Previsión de la demanda de una empresa del sector alimentario

i Equation Chapter 1 Section 1 Trabajo Fin de Grado Grado en Ingeniería de las Tecnologías Industriales Previsión de la demanda de una empresa del sector alimentario Dpto. Organización Industrial y Gestión de Empresas II Escuela Técnica Superior de Ingeniería Universidad de Sevilla Autor: Manuel Enrique de Guindos López Tutor: Luis Onieva Giménez Sevilla, 2024 ii iii Trabajo Fin de Grado Grado en Ingeniería de las Tecnologías Industriales Previsión de la demanda de una empresa del sector alimentario Autor: Manuel Enrique de Guindos López Tutor: Luis Onieva Giménez (Catedrático) Dpto. Organización Industrial y Gestión de Empresas II Escuela Técnica Superior de Ingeniería Universidad de Sevilla Sevilla, 2024 iv v Proyecto Fin de Carrera: Previsión de la demanda de una empresa del sector alimentario Autor: Manuel Enrique de Guindos López Tutor: Luis Onieva Giménez El tribunal nombrado para juzgar el Proyecto arriba indicado, compuesto por los siguientes miembros: Presidente: Vocales: Secretario: Acuerdan otorgarle la calificación de: Sevilla, 2024 El Secretario del Tribunal vi vii A mi madre. viii ix Agradecimientos A mis padres y a mi hermana, por el apoyo incondicional y la fe depositada en mí para superar cada desafío de este grado. Por sus palabras de aliento en los momentos difíciles, por celebrar mis pequeños logros como si fueran grandes triunfos y por recordarme siempre que soy capaz de lograr lo que me proponga. Gracias por ser mi guía, mi fuerza y mi refugio. A mis amigos, mi segunda familia, por estar ahí en cada paso del camino. Gracias por su compañía, por las risas que iluminaron los días más grises y por recordarme que incluso en los momentos más difíciles siempre había algo por lo que luchar. Su apoyo y cariño han sido un refugio para mi alma y una fuente constante de energía para seguir adelante. Cada conversación, cada consejo y cada instante compartido quedarán para siempre en mi corazón. Este logro no sería el mismo sin ustedes. Y, cómo no, a la gente que Sevilla me ha regalado. Personas maravillosas y espléndidas que, más que amigos, considero hermanos. Gracias por cada risa, cada conversación y cada momento compartido que han hecho de este camino algo único e inolvidable. Sin ustedes, esta experiencia no habría sido igual. Os llevaré siempre en mi corazón. Manuel Enrique de Guindos López Sevilla, 2024 xvi 7 Estudio de la previsión de la demanda 33 7.1 Sistema de clasificación ABC 33 7.2 Aplicación del Sistema de clasificación ABC 34 7.3 Estudio de la previsión de la demanda a la clasificación A 36 7.3.1 Método de las medias móviles simples 37 7.3.1.1 Análisis de los resultados obtenidos 38 7.3.2 Método del ajuste exponencial simple 38 7.3.2.1 Análisis de los resultados obtenidos 38 7.3.3 Método de las medias móviles dobles 39 7.3.3.1 Análisis de los resultados obtenidos 39 7.3.4 Método del ajuste exponencial doble 40 7.3.4.1 Análisis de los resultados obtenidos 40 7.3.5 Método de Holt 41 7.3.5.1 Análisis de los resultados obtenidos 41 7.3.6 Método de Holt-Winters 42 7.3.6.1 Análisis de los resultados obtenidos 42 7.4 Estudio de la previsión de la demanda a la clasificación B 43 7.4.1 Método de las medias móviles simples 44 7.4.1.1 Análisis de los resultados obtenidos 44 7.4.1.2 Desagregación de los productos de las medias móviles simples 45 7.4.2 Método del ajuste exponencial simple 46 7.4.2.1 Análisis de los resultados obtenidos 46 7.4.2.2 Desagregación de los productos del ajuste exponencial simple 47 7.4.3 Método de las medias móviles dobles 47 7.4.3.1 Análisis de los resultados obtenidos 48 7.4.3.2 Desagregación de los productos de las medias móviles dobles 48 7.4.4 Método del ajuste exponencial doble 49 7.4.4.1 Análisis de los resultados obtenidos 50 7.4.4.2 Desagregación de los productos del ajuste exponencial doble 50 7.4.5 Método de Holt 51 7.4.5.1 Análisis de los resultados obtenidos 51 7.4.5.2 Desagregación de los productos del método de Holt 52 7.4.6 Método de Holt-Winters 53 7.4.6.1 Análisis de los resultados obtenidos 53 7.4.6.2 Desagregación de los productos del método de Holt-Winters 53 7.5 Estudio previsión de la demanda a la clasificación C 54 7.5.1 Método de las medias móviles simples 55 7.5.1.1 Análisis de los resultados obtenidos 56 7.5.1.2 Desagregación de los productos de las medias móviles simples 56 8 Conclusión 59 9 Glosario de términos 61 Referencias 63 xvii ÍNDICE DE TABLAS Tabla 1 Variación del consumo de PBT (MAPyA. 2022) 17 Tabla 2 Productos y códigos correspondientes 23 Tabla 3 Demanda histórica en unidades del año 2022 25 Tabla 4 Facturación en el año 2022 27 Tabla 5 Demanda histórica en unidades del 2023 29 Tabla 6 Facturación en el año 2023 31 Tabla 7 Cálculo del análisis ABC del pruyecto 35 Tabla 8 Tabla Comparativa – Medias Móviles Simples - Clasificación A 37 Tabla 9 Tabla Comparativa – Ajuste Exponencial Simple - Clasificación A 38 Tabla 10 Tabla Comparativa – Medias Móviles Dobles - Clasificación A 39 Tabla 11 Tabla Comparativa – Ajuste Exponencial Doble - Clasificación A 40 Tabla 12 Tabla Comparativa - Método de Holt - Clasificación A 41 Tabla 13 Tabla Comparativa - Método de Holt-Winters - Clasificación A 42 Tabla 14 Tabla Comparativa – Medias Móviles Simples - Clasificación B 44 Tabla 15 Productos Desagregados - Medias Móviles Simples (Clasificación B) 46 Tabla 16 Tabla Comparativa - Ajuste Exponencial Simple - Clasificación B 46 Tabla 17 Productos Desagregados - Medias Móviles Simples (Clasificación B) 47 Tabla 18 Tabla Comparativa - Medias Móviles Dobles - Clasificación B 48 Tabla 19 Productos Desagregados - Medias Móviles Dobles (Clasificación B) 49 Tabla 20 Tabla Comparativa - Ajuste Exponencial Doble - Clasificación B 49 Tabla 21 Productos Desagregados - Ajuste Exponencial Doble (Clasificación B) 51 Tabla 22 Tabla Comparativa - Método de Holt - Clasificación B 51 Tabla 23 Productos Desagregados - Método de Holt (Clasificación B) 52 Tabla 24 Tabla Comparativa - Método de Holt-Winters - Clasificación B 53 Tabla 25 Productos Desagregados - Método de Holt-Winters (Clasificación B) 54 Tabla 26 Tabla Comparativa - Medias Móviles Simples - Clasificación C 55 Tabla 27 Productos Desagregados - Medias Móviles Simples (Clasificación C) 57 Tabla 28 Comparación métodos (Clasificación A) 59 Tabla 29 Comparación métodos (Clasificación B) 60 xviii xix ÍNDICE DE FIGURAS Figura 1 Objetivos de previsión de la demanda 3 Figura 2 Clasificación de los métodos de previsión 5 Figura 3 Ciclo de vida de un producto 6 Figura 4 Demanda nivelada 7 Figura 5 Demanda con tendencia 9 Figura 6 Demanda estacional 12 Figura 7 Evolución anual de total de compras (miles kg-l) por tipo 18 Figura 8 Importancia por tipos de PBT 19 Figura 9 Porcentajes de población y distribución del volumen por regiones en 2022 19 Figura 10 Consumo per cápita por regiones en 2022 20 Figura 11 Porentajes de población y distribución del volumen por clase socioneconómicas en 2022 21 Figura 12 Representación gráfica de la demanda histórica en unidades del año 2022 26 Figura 13 Representanción gráfica de la facturación en el año 2022 28 Figura 14 Representación gráfica de la demanda histórica en unidades del año 2023 30 Figura 15 Representación gráfica de la facturación en el año 2023 32 Figura 16 Representación gráfica del análisis ABC 34 Figura 17 Representanción del análisis ABC del proyecto 36 Figura 18 Demanda Producto Clasificación A (V14) 37 Figura 19 Gráfica Medias Móviles Simples - Clasificación A 38 Figura 20 Gráfica Ajuste Exponencial Simple - Clasificación A 39 Figura 21 Gráfica Medias Móviles Dobles - Clasificación A 40 Figura 22 Gráfica Ajuste Exponencial Doble - Clasificación A 41 Figura 23 Gráfica Método de Holt – Clasificación A 42 Figura 24 Gráfica Método de Holt-Winters – Clasificación A 43 Figura 25 Demanda Agregada Productos Clasificación B 43 Figura 26 Demanda Agregada de los Productos de Clasificación B 44 Figura 27 Gráfica Medias Móviles Simple - Clasificación B 45 Figura 28 Gráfica Ajuste Exponencial Simple - Clasificación B 47 Figura 29 Gráfica Medias Móviles Dobles - Clasificación B 48 Figura 30 Gráfica Ajuste Exponencial Doble - Clasificación B 50 Figura 31 Gráfica Método de Holt - Clasificación B 52 Figura 32 Gráfica Método de Holt-Winters - Clasificación B 53 Figura 33 Demanda Productos Clasificación C 54 Figura 34 Demanda Agregada de los Productos de la Clasificación C 55 Figura 35 Gráfica Medias Móviles Simple - Clasificación C 56 xx 1 1 INTRODUCCIÓN l proyecto tiene como objetivo realizar una proyección detallada de la demanda para el próximo ciclo anual de una empresa dedicada al sector de la industria alimentaria, específicamente una panificadora. Este análisis es fundamental para anticipar las necesidades del mercado y planificar adecuadamente la producción. La panificadora en cuestión es una empresa de gran relevancia en Sevilla, reconocida por su amplia presencia en el ámbito local. Sus productos se encuentran en la mayoría de los establecimientos de restauración de la provincia, lo que subraya su importancia y popularidad en la región. El estudio de previsión de demanda permitirá a la empresa no solo optimizar su capacidad de respuesta frente a la demanda, sino también mejorar la eficiencia operativa y satisfacer de manera efectiva a sus numerosos clientes. En la actualidad, resulta de vital importancia para las empresas obtener una estimación precisa del comportamiento futuro del mercado en relación con los productos o servicios que ofrecen. Esta previsión de la demanda permite a las organizaciones anticipar tendencias, ajustar su producción y optimizar recursos de manera más efectiva. Muchas empresas realizan periódicamente estudios de previsión de demanda para sus productos, reconociendo los significativos beneficios que estas proyecciones pueden aportar. Entre los principales beneficios se incluyen la mejora en la planificación de la producción, la reducción de costos asociados con el almacenamiento y el desperdicio, y una mayor capacidad para satisfacer la demanda del cliente de manera oportuna y eficiente. Estos estudios son esenciales para mantener la competitividad y asegurar un crecimiento sostenible en un entorno de mercado dinámico y en constante evolución. Una correcta previsión de la demanda aporta múltiples beneficios para una empresa. En primer lugar, mejora significativamente la planificación de la producción, lo que se traduce en un aumento de los ingresos al optimizar el uso de los recursos. Además, facilita el cumplimiento de los plazos de entrega y permite reducir los niveles de inventario necesarios. Otro aspecto crucial por considerar es la satisfacción del cliente. Al anticipar con precisión el "qué" y el "dónde" de la demanda futura, la empresa puede asegurar que los productos estén disponibles en el momento y lugar adecuados. Esto no solo mejora la experiencia del cliente, sino que también fortalece su lealtad y contribuye al éxito a largo plazo de la empresa. A corto plazo, la previsión de la demanda permite establecer políticas de precios y realizar previsiones financieras precisas. En cambio, a largo plazo, aunque la previsión de la demanda es menos precisa, es posible planificar la capacidad productiva y tomar decisiones estratégicas, como la adquisición de nuevas instalaciones o maquinaria. Además, permite planificar diversas actividades futuras, incluyendo el desarrollo de nuevos productos y la expansión de la oferta de la empresa. En resumen, la previsión de la demanda permite a la empresa mejorar su eficiencia operativa, lo que a su vez conduce a la generación de mayores ingresos. Al optimizar la planificación y la utilización de los recursos, la empresa puede reducir costos, cumplir mejor con los plazos de entrega y satisfacer de manera más precisa las necesidades del mercado. En última instancia, estas mejoras contribuyen al objetivo fundamental de toda actividad productiva: maximizar las ganancias y asegurar un crecimiento sostenible y rentable. E Introducción 2 2 3 2 OBJETIVOS Los objetivos fundamentales del proyecto se centran en comprender a fondo y analizar la naturaleza de la demanda de una empresa dedicada a la elaboración y comercialización de productos de panadería. El propósito es desarrollar un método eficaz que permita prever con precisión las ventas y la demanda de estos productos. Este enfoque integral garantizará que la empresa esté mejor equipada para satisfacer las necesidades del mercado y optimizar su estrategia de producción y comercialización. Se pretende anticipar la demanda anual para el año 2024, utilizando los datos históricos de los años 2022 y 2023 proporcionados por la empresa. El propósito de esta tarea es desarrollar un sistema que permita a la empresa controlar y programar de manera efectiva sus operaciones y la producción de sus procesos industriales, basándose en esta predicción de la demanda. A continuación, se presenta un resumen conciso que detalla los objetivos de la previsión de la demanda de una empresa, diferenciados entre los plazos a corto y largo plazo. Figura 1 Objetivos de previsión de la demanda (Nitisha, 2015) Objetivos 4 4 5 3 PREVISIÓN DE LA DEMANDA La previsión de la demanda puede definirse de diversas maneras, dependiendo de las fuentes de las que obtengamos dicha definición: La previsión de la demanda estima la cantidad de productos que se espera vender en un período específico. Con una previsión precisa de la demanda, las empresas pueden mejorar la gestión de compras y producción, asegurando así que puedan cumplir con los pedidos anticipados de manera eficiente (Redacción The Information Lab, 2022). La finalidad de la previsión de la demanda se basa en realizar planificaciones sobre el comportamiento futuro del mercado. Su propósito fundamental es reducir el riesgo en la toma de decisiones, permitiendo a las empresas anticipar y prepararse para las condiciones del mercado de manera más efectiva (Onieva, 2017). El objetivo principal de la previsión de la demanda de una empresa es planificar y tomar decisiones informadas gracias al conocimiento anticipado de lo que ocurrirá en el futuro. Con esta información predictiva, la empresa puede controlar de manera eficiente los inventarios, definir políticas de compras y ventas, determinar el tamaño óptimo de los lotes de productos, y más. Esto permite una gestión más efectiva y una mayor capacidad de respuesta a las demandas del mercado (Onieva et al., 2017). 3.1 Tipos de previsión de la demanda Hoy en día, existen dos tipos de previsiones de la demanda: pronóstico cualitativo y pronóstico cuantitativo. Figura 2 Clasificación de los métodos de previsión (Onieva, 2017) Previsión de la demanda 12 12 Donde: - Dt indica el valor de la demanda en el periodo t. - D componente permanente. - pt es la pendiente o tendencia en el período t. - 𝜀𝑡 es la perturbación aleatoria en el momento t. - 𝐹𝑡 es el factor estacional o factor multiplicativo. Al rango que se repite cada cierto tiempo es lo que conocemos como estación. Una estación debe de tener la longitud de L períodos, de modo que la suma de todos los factores estacionales sea igual a L. ∑𝐹𝑡=𝐿 𝐿 𝑡=1 Figura 6 Demanda estacional (Onieva et al., 2017) Dentro de los pronósticos con demanda estacional encontramos el método más usado, el método de Holt- Winters. 