat. Aquesta és una de les mesures més importants, ja que dóna la informació més directa vers el client. ) (eq. 7.14) No aconseguir un 100% en el nivell de servei pot significar en casos crítics perdre algun client per no haver servit a temps el que sol·licitaven. Hi ha nombroses situacions que poden portar a una empresa a no servir a temps: la ruptura d’estoc, problemes de qualitat que obliguen a posar un producte en quarantena, desajustos en la cadena de distribució, entre d’altres. Pág. 72 Memoria 7.4.2. Previsions a validar Als primers apartats d’aquest projecte s’ha comentat que l’objectiu és que l’eina generi previsions des del mes en curs fins a un any vista, però hi ha tres períodes dins d’aquest rang que són els que veritablement importen i que donen sentit a la necessitat de previsió de vendes. Aquests períodes són: El mes en curs (lag 0), el mes següent (lag 1) i tres mesos endavant respecte al mes en curs (lag 3). Repassant cada un dels tres períodes per separat és fàcil explicar perquè són importants: - Lag 3: Gran quantitat d’empreses estableixen els seus plans de producció i la gestió de primeres matèries a uns tres mesos vista abans d’haver d’entregar els productes. Les previsions en aquest període són la base sobre la que generar aquests plans. - Lag 1: Tot i que molts dels productes ja s’han conformat arribat aquest moment, és un punt en el que fer reajustos. Per tots aquells productes als quals se’ls afegeixen components de major preu al final de procés, pot ser el moment d’aturar aquestes activitats, o d’accelerar-les si es preveuen unes vendes majors de les estimades a lag 3. Donat que l’espai de temps entre la previsió i l’execució real de les vendes és més proper, els pronòstics tendeixen a ser més adequats, és un moment que permet alsresponsables de les previsions ser reactius i avisar per ajustar la cadena de producció i/o distribució. - Lag 0: En aquest període les previsions han de tenir una precisió màxima. Permeten fer canvis d’última hora i anticipar-se per evitar situacions amb impactes molt negatius sobre l’empresa. 7.5. Valoració de l’eina Un punt important quan es dissenya o es desenvolupa un nou producte és fer, a priori, una valoració de la capacitat real del producte i una valoració econòmica estimada. En aquest apartat s’ha volgut fer un apunt sobre aquests dos aspectes concrets, per posicionar l’eina dins la oferta actual al mercat de les previsions. 7.5.1. Valoració de la utilitat de l’eina Valorar la utilitat de l’eina vol dir valorar els límits del que pot fer o pot arribar a fer, i del que no. En aquest sentit, haver dissenyat l’aplicació en MS Excel atorga una flexibilitat Procediment de previsió de vendes per a una empresa del sector farmacèutic Pág. 73 gran, ampliant el rang de les seves capacitats. Tal i com es presenta l’eina es pot dir que les seves prestacions integren totes les funcionalitats necessàries per a portar a terme un cicle de previsions complet a partir d’un conjunt de mòduls associats a cada procés diferent. D’altra banda, s’ha buscat en tot moment que sigui intuïtiva amb l’usuari però sense comprometre la tècnica. Això es pot veure en els models estadístics escollits: hi ha de simples, i d’altres que són més complexes però de fàcil comprensió i aprenentatge pels usuaris. Si es tracta de posicionar aquesta eina respecte als programaris actuals descrits a l’apartat 4.4 es pot dir per una banda, que és un programari força dedicat al qual s’han afegit altres procediments no estadístics per a contribuir al procés de previsió de vendes. A més, es pot considerar semi-automàtic, ja que hi ha processos totalment automàtics, d’altres que necessiten entrades manuals i d’altres completament manuals. 