masterThesis
Metodología para la elaboración de pronósticos en la unidad de negocio de agroquímicos de una multinacional química integrando juicio humano con computador
Fecha
2014-03-11Registro en:
Alvarado, J. A. (2014). Human-Computer Cooperation in Demand Forecasting. Bogota: Universidad
Javeriana.
Armstrong, J. S. (2006). Findings from evidence-based forecasting: Methods for reducing forecast error.
Elsevier, 583-598.
Barrero, L., Alvarado, J. A., Velazquez, C., & Caballero, J. P. (2011). Human computer interaction in
forecasting. 31st International Symposium on Forecasting. Prague, Czech Republic.
Chamorro A., O., Caba V., N., & Fontalvo, T. J. (2011). Gestion de la Produccion y Operaciones.
Corporación para la Gestión del Conocimiento Asesores del 2000.
Chase, R., & Aquilano, N. (2009). Administracion de Operaciones: Produccion y Cadenas de Suministros (12
ed.). Mexico: MCGRAW-HILL / INTERAMERICANA DE MEXICO
Clemen, R. T. (1989). Combining forecasting: A review and annotated bibliography. International Journal of
Forecasting(55), 559-583
Cochran, W. G., & Cox, G. M. (1957). Experimental designs (Vol. 2nd Edition). New York: Wiley.
Elgers, P. T., May, H. L., & Murray, D. (1995). Note on adjustments to analysts’ earning forecasts based
upon systematic cross-sectional components of prior-period errors. Management Sci(41), 1392–
1396
Fisher, R. A., & Yates, F. (1957). Statistical Tables for Biological. Agricultural and Medical Research.
Fowlkes, W. Y., & Creveling, C. M. (1995). Engineering Methods for Robust Product Design: Using Taguchi
Methods in Technology and Product Development. Reading MA.: Addison-Wesley Publishing
Company
Goodwin, P. (2000). Correct or Combine? Mechanically integrating judgmental forecasts with statistical
methods. International Journal of Forecasting(16), 261-275
Goodwin, P. (2002). Integrating management judgment and statistical methods to improve short-term
forecast. Omega-International Journal of Management Science(30(2)), 127-135
Goodwin, P., & Fildes, R. (1999). Judgmental forecasts of time series affected by special events: does
providing a statistical forecast improve accuracy. Journal of Behavioral Decision Making(12), 37-
53.
Hanke, J. E., & Wichem, D. W. (2006). Pronosticos en los negocios. En J. E. Hanke, & D. W. Wichem,
Pronosticos en los negocios (págs. 1-12, 78-81). Mexico: Editorial Pearson Prentice Hall
Humerez, J. (2012). Combinacion de Pronosticos: Una aplicacion a la Inflacion de Bolivia. Revista de
Analisis, 16, 70.
Jones, D. R., & Wheeler, P. (2006). Understanding and attenuating decision bias in the use of model advice
and other relevant information. Decision Support Systems, 42(3), 1917-1930.
Lawrence, M. P., Goodwin, M., O´Connor, M., & Onkal, D. (2006). Judgmental forecasting: a review of
progress over the last 25 years. International Journal of Forecasting(22), 493-518.
Lim, J., & O´Connor, M. (1995). Judgmental adjustment of initial forecasts - its effectiveness and biases.
Journal of Behavioral Decision Making(8), 149-168.
Macgregor, D. G. (2001). "Decomposition for judgmental forecasting and estimation,” in J. S. Armstrong
(ed.), Principles of Forecasting. Boston: Kluwer Academic Publishers.
Makridakis, S., & Winkler, R. L. (1983). Averages of Forecasts: Some Empirical Results. Management
Science(29), 987-996.
Pindyck, R. (2001). Econometría y modelos de pronóstico. Mexico: Editorial Mc Graw Hill
Roy, R. (2001). Design of expiriments using the Taguchi approach: 16 steps to product and process
improvement. John Wiley & Sons.
Sanders, N. R. (1997). The Status of Forecasting in Manufacturing Firms. Production & Inventory
Management Journal, 38(2), 32-36
Sanders, N. R., & Manrodt, K. B. (1994). Forecasting Practices in US Corporations: Survey Results.
Interfaces, 24(2), 92-100.
Sanders, N. R., & Manrodt, K. B. (2003). The efficacy of using judgmental versus quantitative forecasting
methods in practice. Omega, 31(6), 511-522.
Weiss, S. M., & Indurkhya, N. (1997). Predictive Data Mining: A Practical Guide (The Morgan Kaufmann
Series in Data Management Systems). San Francisco: Morgan Kaufmann Publisher, Inc.
259082
TE06342
Autor
Alvarado Valencia, Jorge Andrés
Institución
Resumen
Esta investigación se centro en la necesidad de integrar la información adicional causal (factor lluvias), el pronóstico estadístico y el pronóstico generado por el experto del negocio, mediante metodologías de integración como lo son descomposición, ajuste y combinación, con objeto de lograr un pronóstico de mejor calidad que apuntara al menor error entre el pronóstico y la venta real. Se desarrollo un diseño de experimentos para probar cual de las tres metodologías mencionadas era la mejor y se aplico regresión lineal a diferentes arreglos de productos; los resultados de la investigación mostraron que la mejor forma de integración de pronósticos es mediante regresión lineal, teniendo considerables mejores en métricas como días de inventario, forecast accuracy y bias%. Se propuso finalmente un modelo predictivo para el mejoramiento de pronósticos en la multinacional química sujeto a revisión periódica.