3.2.3.1 Método de Holt-Winters El método de Holt-Winters, también conocido como método triple exponencial, es un método donde el pronóstico de la demanda se va ajustando continuamente cuando va apareciendo nueva información. Este método se aplica específicamente cuando la serie temporal exhibe un nivel de tendencia y factor estacional (Chopra & Meindl, 2013). Según Onieva et al. (2017), se calcula siguiendo el siguiente procedimiento: 1. Calculamos la estimación de la componente permanente: 𝑆𝑇= 𝛼⋅ 𝐷𝑇 𝐹𝑇−𝐿 +(1−𝛼)⋅(𝑆𝑇−1+𝑃𝑇−1) 𝑐𝑜𝑛 0≤𝛼≤1 13 2. Luego, se calcula la estimación de la pendiente: 𝑃𝑇= 𝛽⋅ (𝑆𝑇−𝑆𝑇−1)+(1−𝛽)⋅𝑃𝑇−1 𝑐𝑜𝑛 0≤𝛽≤1 3. Después calculamos la esimación del factor estacional: 𝐹𝑇    =𝛾⋅ 𝐷𝑇 𝑆𝑇+(1−𝛾)⋅𝐹𝑇−1 𝑐𝑜𝑛 0≤𝛾≤1 4. Normalizamos los factores estacionales de cada ciclo de L iteraciones: 𝐹𝑇=𝐿⋅ 𝐹𝑇    ∑𝐹𝑖  𝐿 𝑖=1 5. La prevision para el período T + τ será: 𝐷𝑇+𝑡(𝑇)=𝑊𝑇+𝜏 =(𝑆𝑇+ 𝜏 ⋅ 𝑃𝑇 ) ⋅ 𝐹𝑇+𝜏−1 𝛼, 𝛽 y 𝛾 son las constantes de alisamiento de nivel, tendencia y estacionalidad respectivamente. El único inconveniente que presenta le modelo es dar con el valor óptimo de las constantes de alisamiento debido a que son infinitas las combinaciones posibles. Según Onieva et al. (2017), no se conoce a fondo el comportamiento conjunto de las tres variables, pero parece conservador usar para 𝛼 y 𝛽 valores entre 0.1 y 0.3. Intentando que 𝛽 sea menor que 𝛼 y 𝛾 un valor superior. Para concluir este método, se detalla el proceso de cálculo de los datos iniciales, para el cual se emplearán las siguientes fórmulas: 1. Se calculan las constantes μ1 y μ2: μ1=∑𝐷𝐸𝑀𝐴𝑁𝐷𝐴 𝐷𝐸 𝐸𝑁𝐸𝑅𝑂 𝐻𝐴𝑆𝑇𝐴 𝐷𝐼𝐶𝐼𝐸𝑀𝐵𝑅𝐸 𝐷𝐸 2022 𝐿 μ2=∑𝐷𝐸𝑀𝐴𝑁𝐷𝐴 𝐷𝐸 𝐸𝑁𝐸𝑅𝑂 𝐻𝐴𝑆𝑇𝐴 𝐷𝐼𝐶𝐼𝐸𝑀𝐵𝑅𝐸 𝐷𝐸 2023 𝐿 2. A continuación, se calcula la pendiente: 𝑝0=μ2− μ1 𝐿 3. Se calcula la componente permanente 𝑆0: 𝑆0= μ2+ 𝐿−1 2 𝑝0 4. Ahora se calcula 𝐷0 ′ y 𝐷0 ′′: Previsión de la demanda 14 14 𝐷0 ′= μ1− 𝐿+1 2 𝑝0 ; 𝐷0 ′′ = μ2− 𝐿+1 2 𝑝0 5. A continuación, calculamos los factores iniciales de estacionalidad de ambos años por separado y luego le hacemos la media del mes: 𝐹 𝑖(𝑎ñ𝑜 2𝑜22)= 𝐷𝑖 𝐷0 ′+𝑝0 ∗ 𝑖 , 𝐹 𝑖(𝑎ñ𝑜 2𝑜23)= 𝐷𝑖 𝐷0 ′′+𝑝0 ∗ 𝑖 , 𝐹 𝑖= 𝐹 𝑖(𝑎ñ𝑜 2𝑜22) + 𝐹 𝑖(𝑎ñ𝑜 2𝑜23) 2 6. Comprobamos que los valores del apartado anterior están normalizados, se calculan de la siguiente forma: ∑𝐹 𝑖 𝐿 𝑖=1 =𝐿 Si no se cumple la condición anterior, se normalizan los factores estacionales: 𝐹 𝑖=𝐿 𝐹  ∑𝐹 𝑖 𝐿 𝑖=1 Y una vez se hayan calculado los datos iniciales, se puede proceder a aplicar las ecuaciones que se ha explicado al principio de este apartado para calcular la previsión de la demanda. 3.2.4 Error de previsión El error es una medida fundamental que nos indica qué tan bien se desempeña un modelo al ser contrastado con datos históricos. Su importancia radica en que proporciona información crucial sobre la precisión del método utilizado en relación con la componente sistemática de la demanda. Por tanto, constituye una herramienta esencial para evaluar la eficacia y la fiabilidad de nuestros modelos (Heyzer & Render, 2009). Según Onieva et al. (2017), la manera de calcular el error de previsión que hemos definido en el apartado anterior es: 𝑒𝑇=𝐷𝑇−𝐷 𝑇 Donde: - 𝑒𝑇 es el error de la previsión. - 𝐷𝑇 es la demanda histórica o real. - 𝐷 𝑇 previsión de la demanda en el período T. Los tres métodos más habituales para calcular el error son la desviación absoluta, el error cuadrático medio y el error porcentual. Pero el trabajo se centrará en el error cuadrático medio (ECM). Según Onieva et al. (2017) el error cuadrático medio se calcula a través de la siguiente fórmula: 𝐸𝐶𝑀=∑(𝐷𝑡−𝐷 𝑡)2 𝑁 𝑡=1 𝑁 15 El inconveniente que presenta este método es que tendrá un efecto más negativo en los métodos de previsión de la demanda donde sus resultados se desvíen en mayor medida de la demanda histórica (Heyzer & Render, 2009). Previsión de la demanda 16 16 15 4 METODOLOGÍA l proceso de cálculo de la previsión de la demanda de este proyecto comprende cuatro etapas críticas que permiten garantizar la precisión y la eficacia de la previsión. En primer lugar, los objetivos específicos de la previsión se definen claramente, es decir, qué se pretende lograr con ella. En segundo lugar, se recopilan los datos históricos necesarios y relevantes. En el tercer lugar, se replica el período que se quiere pronosticar. En cuarto lugar, se aplican los métodos de previsión. Y en quinto y último, se selecciona y analiza los métodos de previsión. 4.1 Establecer los propósitos de la previsión de la demanda El objetivo primordial de este proyecto es realizar una estimación precisa de la demanda futura. Para alcanzar este fin, es esencial investigar y determinar cuál es el método de previsión de la demanda más adecuado para los productos proporcionados por la empresa. Una vez que se haya identificado y calculado el método de previsión de demanda más eficiente y preciso, se procederá a calcular la previsión de la demanda para los productos especificados. Este proceso permitirá a la empresa anticiparse a las necesidades del mercado y ajustar sus estrategias de producción y distribución en consecuencia. 4.2 Recopilación de datos históricos Los datos que se utilizarán para trabajar y calcular la previsión de la demanda han sido proporcionados por la empresa. Esta selección incluye las ventas históricas de los años 2022 y 2023 de los productos a los que aplicaremos los métodos de previsión. Estos datos se presentarán en detalle en los apartados siguientes. 4.3 Determinar el horizonte temporal El horizonte temporal que se utilizará para la previsión será de un año natural, específicamente el año 2024. La demanda se calculará de forma mensual, permitiendo un análisis detallado y continuo a lo largo de todo el año. Este enfoque mensual facilitará la identificación de patrones estacionales y tendencias a corto plazo, lo que contribuirá a una planificación más precisa y ajustada a las necesidades del mercado en cada periodo. 4.4 Aplicación de los métodos de previsión En esta etapa, aplicaremos todos los métodos descritos en el apartado anterior: medias móviles simples, medias móviles ponderadas, ajuste exponencial simple, medias móviles dobles, ajuste exponencial doble, método de Holt y método de Winters. Tras aplicar cada uno de estos métodos, procederemos a evaluar el error cuadrático medio (ECM) de cada uno. El método que presente el menor error cuadrático medio será seleccionado como el más adecuado para nuestras previsiones, asegurando así la mayor precisión posible en la estimación de la demanda futura. E Metodología 16 4.5 Selección y análisis de los métodos de previsión Como se mencionó al final del apartado anterior, una vez se hayan aplicado los diversos métodos de previsión de la demanda, se procederá a evaluar el error cuadrático medio de cada uno. Posteriormente, se seleccionará el método que presente el menor error, considerándose como el más apropiado para su implementación en la empresa. Esta selección se basará en la búsqueda de la mayor precisión y fiabilidad en nuestras proyecciones, lo que contribuirá significativamente a la toma de decisiones estratégicas y a la optimización de los recursos de la empresa. 17 5 EL SECTOR EN ESPAÑA Y LA EMPRESA a empresa objeto de estudio opera en el sector de panadería y pastelería, una parte integral de la industria alimentaria. En el contexto actual, todos los sectores económicos enfrentan un entorno cambiante, marcado por la recuperación post-pandemia y las repercusiones de la crisis energética global desencadenada por conflictos internacionales como la guerra entre Rusia y Ucrania, así como las tensiones entre Israel e Irán. Estos eventos han generado un aumento significativo en los costos de producción y, en consecuencia, en los precios. Este panorama económico dinámico y desafiante plantea importantes consideraciones para la empresa, que debe adaptarse y tomar decisiones estratégicas con miras a mantener su competitividad y estabilidad en el mercado. 