7.5.2. Valoració econòmica. Posicionament de l’eina vers altres opcions En aquest projecte s’ha dissenyat una eina que pot ser utilitzada a companyies de mides diverses i amb processos diferents, per tant, els efectes sobre cada una d’elles variarà depenen de nombrosos factors. Això vol dir que no es pot fer una valoració econòmica exhaustiva però, el que sí que es pot fer, és posicionar l’eina a nivell econòmic dins del marc de programes actuals. A la taula 7.6 es fa una estimació econòmica del que pot costar, anualment, la utilització d’aquesta eina per equip de 5 usuaris. S’ha comptat una llicència de MS Office per a empreses, una llicència de JMP que pot utilitzar-se per fer patrons, correlacions i altres tractaments estadístics i un servidor on anar guardant tots els arxius generats Preu anual/usuari Llicència MS Office (5usuaris) 1.150,00 € Llicència JMP 1.790,00 € Servidor d'arxius 1.880,00 € TOTAL 4.820,00 € Si es compara l’eina amb metodologies establertes a l’inici del projecte, es pot veure que presenta una despesa moderada i assumible per moltes companyies. A la taula 7.7 s’ha considerat el cost de manteniment anual dels programaris i mòduls necessaris per a un equip de 5 usuaris: Taula 7.6. Estimació econòmica anual de l'eina per 5 usuaris. Font: Pròpia Pág. 80 Memoria dit producte. En aquest mòdul, que es pot veure a la figura 8.10, es veu informació qualitativa, sobre la revisió anterior i altres variables que poden ajudar a la revisió. Gràfic: Representa la sèrie temporal del producte seleccionat a passat i les previsions generades pels diferents models tal i com es mostra a la figura 8.11: Funcionalitat per a la neteja de la història: Aquesta funcionalitat ofereix uns resultats plausibles per corregir aquells punts d’història que estan massa desviats, segons els criteris escollits per l’usuari. També permet entrar la correcció manualment i justificar el canvi amb l’esdeveniment pertinent. Es pot veure a la figura 8.12: Fig. 8.10. Consola III, informació del producte seleccionat per la neteja i/o revisió. Font: Pròpia Fig. 8.11. Consola, gràfic temporal. Font: Pròpia Fig. 8.12. Consola IV, funcionalitat per la neteja de la història. Font: Pròpia PREVISIONS Procediment de previsió de vendes per a una empresa del sector farmacèutic Pág. 81 Funcionalitat per a la revisió de les previsions mensuals: Aquesta funcionalitat integra diferents accions. En primer lloc, estableix una competició de tots els models comparant-los segons la seva precisió a passat amb la mètrica WMAPE, i el seu ajust a futur respecte el model de negoci mitjançant el càlcul del coeficient R2. La importància dels dos paràmetres pot ser ajustat segons el criteri de l’usuari. D’altra banda, permet ajustar el nivell i la tendència de les previsions i exposar les raons per les quals s’han ajustat, així com marcar esdeveniment que es pronostica que es donaran a futur. D’altra banda, aquesta funcionalitat reconeix els productes pels quals s’ha establert una data d’eliminació del producte o de substitució del mateix per un altre i talla la previsió a partir d’aquesta data, posat zeros a futur. A la figura 8.13 mostra aquesta funcionalitat: Fig. 8.13. Consola V, funcionalitat per la revisió de les previsions mensuals. Font: Pròpia Pág. 82 Memoria 8.5. Pestanyes taronges: Avaluació del rendiment Per a l’avaluació del rendiment hi ha tres pestanyes, dues per l’avaluació del resultat de les previsions i una altra per la gestió d’inventaris. Avaluació del cicle: Calculen i presenten els resultats de la precisió de les previsions segons la mètrics de WMAPE. En la pestanya ‘d’Avaluació del cicle’ es presenten tres tipus de resultats, per una banda: - Un registre temporal dels resultats obtinguts en l’últim any, - els resultats obtinguts a lag 1, lag3 i lag 0 amb les segmentacions pertinents (veure figura 8.15), - i un anàlisi dels resultats més desviats. Fig. 8.14. Avaluació del cicle, registre d'evolució temporal. Font: Pròpia Fig. 8.15. Avaluació del cicle, anàlisi dels resultats a Lag 3. Font: Pròpia Procediment de previsió de vendes per a una empresa del sector farmacèutic Pág. 83 Gestió d’inventaris: A la figura 8.16, considera les comandes i vendes setmanals per donar informació sobre l’estat d’inventari per cada producte. Dóna informació general sobre consum, sobre i sota previsions i distribució de la desviació. De nou es pot anar escollint cada producte per conèixer l’evolució al llarg de les setmanes i l’impacte sobre els ingressos. Fig. 8.16. Representació de la pestanya per la Gestió d'inventaris. Font: Pròpia Pág. 84 Memoria 9. Cas Pràctic 9.1. Descripció de l’empresa amb la que s’ha validat l’eina L’Empresa amb la qual es desenvolupa el cas pràctic és una farmacèutica de genèrics Europea. Té la planta de producció a Europa de l’Est, i des d’allà es distribueixen els productes a les seves filials del continent europeu. Per la seva banda, les filial comercialitzen