CASO EC CREAMERY

[pic 1]

Gestión de la Cadena de Suministro e Introducción a las Compras

Programa: Diplomatura de Estudio en Gestión Avanzada de Compras

Fecha:  17/01/2021

Profesor: Phd (c). Mg. Lic Julio Esquivel Aliaga

Asignación: Caso EC Creamery

Integrantes:   Patty Colan

                   Cyndy Flores

                   Brian Yarasca  

CASO EC CREAMERY

Resuelto:

1. Genere pronósticos de ventas (en $) para las SKU GreeCream y YoCream y para las regiones Norte y Sur para los próximos seis meses (octubre, noviembre, diciembre, enero, febrero, marzo). Para ello, deberá limpiar los datos, seleccionar los datos relevantes y seleccionar e implementar métodos de previsión adecuados.

El pronóstico de ventas para los meses (octubre, noviembre, diciembre, enero, febrero, marzo). Se muestran en el siguiente cuadro. Se obtuvo con la aplicación del Método de medias móviles para modelos estacionales a la data histórica, previamente se limpiaron los datos atípicos. En el Excel adjunto se encuentra el detalle y las formulas aplicadas. Tabla 1

Tabla 1

Cálculos:

Se obtiene el factor estacional con la siguiente formula:

[pic 2]

Se calcula el pedido desestacionalizado:

[pic 3]

Se calcula el pronóstico lineal de los pedidos desestacionalizado del mes correspondiente:

[pic 4]

Se multiplica el pronóstico lineal obtenido por el factor estacional y se obtiene el pronóstico de los pedidos y posteriormente se multiplica por el precio de venta.

 [pic 5]

1. Por favor, documente su trabajo para 1) arriba en un memorando para su revisión por el Director de Operaciones (COO). En esta nota, por favor, aborde brevemente lo siguiente:

1. Explique brevemente cómo detectó puntos de datos de tasa corruptos/inexactos y si/cómo abordó estos problemas antes de implementar sus cálculos de pronóstico.

Para detectar los datos atípicos (corruptos) procedimos a realizar las siguientes operaciones:  

• Dividimos el valor de las ventas por la cantidad de pedidos para de esta forma observar de manera más sencilla los precios de venta atípicos, de acuerdo al texto los precios son una constante con ligera variación.
• No se consideró los datos del primer año para el cálculo del pronóstico debido a que no se tiene una data completa.
• Se completaron los datos del cuarto año (febrero, marzo, abril) con la información estacional de la data histórica.

Por ejemplo: históricamente en los periodos de febrero se tiene una tendencia a la baja (no se realiza el método de promedio móviles estacionales debido a que se cuenta con poca data histórica en ese año) el cual es de -11%, entonces se deduce que el pedido total del mes anterior multiplicado por la tendencia nos da 2,164*89%=1,926. Asimismo, para los meses de marzo y abril. Tabla 2

Tabla 1

[pic 6]

1. ¿Usó ventas (en $) u pedidos (en casos) o ambos para generar su pronóstico? ¿Porqué? ¿Ha considerado los precios de los productos en sus cálculos de previsión? En caso afirmativo, ¿cómo?

Para la evaluación del pronóstico se usó como data los pedidos debido a que a inicios del año 5 se incrementó el precio de venta, este incremento significa un cambio en el valor de las ventas que no permitiría tener una data histórica en las mismas condiciones, por este motivo se considera necesario hacer uso de la data de pedidos y posteriormente hacer la operación de multiplicar estos valores por el precio de venta y así obtener pronósticos más confiables.

1. ¿Qué método(s) de previsión ha(s) ha(n) y por qué? ¿Qué características de los datos tuvo en cuenta al seleccionar su(s) método(s) de pronóstico?

Usamos el Método de medias móviles para modelos estacionales ya que este método es más preciso en este tipo de datos (estacionales). Como se observa en el cuadro los pedidos de GreeCream (Norte) Existe una marcada tendencia en ciclos de enero (subidas) a octubre (bajas).