5.1 El sector en España Segun el último informe del MAPyA (2022),el consumo de PBT fuera del hogar en España siguió una tendencia creciente en 2022 respecto a 2021. Durante 2022, se consumieron 2.789,69 mil kilos de estos productos en 17,4 millones de consumiciones, un 15% más que en 2021. Este aumento se debe a un mayor número de consumidores, ya que el 12,3% de los residentes españoles consumieron estos productos fuera del hogar, 2,8 puntos porcentuales más que en 2021. Sin embargo, la compra media disminuyó un 12% debido a una reducción del 14,3% en la frecuencia de consumo. Comparado con 2019, el consumo de estos productos es aún inferior, con un volumen un 21,5% más bajo, reflejando que el sector no ha recuperado los niveles previos a la pandemia. En 2019, el 15,6% de los residentes consumían estos productos fuera del hogar, con una compra media un 2,1% superior a la de 2022. En 2022, el consumo per cápita fue de 0,08 kilos por persona, un 14,8% más que en 2021, pero un 22,7% menos que en 2019. Consumo PBT en 2022 % variación 2022 vs. 2021 % variación 2022 vs. 2019 Volumen (miles consumiciones) 17.413.85 14,6 % -21,6 % Volumen (miles kg o litros) 2.791,69 15,0 % -21,5 % Penetración (%) 12,28 2,8 % -3,3 % Frecuencia compra (actos) 2,56 -14,3 % -1,2 % Compra media (consumiciones) 4,12 -12,0 % -2,1 % Volumen por acto (consumiciones) 1,61 2,7 % -0,9 % Consumo per cápita (kg o l por individuo) 0,08 14,8 % -22,7 % Tabla 1 Variación del consumo de PBT (MAPyA. 2022) L El sector en España y la empresa 18 5.1.1 Evolución anual del total de compras (miles-l) por tipos Figura 7 Evolución anual de total de compras (miles kg-l) por tipo (MAPyA, 2022) Tal y como se puede observar en el gráfico, la rotunda caída en el consumo de PTB experimentada en 2020 continuó su descenso durante el 2021. No obstante, en el año 2022, esta tendencia negativa se restableció y las compras de estos productos comenzaron a aumentar nuevamente. Este cambio positivo en el comportamiento de consumo se puede atribuir tanto a un aumento en la compra de palitos de pan como de barritas. No obstante, es importante destacar que, a diferencia de estos productos, el consumo de tortitas experimentó una disminución durante 2022, alcanzando el nivel más bajo registrado desde 2019. 5.1.2 Importancia por tipos de PBT En cuanto a nivel de importancia de PBT, el MAPyA (2022) realizó un estudio donde los palitos de pan son los que dominan en la categoría, representando el 67,0 % del volumen total. Sin embargo, su relevancia ha disminuido en comparación con el año anterior, perdiendo 2,0 puntos porcentuales. En contraste, las barritas han ganado presencia en el mercado, consolidándose como el segundo producto más importante dentro de esta categoría, con una participación del 19,7 % del volumen total consumido. Este crecimiento de las barritas ha sido a expensas de las tortitas, que han visto una notable disminución en su cuota de mercado. Las tortitas ahora ocupan el tercer lugar en importancia, con una participación del 13,3 % del volumen total consumido, una caída significativa desde el 17,9 % que representaban en 2021. Esta redistribución en la proporción del volumen de consumo indica un cambio en las preferencias de los consumidores dentro de la categoría. 19 19 Previsión de la demanda de una empresa del sector alimentario Figura 8 Importancia por tipos de PBT (MAPyA, 2022) 5.1.3 Estudio regional del consupo de picos de PBT Figura 9 Porcentajes de población y distribución del volumen por regiones en 2022 (MAPyA, 2022) El MAPyA (2022) también realizó un estudio a nivel regional donde Levante, seguido de Andalucía y el área metropolitana de Barcelona, se destacan como las regiones más intensivas en el consumo de palitos de pan, barritas y tortitas fuera del hogar. Estas regiones presentan una contribución en volumen que supera significativamente su peso poblacional. En particular, Levante se destaca notablemente, moviendo el 26,1 % del volumen total de la categoría, mientras que su población representa solo el 15,5 % del total nacional. Esto implica que Levante consume un 68,4 % más de lo que correspondería en relación a su proporción poblacional. En contraste, la situación en la región metropolitana de Madrid y en el Noroeste del país es bastante diferente. En estas áreas, la proporción de volumen consumido de palitos de pan, barritas y tortitas está muy por debajo de Datos históricos 26 Figura 12 Representación gráfica de la demanda histórica en unidades del año 2022 Datos históricos 27 La siguiente tabla y gráfica presenta la facturación en euros de los productos analizados durante el período comprendido entre enero y diciembre de 2022. Enero Febrero Marzo Abril Mayo Junio Julio Agosto Septiembre Octubre Noviembre Diciembre CF77 158.328 € 134.136 € 144.936 € 255.312 € 88.128 € 167.616 € 93.744 € 128.088 € 142.992 € 125.928 € 143.856 € 164.160 € CF75 76.992 € 51.456 € 59.328 € 110.016 € 49.728 € 81.600 € 69.120 € 72.768 € 86.208 € 83.904 € 72.576 € 113.088 € CF76 71.808 € 45.312 € 37.440 € 105.216 € 31.104 € 52.992 € 43.200 € 61.824 € 67.008 € 66.048 € 67.008 € 96.384 € CF41 100.872 € 71.712 € 68.904 € 122.904 € 50.544 € 73.224 € 62.424 € 74.736 € 82.944 € 80.784 € 87.912 € 120.744 € CF78 17.760 € 14.880 € 10.880 € 45.760 € 6.560 € 9.760 € 10.240 € 12.000 € 16.000 € 12.480 € 14.400 € 20.000 € CF42 76.464 € 86.832 € 79.056 € 179.712 € 63.072 € 95.904 € 57.672 € 62.208 € 79.272 € 78.840 € 90.288 € 89.640 € CF90 28.080 € 20.088 € 20.520 € 54.864 € 7.560 € 13.608 € 14.256 € 14.688 € 19.872 € 14.688 € 25.056 € 32.184 € CF62 70.200 € 62.208 € 51.624 € 111.456 € 59.832 € 46.008 € 34.344 € 54.000 € 53.568 € 43.416 € 68.040 € 72.360 € CF64 128.088 € 108.648 € 99.576 € 197.640 € 105.624 € 111.240 € 54.864 € 87.696 € 96.984 € 87.048 € 119.016 € 94.608 € CF33 29.403 € 21.170 € 31.755 € 24.306 € 19.602 € 23.130 € 27.443 € 38.812 € 41.556 € 32.931 € 34.892 € 39.988 € CF09 85.440 € 48.000 € 49.920 € 76.800 € 39.360 € 37.120 € 37.440 € 51.840 € 58.560 € 40.320 € 60.480 € 66.240 € V14 627.200 € 506.800 € 921.200 € 1.052.800 € 960.400 € 988.400 € 1.010.800 € 981.400 € 590.800 € 596.400 € 778.400 € 984.200 € Tabla 4 Facturación en el año 2022 Datos históricos 28 Figura 13 Representanción gráfica de la facturación en el año 2022 Datos históricos 29 A continuación, se presenta un detallado análisis de la demanda de los productos previamente mencionados, abarcando el periodo comprendido desde enero hasta diciembre del año 2023. Tabla 5 Demanda histórica en unidades del 2023 Productos Enero Febrero Marzo Abril Mayo Junio Julio Agosto Septiembre Octubre Noviembre Diciembre CF77 9.900 7.284 6.492 7.668 6.540 7.968 6.696 6.876 5.640 8.352 7.224 6.948 CF75 5.964 3.276 4.176 3.792 4.356 4.824 3.900 4.632 4.176 4.524 4.332 5.376 CF76 5.004 2.988 3.684 3.384 3.300 3.564 2.604 3.600 3.216 3.804 3.588 4.140 CF41 5.136 3.780 4.284 3.996 4.248 5.076 3.936 4.548 4.284 5.340 5.364 5.226 CF78 1.170 1.210 980 820 960 1.070 900 1.070 980 1.130 1.280 1.000 CF42 4.740 5.544 4.188 5.328 4.668 5.388 3.864 4.536 4.416 5.976 4.572 4.908 CF90 1.752 996 1.188 1.044 1.080 1.176 1.068 1.032 1.020 1.332 1.272 1.332 CF62 4.152 3.384 3.204 4.860 3.360 3.420 2.604 3.114 2.988 3.996 3.408 4.380 CF64 5.040 6.468 5.856 4.860 5.280 5.388 4.560 4.584 1.152 6.096 4.932 4.380 CF33 2.358 1.260 1.260 1.692 1.062 1.602 1.314 1.926 3.360 1.188 1.404 3.624 CF09 3.480 2.340 3.360 2.940 2.760 3.420 2.640 3.120 3.360 3.660 3.600 3.360 V14 52.200 45.800 72.200 85.600 87.800 82.500 80.100 75.400 72.100 65.400 72.500 85.400 Datos históricos 30 Figura 14 Representación gráfica de la demanda histórica en unidades del año 2023 Datos históricos 31 La siguiente tabla y gráfica presenta la facturación en euros de los productos analizados durante el período comprendido entre enero y diciembre de 2023. Enero Febrero Marzo Abril Mayo Junio Julio Agosto Septiembre Octubre Noviembre Diciembre CF77 178.200 € 131.112 € 116.856 € 138.024 € 117.720 € 143.424 € 