els fàrmacs a nivell nacional per dues vies: a través de majoristes fins a les farmàcies, o directament a hospitals. La figura 9.1 representa la cadena logística de la companyia: És una empresa amb un volum de vendes important i uns ingressos anuals abundants que comercialitza amb uns 150 principis actius diferents. Un dels seus principals problemes és que sovint fan contractes o absorbeixen altres laboratoris farmacèutics i això genera imprecisions a les previsions. Fig. 9.1. Cadena logística de l'empresa del cas pràctic. Font: Pròpia Procediment de previsió de vendes per a una empresa del sector farmacèutic Pág. 85 L’eina és sobretot útil per a les filials, ja que és en elles on realitzen actualment les previsions. És el punt de la cadena logística on els pronòstics de venda són més importants i també són el punt més proper entre l’empresa i el consumidor. S’implementa per això l’eina per als productes de la filial espanyola però, donat que les filials funcionen totes iguals, els resultats són extrapolables a qualsevol altre dins de la coherència estadística ja que pot haver filials on la volatilitat de les vendes sigui molt més elevada o s’executin polítiques de vendes molt diferents a l’estudiada. Informació clau de la filial espanyola: - La filial espanyola compta en total amb 309 productes repartits en 7 unitats de negoci diferents. - Informa de les previsions a lag 3, i de la distribució final reajustada a lag 1. - Es desconeix el nivell de servei previ al desenvolupament de l’eina. - La precisió de les previsions en l’últim any ha estat poc estable i en mitja, baixa: 62,0% a lag 0, 58,7% a lag 1 i 55,1% a lag 3. - Hi ha una clara tendència a fer sobre previsions, però tot i així, hi ha productes pels quals hi ha nombroses ruptures d’estoc degut a una mala gestió d’inventaris. - Les males previsions i les males gestions de l’inventari han generat un clima de desconfiança entre la filial i la planta de producció. 9.2. Anàlisi dels resultats i conclusions de la prova Amb l’eina de previsions s’han simulat tres cicles de previsions de vendes per a l’empresa descrita amb l’objectiu analitzar el seu potencial. A continuació es detallen els resultats obtinguts, per a veure amb més detall les prestacions de l’aplicació es pot consultar l’Annex B, ja que les dades contingudes són les d’aquesta prova. S’han executat en total tres cicles per poder donar resultats del tres lags de temps que es tenen en compte: els corresponents a gener, febrer i març. La generació dels models és força fluida, es triga entre 12 i 18 minuts en executarlos tots en un ordinador amb les característiques determinades a continuació: Intel core i3, 500GB de disc dur i 4GB de memòria Ram. Pág. 86 Memoria Les revisions de la història per netejar anomalies i la selecció i validació de models és un procés lent, però sense l’eina el procés és igual de lent i fins i tot més manual. Es pot trigar al voltant d’unes 10 hores per revisar la història de tots els productes i unes altres 10 o 15 hores per a validar els models de previsió. Els models en general proporcionen bones previsions, a l’hora d’escollir, fins i tot els models que no són òptims donen resultats amb un error acceptable. Cal fer ajustos de nivell en nombroses ocasions, degut segurament a una tendència creixent durant els primers mesos de l’any. Els models que millor s’ajusten són el generat amb patrons i la mitja mòbil, però els models estacionals poden ser també una bona opció si s’ajusten correctament. Els resultats passen d’una mitja entre el 50% i el 60% de precisió a uns resultats al voltant del 75-85%. A l’Annex B, es pot veure l’eina de previsions amb els resultats de l’última any amb més detall. A la figura 9.2 s’ha representat el resultat general de precisió dels tres mesos treballats, així com els resultats dels sis mesos anteriors: En quant a la gestió d’inventaris, hi ha pocs productes amb ruptures d’estoc però també hi ha molts amb excés d’estoc. Les causes per aquest fet són una previsió de -30,5% -25,8% -29,9% -39,5% -37,7% -14,8% -32,5% -30,2% -25,7% 69,5% 74,2% 70,1% 60,5% 62,3% 85,2% 67,5% 69,8% 74,3% -60,0% -40,0% -20,0% 0,0% 20,0% 40,0% 60,0% 80,0% 100,0% jul-12 ago-12 sep-12 oct-12 nov-12 dic-12 ene-13 feb-13 mar-13 Evolució en la precisió de les previsions Sota-previsió Sobre-previsió Precisió