120.528 € 123.768 € 101.520 € 150.336 € 130.032 € 125.064 € CF75 95.424 € 52.416 € 66.816 € 60.672 € 69.696 € 77.184 € 62.400 € 74.112 € 66.816 € 72.384 € 69.312 € 86.016 € CF76 80.064 € 47.808 € 58.944 € 54.144 € 52.800 € 57.024 € 41.664 € 57.600 € 51.456 € 60.864 € 57.408 € 66.240 € CF41 92.448 € 68.040 € 77.112 € 71.928 € 76.464 € 91.368 € 70.848 € 81.864 € 77.112 € 96.120 € 96.552 € 94.068 € CF78 18.720 € 19.360 € 15.680 € 13.120 € 15.360 € 17.120 € 14.400 € 17.120 € 15.680 € 18.080 € 20.480 € 16.000 € CF42 85.320 € 99.792 € 75.384 € 95.904 € 84.024 € 96.984 € 69.552 € 81.648 € 79.488 € 107.568 € 82.296 € 88.344 € CF90 31.536 € 17.928 € 21.384 € 18.792 € 19.440 € 21.168 € 19.224 € 18.576 € 18.360 € 23.976 € 22.896 € 23.976 € CF62 74.736 € 60.912 € 57.672 € 87.480 € 60.480 € 61.560 € 46.872 € 56.052 € 53.784 € 71.928 € 61.344 € 78.840 € CF64 90.720 € 116.424 € 105.408 € 87.480 € 95.040 € 96.984 € 82.080 € 82.512 € 20.736 € 109.728 € 88.776 € 78.840 € CF33 51.357 € 27.443 € 27.443 € 36.852 € 23.130 € 34.892 € 28.619 € 41.948 € 73.181 € 25.875 € 30.579 € 78.931 € CF09 55.680 € 37.440 € 53.760 € 47.040 € 44.160 € 54.720 € 42.240 € 49.920 € 53.760 € 58.560 € 57.600 € 53.760 € V14 730.800 € 641.200 € 1.010.800 € 1.198.400 € 1.229.200 € 1.155.000 € 1.121.400 € 1.055.600 € 1.009.400 € 915.600 € 1.015.000 € 1.195.600 € Tabla 6 Facturación en el año 2023 Datos históricos 32 Figura 15 Representación gráfica de la facturación en el año 2023 33 7 ESTUDIO DE LA PREVISIÓN DE LA DEMANDA 7.1 Sistema de clasificación ABC El sistema de clasificación ABC será el método utilizado en este trabajo para analizar la previsión de la demanda. Este enfoque se centra en identificar las ventas por producto generadas en la fábrica. Resulta especialmente relevante para empresas con una amplia variedad de artículos en inventario, ya que permite establecer prioridades y optimizar tanto la gestión como el manejo de los materiales. El análisis ABC tiene su origen en los estudios del renombrado economista italiano Vilfredo Pareto (1848-1923). Posteriormente, en la década de 1950, H. Ford Dickie, directivo de General Electric, perfeccionó esta metodología y la aplicó al ámbito de la gestión de materiales (Luca, 2020). La clasificación ABC es una herramienta de gestión de inventarios que utiliza el principio de Pareto, el cual establece que una proporción pequeña de los artículos (aproximadamente el 20%) genera la mayor parte del impacto económico (70-80%). Este enfoque divide los artículos en tres categorías con base en su valor monetario anual, calculado al multiplicar la demanda anual por el costo unitario (Heizer & Render, 2009). Las categorías de la clasificación son: • Clase A (Artículos críticos): o Representan el 15%-20% de los artículos, pero su valor equivale al 70%-80% del total. o Requieren un control intensivo, revisiones frecuentes (mensuales o incluso más), y medidas de seguridad adicionales debido a su importancia estratégica. • Clase B (Artículos intermedios): o Incluyen entre el 30%-35% de los artículos, con un valor cercano al 15%-25% del total. o Se manejan con más atención que los artículos de clase C, pero con menos rigurosidad que los de clase A. • Clase C (Artículos de bajo impacto): o Constituyen el 50%-55% del inventario, pero representan solo el 5%-10% del valor económico total. o Su control es más relajado, con revisiones ocasionales (anuales) y políticas más simples, como puntos de reorden y amplios inventarios de seguridad. Estudio de la previsión de la demanda 34 Figura 16 Representación gráfica del análisis ABC (González, 2012) Algunas de las las aplicaciones y beneficios que se pueden encontrar acerca de la clasificación ABC son las siguientes (Chapman, 2006): • Priorización de recursos: Permite enfocar los esfuerzos de gestión en los artículos más críticos, optimizando los costos operativos y reduciendo riesgos de desabastecimiento. • Flexibilidad en el manejo: Según las necesidades estratégicas, artículos menos valiosos (clase C) pueden reclasificarse como A si su impacto en la producción o el servicio al cliente lo justifica. Por ejemplo, un artículo de bajo costo, pero con largos tiempos de reabastecimiento podría subir a la clase A si su falta genera retrasos significativos. • Mayor precisión: Los artículos de clase A requieren datos altamente fiables y revisiones frecuentes para garantizar que su manejo sea eficiente y sin errores que afecten las finanzas o el servicio. Con todo lo mencionado anteriormente se puede decir que el análisis ABC busca identificar los artículos más relevantes desde el punto de vista económico y operativo, para establecer niveles de control y gestión acordes a su importancia. Esto no solo mejora la eficiencia del inventario, sino que también minimiza riesgos asociados a errores o fallos en el suministro de productos clave. 7.2 Aplicación del Sistema de clasificación ABC En el presente proyecto, la implementación del Sistema ABC se ha llevado a cabo de la siguiente manera: En primer lugar, se procedió a sumar las unidades vendidas de cada producto durante los años 2022 y 2023. Posteriormente, se calculó la media de ventas anuales para cada producto. Este valor promedio se multiplicó por el costo unitario correspondiente, obteniendo así el total de ventas en términos monetarios para cada producto. A continuación, los productos se ordenaron de mayor a menor en función de su total de ventas. Seguidamente, se calculó el porcentaje de contribución individual de cada producto, dividiendo las ventas de cada uno entre el total de ventas de todos los productos y multiplicando el resultado por 100. Posteriormente, se calculó el porcentaje acumulado de las ventas. Para ello, se tomó el porcentaje individual del producto más importante (el de mayor valor total) como punto de partida. A este valor inicial se le fueron sumando los porcentajes individuales de los siguientes productos en orden descendente. Este proceso se repitió hasta que se alcanzó el 100% del total. Estudio de la previsión de la demanda 35 Finalmente, se clasificaron los productos en las categorías A, B y C según los siguientes criterios: • Los productos con un porcentaje acumulado inferior al 60% se clasificaron como Clase A, por su alta contribución al valor total. • Aquellos con un porcentaje acumulado entre el 60% y el 90% se categorizaron como Clase B, representando una contribución moderada. • Por último, los productos con un porcentaje acumulado entre el 90% y el 100% fueron asignados a la Clase C, dada su menor relevancia en términos de valor acumulado. Este enfoque permite priorizar la gestión de los productos más valiosos (Clase A), optimizar el control de los productos intermedios (Clase B) y simplificar el manejo de los menos relevantes (Clase C). REFERENCIA UDS UDS/€ VENTAS % VENTAS % ACUMULADO TIPO PRODUCTO V14 66.300 14,00 € 928.200 € 56,0% 56,0% A CF77 7.694 18,00 € 138.492 € 8,4% 64,4% B CF64 5.430 18,00 € 97.740 € 5,9% 70,3% B CF42 4.827 18,00 € 86.886 € 5,2% 75,5% B CF41 4.610 18,00 € 82.985 € 5,0% 80,6% B CF75 4.636 16,00 € 74.168 € 4,5% 85,0% B CF62 3.469 18,00 € 62.447 € 3,8% 88,8% B CF76 3.728 16,00 € 59.640 € 3,6% 92,4% C CF09 3.282 16,00 € 52.507 € 3,2% 95,6% C CF33 1.617 21,78 € 35.218 € 2,1% 97,7% C CF90 1.210 18,00 € 21.780 € 1,3% 99,0% C CF78 1.020 16,00 € 16.327 € 1,0% 100,0% C Tabla 7 Cálculo del análisis ABC del pruyecto Estudio de la previsión de la demanda 42 Figura 23 Gráfica Método de Holt – Clasificación A 7.3.6 Método de Holt-Winters Para analizar este método, se han seleccionaron tres combinaciones de parámetros para el cálculo de la previsión: α=0.1, β=0.1 y γ=0.3; α=0.2, β=0.15 y γ=0.4; y α=0.3, β=0.2 y γ=0.5. Tras evaluar el método se ha procedido a calcular el ECM comparando los errores obtenidos para cada una de estas combinaciones, dando lugar a los siguientes resultados: Nº ECM 1 (α=0.1, β=0.1 y γ=0.3) 73.136.303.234,21 € 2 (α=0.2, β=0.15 y γ=0.4) 123.538.283.367.12 € 3 (α=0.3, β=0.2 y γ=0.5) 138.961.372.618,24 € Tabla 13 Tabla Comparativa - Método de Holt-Winters - Clasificación A En la figura del apartado siguiente, se observa que la previsión de la demanda calculada mediante el método de Holt-Winters logra ajustarse correctamente en varios períodos. Sin embargo, en otros casos, la diferencia entre la demanda real y la previsión es significativa. Además, con los parámetros seleccionados, el método demuestra ser eficaz para suavizar la demanda histórica, especialmente en períodos caracterizados por grandes fluctuaciones. 7.3.6.1 Análisis de los resultados obtenidos Como se observa en la Tabla 13, el ECM calculado con método de Holt-Winters para α=0.1, β= 0.1 y γ=0.3 es el más bajo, lo que demuestra que esta terna de valores de alfa, beta y gamma genera un pronóstico más preciso, ajustándose mejor a los datos históricos de la demanda empleados en el cálculo. A continuación, se presentan gráficamente los resultados obtenidos antes de realizar la desagregación: €- €200.000,00 €400.000,00 €600.000,00 €800.000,00 €1.000.000,00 €1.200.000,00 €1.400.000,00 oct-21 feb-22 may-22 ago-22 dic-22 mar-23 jun-23 oct-23 ene-24 abr-24 HOLT - CLASIFICACIÓN A V14 HOLT 1 HOLT 2 HOLT 3 Estudio de la previsión de la demanda 43 Figura 24 Gráfica Método de Holt-Winters – Clasificación A 7.4 Estudio de la previsión de la demanda a la clasificación B En este apartado se han analizado los datos correspondientes a la Clasificación B, aplicando los diferentes métodos de previsión de la demanda explicados en detalle en secciones anteriores. En concreto, para esta categoría, se han utilizado los métodos de medias móviles simples, ajuste exponenial simple, medias móviles dobles, ajuste exponencial doble, método de Holt y método de Holt-Winters para calcular la previsión de la demanda. A continuación, se presenta la demanda de los productos pertenecientes a la Clasificación C, la cual incluye los siguientes artículos: CF77, CF64, CF42, CF4, CF75 y CF62. Figura 25 Demanda Agregada Productos Clasificación B €- €200.000,00 €400.000,00 €600.000,00 €800.000,00 €1.000.000,00 €1.200.000,00 €1.400.000,00 OCT-21 FEB-22 MAY-22 AGO-22 DIC-22 MAR-23 JUN-23 OCT-23 ENE-24 ABR-24 WINTERS - CLASIFICACIÓN A DATOS PREVISIÓN 1 PREVISIÓN 2 PREVISIÓN 3 Estudio de la previsión de la demanda 44 Para aplicar el método, se opta por agrupar los datos para simplificar los cálculos. Una vez calculada la previsión de la demanda, los resultados se desagregan, obteniéndose la siguiente gráfica de la demanda agregada: Figura 26 Demanda Agregada de los Productos de Clasificación B 7.4.1 Método de las medias móviles simples Este es el primer método aplicado a los productos de la clasificación B. Para su cálculo, se emplearon diferentes valores de N (N=3, N=4, N=5 y N=6). Tras evaluar el método, se procedió a calcular el ECM correspondiente a cada valor de N, obteniéndose los siguientes resultados: N ECM 3 4.376.508.487,59 4 5.533.557.368,60 5 5.853.976.080,30 6 6.816.748.045,29 Tabla 14 Tabla Comparativa – Medias Móviles Simples - Clasificación B Para calcular un pronóstico, se utilizan los datos históricos más recientes para determinar el promedio móvil simple, lo que otorga a estos datos una fuerte influencia en la predicción. Sin embargo, el error entre la demanda real y la prevista suele ser significativo, lo que genera un alto valor del ECM. En el caso del año 2024, al no disponer de datos históricos adicionales para meses anteriores, la previsión se basa en los valores previamente estimados. Esto provoca que el pronóstico de ventas tienda a estabilizarse durante ese período. 7.4.1.1 Análisis de los resultados obtenidos Tal como se aprecia en la Tabla 14, el ECM obtenido al aplicar medias móviles simples con N=3 es el más bajo, Estudio de la previsión de la demanda 45 lo que evidencia que un promedio móvil de 3 meses proporciona un pronóstico más preciso al ajustarse mejor a los datos históricos de la demanda empleados en el cálculo. A continuación, se presenta gráficamente los resultados obtenidos antes de su desagregación: Figura 27 Gráfica Medias Móviles Simple - Clasificación B 7.4.1.2 Desagregación de los productos de las medias móviles simples Tras calcular las medias móviles simples agrupando todos los productos, los resultados se desagregan para obtener la facturación mensual específica de los productos de la clasificación C para el año 2024. Esta información se presenta en la siguiente tabla. CF77 CF64 CF42 CF41 CF75 CF62 ene-24 143.544,36 € 101.305,68 € 90.055,71 € 86.011,88 € 76.873,74 € 64.724,63 € feb-24 143.544,36 € 101.305,68 € 90.055,71 € 86.011,88 € 76.873,74 € 64.724,63 € mar-24 143.544,36 € 101.305,68 € 90.055,71 € 86.011,88 € 76.873,74 € 64.724,63 € abr-24 143.544,36 € 101.305,68 € 90.055,71 € 86.011,88 € 76.873,74 € 64.724,63 € may-24 143.544,36 € 101.305,68 € 90.055,71 € 86.011,88 € 76.873,74 € 64.724,63 € jun-24 143.544,36 € 101.305,68 € 90.055,71 € 86.011,88 € 76.873,74 € 64.724,63 € jul-24 143.544,36 € 101.305,68 € 90.055,71 € 86.011,88 € 76.873,74 € 64.724,63 € ago-24 143.544,36 € 101.305,68 € 90.055,71 € 86.011,88 € 76.873,74 € 64.724,63 € sep-24 143.544,36 € 101.305,68 € 90.055,71 € 86.011,88 € 76.873,74 € 64.724,63 € oct-24 143.544,36 € 101.305,68 € 90.055,71 € 86.011,88 € 76.873,74 € 64.724,63 € nov-24 143.544,36 € 101.305,68 € 90.055,71 € 86.011,88 € 76.873,74 € 64.724,63 € dic-24 143.544,36 € 101.305,68 € 90.055,71 € 86.011,88 € 76.873,74 € 64.724,63 € -€ 200.000 € 400.000 € 600.000 € 800.000 € 1.000.000 € 1.200.000 € JUL-21 FEB-22 AGO-22 MAR-23 OCT-23 ABR-24 NOV-24 MAY-25 MEDIAS MÓVILES SIMPLES - CLASIFICACIÓN B TOTAL FACTURADO MMS (N=3) MMS (N=4) MMS (N=5) MMS (N=6) Estudio de la previsión de la demanda 46 Tabla 15 Productos Desagregados - Medias Móviles Simples (Clasificación B) 7.4.2 Método del ajuste exponencial simple En este método, se seleccionaron varios valores de alfa (α=0,1, α=0,15, α=0,2, α=0,3) para calcular la previsión de la demanda. Tras evaluar el método, se calculó el ECM correspondiente a cada valor de alfa, obteniéndose los siguientes resultados. α ECM 0,1 5.235.240.113,74 € 0,15 5.490.535.887,07 € 0,2 5.616.989.545,96 € 0,3 5.685.322.203,20 € Tabla 16 Tabla Comparativa - Ajuste Exponencial Simple - Clasificación B En la Figura 28 del apartado siguiente, se observa que la previsión de la demanda presenta un comportamiento muy suavizado. Esto, sumado a la notable diferencia respecto a la curva de la demanda real, provoca un ECM excesivamente elevado, afectando negativamente la precisión del pronóstico de ventas para 2024. Además, este método presenta una limitación significativa al calcular la previsión para el año 2024. Al no disponer de datos históricos adicionales, el método asume que las ventas de los meses posteriores son iguales a las del último mes pronosticado. Como resultado, la predicción de la demanda para 2024 se mantiene completamente constante, reflejando una estructura nivelada de la demanda que puede no corresponder con la realidad. 