LAG 0 Precisió LAG 1 Precisió LAG 3 Lineal (Precisió LAG 0) Fig. 9.2. Representació dels resultats obtinguts. Font: Pròpia Procediment de previsió de vendes per a una empresa del sector farmacèutic Pág. 87 creixement que finalment no s’ha ocasionat en la magnitud que s’havia pronosticat. En resum, el que es pot concloure, és que l’eina agilitza al procés i ofereix models vàlids i que és molt important incorporar coneixements del mercat perquè sigui veritablement efectiva. Pág. 88 Memoria 10. Pressupost del projecte Aquest projecte final de carrera ha durat al voltant d’un any, els primers mesos es van consistir en una fase d’aprenentatge a partir d’unes pràctiques a una empresa i, els quatre últims és on s’ha desenvolupat l’eina i s’ha redactat aquest informe. Per determinar el pressupost del projecte les activitats i despeses associades s’han dividit d’acord amb les diferents fases d’aquest: investigació i preparació, desenvolupament de l’eina i redacció. A continuació es detallen les característiques i activitats englobades dins de cadascuna de les etapes i les despeses que impliquen cadascuna d’elles. 10.1. Etapa d’investigació i preparació Aquesta fase engloba el temps de recerca i el material necessari per a dur a terme la investigació sobre el tema de projecte. Donat que aquest treball s’ha desenvolupat a continuació d’unes pràctiques a una empresa, el temps d’investigació ha estat llarg, però, en certa manera, part d’aquest temps es pot considerar indirecte i no s’imputa totalment al pressupost. La principal activitat d’aquesta etapa ha consistit en la recopilació d’informació de diverses fonts. Principalment, s’han recopilat un conjunt de llibres extrets d’una biblioteca pública i d’altres, prestats per algun company de l’empresa on s’han desenvolupat les pràctiques. D’altra banda, s’han recollit articles i estudis disponibles a “Google”, tots ells disponibles a pàgines web lliures de taxes. Degut al volum d’informació recopilat per llegir i analitzar, ha estat necessari imprimir part de la documentació per a poder estructurar-la i estudiar-la d’una manera més còmoda. Es calcula un total de 100 impressions. Per a la part més tècnica del projecte s’ha assistit a un seguit de seminaris sobre estadística i anàlisi de dades impartits per alguns experts en el camp de les previsions i la pressa de decisions en relació a la cadena logística. En total han estat 5 seminaris de 4 hores cadascun. Tots aquests cursos van ser facilitats per l’empresa i s’estima un cost de 50€/h. En total es computen un total de 180 hores desdicades a aquesta fase, dividida en organitzar i llegir documentació, estructurar el treball i analitzar la problemàtica del tema. Procediment de previsió de vendes per a una empresa del sector farmacèutic Pág. 89 10.2. Etapa de desenvolupament de l’eina Aquesta ha estat la fase més extensa del projecte ja que engloba la creació de l’eina, amb tots els anàlisi prèvis per a decidir mètodologies i tècniques a programar, la recopilació de dades i proves a l’eina, la detecció d’errors i els ajustos finals; més, el desenvolupament del cas pràctic. Es calcula una quantitat de 20€ en material d’oficina, com bolígrafs, llàpisos, fulls i una llibreta; i unes 100 impressions entre manuals i el codi de programació per la optimització del mateix. Les despeses per l’ús de l’ordinador estan incloses com a mortització del mateix, s’ha treballat amb un ordinador amb 2 anys d’antiguitat que va costar al voltant de 1000€, i s’ha considerat una amortització anual del 26%. A més, es computa l’amortització del 26% anual de la llicència de MS Office amb la que s’ha treballat, comprada a principis de 2013 a un preu de 119€. Per últim, es calculen un total de 210 hores invertides en aquesta etapa. 