7.4.2.1 Análisis de los resultados obtenidos Como se observa en la Tabla 16, el ECM calculado con el ajuste exponencial simple para α=0,1 es el más bajo, lo que demuestra que este valor de alfa genera un pronóstico más preciso, ajustándose mejor a los datos históricos de la demanda empleados en el cálculo. A continuación, se presentan gráficamente los resultados obtenidos antes de realizar la desagregación: Estudio de la previsión de la demanda 47 Figura 28 Gráfica Ajuste Exponencial Simple - Clasificación B 7.4.2.2 Desagregación de los productos del ajuste exponencial simple Una vez calculado el ajuste exponencial simple considerando todos los productos de manera agregada, se desagregan los resultados para obtener la facturación mensual de los productos de la clasificación B para el año 2024. Esta información se presenta en la siguiente tabla. CF77 CF64 CF42 CF41 CF75 CF62 ene-24 135.661,40 € 531.624,56 € 85.110,16 € 81.288,40 € 72.652,10 € 61.170,1731 € feb-24 134.409,06 € 526.716,93 € 84.324,48 € 80.538,00 € 71.981,42 € 60.605,4883 € mar-24 134.849,31 € 528.442,17 € 84.600,68 € 80.801,80 € 72.217,19 € 60.803,9993 € Tabla 17 Productos Desagregados - Medias Móviles Simples (Clasificación B) 7.4.3 Método de las medias móviles dobles Se han considerado cuatro longitudes de tiempo (N) para calcular los promedios de este método, concretamente N=3, N=4, N=5 y N=6. Una vez obtenido el pronóstico, se ha calculado el ECM asociado a cada previsión, obteniéndose los siguientes resultados: Estudio de la previsión de la demanda 48 N ECM 3 2.892.421.082,34 € 4 3.779.611.771,19 € 5 9.346.042.035,64 € 6 7.367.039.783,10 € Tabla 18 Tabla Comparativa - Medias Móviles Dobles - Clasificación B En la gráfica del apartado siguiente, se observa que la previsión obtenida mediante el método de medias móviles dobles no se ajusta con precisión a la demanda real de los productos clasificados como B. La previsión de la demanda calculada con este método muestra grandes oscilaciones a lo largo de los años, lo que constituye la principal causa de los valores extremadamente elevados del ECM. Para el año 2024, se identifica que la demanda sigue una tendencia lineal, ya sea positiva, negativa o estable, dependiendo de las longitudes de tiempo empleadas, las cuales están influenciadas directamente por la demanda histórica más reciente. Además, se observa que la previsión no logra seguir el patrón de la demanda real registrado en 2022 y 2023, lo que sugiere que la demanda podría mantener un comportamiento similar al de los años anteriores. 7.4.3.1 Análisis de los resultados obtenidos Tal como se aprecia en la Tabla 18, el ECM obtenido al aplicar medias móviles simples con N=3 es el más bajo, lo que evidencia que un promedio móvil doble de 3 meses proporciona un pronóstico más preciso al ajustarse mejor a los datos históricos de la demanda empleados en el cálculo. A continuación, se presenta gráficamente los resultados obtenidos antes de su desagregación: Figura 29 Gráfica Medias Móviles Dobles - Clasificación B 7.4.3.2 Desagregación de los productos de las medias móviles dobles Tras realizar el cálculo de las medias móviles dobles en conjunto para todos los productos, se procede a distribuir los valores obtenidos para estimar la facturación mensual de los productos de la categoría B en el año 2024, tal €- €200.000,00 €400.000,00 €600.000,00 €800.000,00 €1.000.000,00 €1.200.000,00 jul-21 feb-22 ago-22 mar-23 oct-23 abr-24 nov-24 may-25 MEDIAS MOVILES DOBLES - CLASIFICACIÓN B TOTAL FACTURADO MMD (N=3) MMD (N=4) MMD (N=5) MMD (N=6) Estudio de la previsión de la demanda 49 y como se muestra en la siguiente tabla. CF77 CF64 CF42 CF41 CF75 CF62 ene-24 128.658,02 € 90.799,72 € 80.716,44 € 77.091,97 € 68.901,51 € 58.012,33 € feb-24 128.287,50 € 90.538,23 € 80.483,98 € 76.869,96 € 68.703,08 € 57.845,26 € mar-24 127.916,97 € 90.276,73 € 80.251,52 € 76.647,94 € 68.504,65 € 57.678,19 € abr-24 127.546,45 € 90.015,23 € 80.019,07 € 76.425,92 € 68.306,22 € 57.511,11 € may-24 127.175,92 € 89.753,74 € 79.786,61 € 76.203,90 € 68.107,79 € 57.344,04 € jun-24 126.805,40 € 89.492,24 € 79.554,15 € 75.981,88 € 67.909,36 € 57.176,97 € jul-24 126.434,87 € 89.230,75 € 79.321,70 € 75.759,86 € 67.710,93 € 57.009,90 € ago-24 126.064,35 € 88.969,25 € 79.089,24 € 75.537,84 € 67.512,49 € 56.842,83 € sep-24 125.693,82 € 88.707,75 € 78.856,78 € 75.315,82 € 67.314,06 € 56.675,76 € oct-24 125.323,30 € 88.446,26 € 78.624,32 € 75.093,80 € 67.115,63 € 56.508,69 € nov-24 124.952,77 € 88.184,76 € 78.391,87 € 74.871,78 € 66.917,20 € 56.341,62 € dic-24 124.582,25 € 87.923,26 € 78.159,41 € 74.649,77 € 66.718,77 € 56.174,55 € Tabla 19 Productos Desagregados - Medias Móviles Dobles (Clasificación B) 7.4.4 Método del ajuste exponencial doble El cálculo de la previsión de este método depende de un paránmetro alfa concretamente se ha evaluado para α=0.1, α=0.15, α=0.2 y α=0.3. A medida que alfa sea mas grande, mayor será el numero y el tamaño de las oscilaciones de la demanda prevista, pero eso no quier decir que esa previsión sea mejor que la de otras previsiones calculadas con los diferentes valores de alfa, como se puede apreciar en la siguiente tabla: α ECM 0,1 6.747.198.702,92 € 0,15 6.242.840.586,63 € 0,2 5.382.301.858,47 € 0,3 4.024.617.749,39 € Tabla 20 Tabla Comparativa - Ajuste Exponencial Doble - Clasificación B Como se muestra en la Figura 30, la previsión suaviza en exceso la demanda histórica, que presenta numerosas oscilaciones a lo largo de los dos años analizados. Hay pocos períodos en los que el error es insignificante, mientras que en muchos otros la diferencia es considerablemente alta, lo que explica el elevado ECM asociado a este método. En cuanto al año 2024, se observa que el método pronostica una demanda con una tendencia lineal a lo largo de todo el año, independientemente del valor de α, sin reflejar los cambios aleatorios en la demanda que se han registrado en los años anteriores. Estudio de la previsión de la demanda 50 7.4.4.1 Análisis de los resultados obtenidos Como se observa en la Tabla 20, el ECM calculado con el ajuste exponencial doble para α=0,3 es el más bajo, lo que demuestra que este valor de alfa genera un pronóstico más preciso, ajustándose mejor a los datos históricos de la demanda empleados en el cálculo. A continuación, se presentan gráficamente los resultados obtenidos antes de realizar la desagregación: Figura 30 Gráfica Ajuste Exponencial Doble - Clasificación B AED 1, es correspondiente a α=0.1, AED 2, corresponde a α=0.15, AED 3, corresponde con α=0.2 y AED 4, corresponde a α=0.3. 7.4.4.2 Desagregación de los productos del ajuste exponencial doble Una vez aplicado el ajuste exponencial doble sobre los datos agregados de los productos, los resultados son desagregados para estimar la facturación mensual correspondiente a la clasificación B durante el 2024, como se detalla en la tabla adjunta. €- €200.000,00 €400.000,00 €600.000,00 €800.000,00 €1.000.000,00 €1.200.000,00 jul-21 feb-22 ago-22 mar-23 oct-23 abr-24 nov-24 may-25 AJUSTE EXPONENCIAL DOBLE - CLASIFICACIÓN B TOTAL FACTURACIÓN AED 1 AED 2 AED 3 AED 4 Estudio de la previsión de la demanda 51 CF77 CF64 CF42 CF41 CF75 CF62 ene-24 138.469,96 € 97.724,45 € 542.630,65 € 82.971,30 € 74.156,20 € 62.436,56 € feb-24 139.473,35 € 98.432,58 € 546.562,67 € 83.572,52 € 74.693,55 € 62.888,99 € mar-24 140.476,73 € 99.140,71 € 550.494,69 € 84.173,75 € 75.230,90 € 63.341,42 € abr-24 141.480,12 € 99.848,85 € 554.426,71 € 84.774,98 € 75.768,26 € 63.793,85 € may-24 142.483,50 € 100.556,98 € 558.358,73 € 85.376,21 € 76.305,61 € 64.246,28 € jun-24 143.486,88 € 101.265,11 € 562.290,76 € 85.977,44 € 76.842,96 € 64.698,71 € jul-24 144.490,27 € 101.973,25 € 566.222,78 € 86.578,67 € 77.380,31 € 65.151,14 € ago-24 145.493,65 € 102.681,38 € 570.154,80 € 87.179,89 € 77.917,66 € 65.603,57 € sep-24 146.497,04 € 103.389,51 € 574.086,82 € 87.781,12 € 78.455,02 € 66.056,00 € oct-24 147.500,42 € 104.097,65 € 578.018,84 € 88.382,35 € 78.992,37 € 66.508,43 € nov-24 148.503,80 € 104.805,78 € 581.950,86 € 88.983,58 € 79.529,72 € 66.960,86 € dic-24 149.507,19 € 105.513,91 € 585.882,89 € 89.584,81 € 80.067,07 € 67.413,28 € Tabla 21 Productos Desagregados - Ajuste Exponencial Doble (Clasificación B) 7.4.5 Método de Holt Para calcular la previsión de la demanda utilizando el método de Holt, se emplearon las siguientes combinaciones de parámetros: α=0.1 y β=0.1, α=0.2 y β=0.15, y α=0.3 y β=0.2. Tras obtener los pronósticos, se calculó el ECM, obteniéndose los siguientes resultados: Nº ECM 1 (α= 0.1 y β=0.1) 7.797.905.234,74 € 2 (α= 0.2 y β=0.15) 6.649.346.103,33 € 3 (α= 0.3 y β=0.2) 4.515.253.628,43 € Tabla 22 Tabla Comparativa - Método de Holt - Clasificación B En la Figura 31 se observa cómo la previsión de la demanda obtenida mediante el método de Holt, utilizando los parámetros seleccionados, logra suavizar los datos de la demanda real a lo largo de los años analizados. Durante 2022 y 2023, la previsión parece inestable debido a las grandes oscilaciones presentes en la demanda histórica. Sin embargo, para 2024, la previsión adopta una tendencia lineal tan sutil que podría percibirse como prácticamente constante. 7.4.5.1 Análisis de los resultados obtenidos Como se observa en la Tabla 22, el ECM calculado con método de Holt para α=0.3 y β=0.2 es el más bajo, lo que demuestra que esta terna de valores de alfa y beta genera un pronóstico más preciso, ajustándose mejor a los datos históricos de la demanda empleados en el cálculo. A continuación, se presentan gráficamente los resultados obtenidos antes de realizar la desagregación: 58 59 8 CONCLUSIÓN Los mercados de productos son cada vez más exigentes e impredecibles. A esto se suman factores como períodos de crisis, pandemias e incluso condiciones meteorológicas, que generan demandas altamente aleatorias y dificultan una previsión precisa. Contar con una previsión de demanda correctamente planificada y calculada con precisión permite a las empresas mejorar todas las áreas relacionadas con el negocio. Esto incluye la toma de decisiones en sectores clave como la producción, la gestión del personal y la logística. El objetivo principal de este trabajo es desarrollar un método de previsión de la demanda que facilite la planificación de la producción, permitiendo a la empresa satisfacer las necesidades de sus clientes de manera eficiente. Se han agrupado los productos de la empresa en las categorías A, B y C para analizar las características de la demanda histórica en cada una de ellas. Tras aplicar diversos métodos estudiados como son las medias móviles simples, ajuste exponencial simple, medias móviles dobles, ajuste exponencial doble, el método de Holt y el método de Holt-Winters, se concluyó que, para la clasificación A, el mejor método es el de las medias móviles dobles. Este método arrojó el menor ECM, como se muestra en la siguiente tabla. Medias Móviles Simples 48.664.571.597,66 Ajuste Exponencial Simple 49.538.246.597,75 Medias Móviles Dobles 46.161.850.725,98 Ajuste Exponencial Doble 66.516.513.435,38 Método de Holt 54.125.329.428.99 Métood de Holt Winters 73.136.3.3.234,21 Tabla 28 Comparación métodos (Clasificación A) Al analizar las gráficas de los apartados anteriores, como la Figura 18 y la Figura 5, se observa que ambas presentan patrones muy similares. Ambas tienden a aumentar con el paso del tiempo, aunque en el caso de la clasificación A este crecimiento es más sutil. Esto confirma que la clasificación A sigue un patrón de demanda con tendencia ascendente, lo cual es coherente con los resultados obtenidos mediante el método de medias móviles dobles. Este método, al ser especialmente adecuado para datos con tendencia, refuerza la validez de la clasificación A al proporcionar un ajuste preciso que captura el comportamiento creciente de la demanda a lo largo del tiempo. En la clasificación B, tras aplicar todos los métodos analizados, el que ha ofrecido los mejores resultados, es decir, el menor ECM, ha sido el método de medias móviles dobles, como se detalla en la siguiente tabla: Conclusión 60 Medias Móviles Simples 49.538.246.597,75 Ajuste Exponencial Simple 5.235.322.203,20 Medias Móviles Dobles 2.892.421.082,34 Ajuste Exponencial Doble 4.024.617.749,39 Método de Holt 4.515.253.628,43 Métood de Holt Winters 5.315.142.979,10 Tabla 29 Comparación métodos (Clasificación B) Al analizar las gráficas de la demanda de los productos de la clasificación B (Figura 26) y la demanda con tendencia (Figura 5), se observa que presentan diferencias significativas. La clasificación B muestra un patrón de demanda nivelada, sin una tendencia clara, a diferencia de lo esperado en un ajuste con el método de medias móviles dobles, que se adapta mejor a demandas con tendencia. Por ello, resulta sorprendente que este método haya proporcionado los mejores resultados en términos de precisión, destacando como el más adecuado a pesar de la naturaleza estable de la demanda en la clasificación B. Para la clasificación C, dado que únicamente se ha aplicado el método de medias móviles simples, no es posible determinar cuál sería el método más adecuado mediante una comparación. Sin embargo, al analizar su gráfica de demanda (Figura 33), se observa que sigue un patrón con tendencia. Por lo tanto, los métodos más apropiados para ajustar esta demanda podrían ser el de medias móviles dobles, el ajuste exponencial doble o el método de Holt. Al integrar la información de las tres clasificaciones (A, B y C), y enfocándose en las clasificaciones A y B debido a que a estas se les han aplicado todos los métodos, en comparación con la C, que solo ha utilizado un método, se concluye que el método que mejor se ajusta a la demanda de la empresa es el de medias móviles dobles. Este método es adecuado para demandas con tendencia, y como se observa en las Figuras 13 y 15, todos los productos presentan un ligero crecimiento, aunque sea muy leve. Por último, una previsión precisa de la demanda de los productos permite a la empresa realizar una planificación óptima en todas sus áreas internas con la debida anticipación. Esto se traduce en una mayor alineación con la demanda prevista, lo que puede generar un aumento en el beneficio económico, una reducción de costes y, al mismo tiempo, mantener o incluso mejorar la satisfacción del cliente. 61 9 GLOSARIO DE TÉRMINOS Método de Holt Ajuste exponenial por tendencia Método de Holt-Winters Ajuste exponencial por tendencia y estacionalidad ECM Error Cuadrático Medio MAPyA Ministerio de Agricultura, Pesca y Alimentación PBT Picos de pan + tortitas + barritas Glosario de términos 62 63 REFERENCIAS Chapman, S. (2006). Planificación y control de la producción. Pearson Educación. Chopra, S., & Meindl, P. (2013). Administración de la cadena de suministro. Estrategia, planeación y operación. Pearson Educación. González, R. G. (2012). Análisis ABC: Optimizar la distribución de inventarios y almacenes – PDCA Home. Pdcahome.com. https://www.pdcahome.com/analisis-abc/ Hanke, J., & Wichern, D. (2010). Pronósticos en los negocios. Pearson Educación. Heizer, J., & Render, B. (2007). Dirección de la producción y de operaciones Decisiones estratégicas. Pearson Educación. Heizer, J., & Render, B. (2009). Principios de administración de operaciones. Pearson Educación. Luca, S. (2020, junio 23). Análisis ABC - La explicación más importante en 2024. LUCA Logistic Solutions. https://www.luca.eu/es/luca-wiki/abc-analyse/ Nitisha. (2015). Objetivos de previsión de la demanda. https://www.economicsdiscussion.net/demandforecasting/demand-forecasting-concept-significance-objectives-and-factors/3557 Nogueira, D., Negrin-Sosa, E., Medina, A., & Pérez, A. (2001). Previsión de la demanda. Universidad de Matanzas. Onieva, L., Escudero, A., Cortés, P., Muñuzuri, J., & Guadix, J. (2017). Diseño y gestión de sistemas productivos. Dextra Editorial. Qué es la previsión de la demanda. (2022, diciembre 2). The Information Lab; The Information Lab Spain. https://www.theinformationlab.es/blog/que-es-la-prevision-de-la-demanda/ Riggs, J. (1999). Sistema de producción. Planeación, análasis y control. Limusa. Wardem Agency. (2023). Ciclo de vida de un producto. https://blog.wardem.com/analitica-digital/ciclo-vida- producto-etapas/