10.3. Etapa de redacció Aquesta etapa consisteix bàsicament en la redacció del projecte i l’extracció de conclusions sobre l’eina desenvolupada. És en aquesta fase on s’han dut a terme les reunions amb la tutora i les correccions de la memòria. Els costos associats vénen de les impressions per la lectura i revisió del redactat, es calculen un total de 150 fulls. I, aquesta fase ha suposat voltant de 150 hores de treball. A la taula següent s’adjunta el pressupost del projecte tenint en compte cada etapa i les despeses de cadascuna d’elles. Pág. 96 Memoria Agraïments Als meus companys de feina, Andreu, Briant, Héctor, Marta, Raquel i Vicky, per donarme la oportunitat de treballar amb ells i aprendre d’ells cada dia. Perquè són els que amb la seva experiència han motivat aquest projecte final de carrera i els que m’ajuden a seguir creixent com a professional. A la meva tutora, Imma Ribas, per acceptar sense dubtes acompanyar-me en l’últim pas abans de convertir-me en enginyera. Per les seves correccions tan exhaustives i els seus consells i opinions més enllà d’aquestes pàgines. Al meu pare, Antonio, per creure en mi i demostrar-m’ho sempre a la seva manera. Per haver-me ensenyat a fer les coses una mica millor del que ja estan, per les seves incansables opinions i la seva exigència, que ara també és la meva. A Xavi, que no només m’ha acompanyat durant la redacció d’aquestes pàgines, sinó que va ser ell qui em va animar a treballar sobre el que realment volia, que camina sempre al meu costat i em recorda els propòsits que em vaig marcant i que cada dia he d’acomplir. Per les nits treballant entre papers i paraules d’ànim, per ensenyar-me que divertir-se és tan important com treballar i fer-me trobar temps per tot. I sobretot, per creure sempre en mi i en tot el que podem fer junts. Procediment de previsió de vendes per a una empresa del sector farmacèutic Pág. 97 Pág. 98 Memoria Bibliografia Referències bibliogràfiques [1] COOK, A.G. Forecasting for the Pharmaceutical Industry, Burlington: Gower Publishing Company, 2006. [2] EVANS, M.K. Practical Business Forecasting, Oxford: Blackwed Publishes LTD. 2003. [3] LAPIDE, L. New development in business forecasting: strategic forecasting for the long haul. The Journal of Business Forecasting, 2002. [4] PROFESSOR EN LÍNEA. Imatge, 2010. [http://www.profesorenlinea.cl, 2 de Setembre de 2013] [5] COOK, A.G. Navigating the Intersection of Forecasting, Market Research and Pricing, Burlington: Gowe Publishing Company, 1995 [6] SANDER, N.R. i MANRODT, K.B. The efficacy of using judgmental versus qualitative forecasting methods in practice. The International Journal of Management Science, 2003. [7] AMARA, R. A. Note on What We Have Learned About the Methods of Futures Planning, Technological Forecasting and Social Change, 1989. [8] GILLILAND, M. i SGLAVO, U. Focus on forecasting; Worst Practices in Business Forecasting, Analytics Magazine, 2010. [http://analytics-magazine.org, 10 de Juny de 2013] [9] GUTIERREZ, R. El futuo de los biosimilares se topa con la encricijada del mercado, Revista en Genérico, 2012. [http://www.engenerico.com, 22 de Juliol de 2013] [10] Diari EL GLOBAL, Barcelona, 2013. Procediment de previsió de vendes per a una empresa del sector farmacèutic Pág. 99 [http://www.elglobal.net, 22 de Juliol de 2013] [11] MENTZER, T. Sales forecasting management: A demand management approach. Sage Publications, Inc., 2005. [12] ARMSTRONG, J.S., The Ombudsman: Research on Forecasting: A Quarter-Century Review, 1960-1984, Universitat de Pennsylvania, 1986. [13] ARMSTRONG, J.S., Forecasting by Extrapolation: Coclusions from twenty-five years of research, Universitat de Pennsylvania, 1984. [14] MOON, M.A., MENTZER, J.T., SMITH, C.D. i GARVER M.S. Seven Keys to Better Forecasting, Business Horizons, 1998. Bibliografia complementària [1] ARNOLD, J.R.T., CHAPMAN, S.N., CLIVE, L.M. Introduction to Materials Management, Ohio: Pearson, 2008. [2] BOWERMAN, B.L., O’CONNELL, R.T., KOEHLER, A.B. Pronósticos, series de tiempo y regresión, México: Cengage Learnig Editores, 2007. [3] GILLILAND, M. Forecast Value Added Analysis: Step-by-Step, SAS White Paper, 2013. [4] RYCROFT, R.S. Microcomputer software of interest to forecasters in comparative review: updated again, International Journal of Forecasting 15, 1999. [5] ASOCIACIÓN ESPAÑOLA DE MEDICAMENTOS GENÉRICOS. Medicamentos genéricos. [http://www.aeseg.es/es/, 10 de Juny de 2013] [6] PRESENCIA, J. La previsión de la demanda en el sector farmacéutico, PMFARMA, Espanya, 2011. Pág. 100 Memoria [http://www.pmfarma.es/articulos/955-la-prevision-de-la-demanda-en-el-sector- farmaceutico.html, 20 de Juny de 2013] [7] HYNDMAN, R.J, ATHANASOPOULOS, G. Forecasting: Principles and Practice, OTexts, 2013 [https://www.otexts.org/fpp/, 15 de Maig de 2013] Procediment de previsió de vendes per a una empresa del sector farmacèutic Pág. 101