Saltar al contenido principal

Sección 8. Módulo de Previsión: Previsión

##8.A. Previsiones de consumo

Los pronósticos basados en el consumo, que se basan en datos de consumo históricos, son más útiles en programas maduros y estables que cuentan con un suministro completo de unidades de planificación y datos confiables. Este método puede ser el predictor más fiable del consumo futuro si se prevé que el uso futuro será muy similar al pasado. Por lo tanto, un usuario debe poder extrapolar datos históricos (idealmente, hay disponibles más de 24 meses de datos de consumo real mensual) y los datos deben ser una serie de datos a lo largo del tiempo (es decir, consumo mensual real ajustado).

Hay cuatro componentes básicos para un pronóstico de consumo:

Pronóstico $\cong$ Base + Tendencia + Temporada + Aleatorio

Diferentes modelos de extrapolación utilizarán diferentes métodos estadísticos para estimar estos diferentes componentes y producir un pronóstico. En QAT, los usuarios seguirán tres pasos para producir un pronóstico basado en el consumo:

  1. Importar/ingresar datos de consumo real: Esto se puede hacer importando datos desde el módulo de planificación de suministro QAT o ingresando datos manualmente.
  2. Ajustar los datos de consumo real: agregando la tasa de informes y los desabastecimientos, y/o interpolando los datos faltantes.
  3. Extrapolar datos de consumo real: Para producir un pronóstico. QAT tiene cinco métodos de extrapolación diferentes para elegir: medias móviles, semimedias, regresión lineal, suavizado exponencial triple (TES, Holt-Winters) y media móvil integrada autorregresiva (ARIMA).

8.A.1. Importar/Introducir datos reales​

Hay dos formas en que un usuario puede agregar datos de consumo real a su programa:

  1. Importar datos de consumo real de un programa existente en el módulo de planificación de suministro QAT, o
  2. Ingrese datos manualmente en la pantalla "Ingreso de datos y ajustes" en el módulo Pronóstico QAT.

Pasos para importar datos desde el módulo de planificación de suministro QAT:​

  1. Navegue hasta la pantalla Pronóstico basado en el consumo → Importar desde plan de suministro QAT.
  2. Elija el Programa de Pronóstico, Rango de datos de Consumo Real a importar, el programa Plan de Suministro y luego la versión del Plan de Suministro. Nota: solo los programas de pronóstico que se hayan descargado en la computadora local del usuario estarán disponibles en el menú desplegable de "Programa de pronóstico". Consulte Descargar/eliminar programa para saber cómo descargar un programa a la computadora local.
  3. Luego, los usuarios asignarán la Unidad de planificación del plan de suministro a la Unidad de planificación de pronósticos. Nota: solo las unidades de planificación que se hayan agregado al Programa de pronóstico en la pantalla "Actualizar unidades de planificación" y para las cuales hayamos marcado la casilla de pronóstico de consumo estarán disponibles en el menú desplegable de "Unidad de planificación de pronóstico". Consulte Unidades de planificación del módulo de pronóstico para saber cómo agregar unidades de planificación a un programa de pronóstico.
  4. Elija "No importar" en el menú desplegable para cualquier PU que no coincida automáticamente. En caso de que tenga muchas PU y desee seleccionar "No importar" para todas las que no están asignadas, puede marcar la casilla "No importar todas las unidades de planificación no asignadas".
  5. Los usuarios eligen qué región se debe importar al programa de pronóstico y también proporcionan información sobre el porcentaje del consumo real que se debe importar al programa de pronóstico.
  6. El último paso permitirá a los usuarios volver a verificar los datos de consumo real del plan de suministro para asegurarse de que están importando la unidad de medida y los meses de datos correctos. Si los datos ya existen en el programa de pronóstico, se resaltarán en amarillo. Si un usuario importa datos resaltados en amarillo, esta nueva importación anulará los datos que ya existen en el programa de pronóstico. Los usuarios pueden desmarcar manualmente los meses de datos que no se importarán, si lo desean.
  7. Haga clic en Importar.

Pasos para ingresar datos de consumo real manualmente:​

  1. Navegue hasta la pantalla Pronóstico basado en el consumo → Entrada de datos y ajustes.
  2. Seleccione el programa de pronóstico y el período de revisión deseado. De forma predeterminada, QAT preselecciona un rango de fechas de 36 meses antes del inicio del período de pronóstico. Se muestra una tabla no editable y todos los productos relacionados con este programa de pronóstico, junto con sus datos de consumo ajustados si previamente ha ingresado esos datos; de lo contrario, verás celdas amarillas indicando que no se han ingresado datos de consumo. Por defecto, los productos y el consumo se muestran en unidades de planificación. El usuario también puede expandir cada fila de la tabla para mostrar el consumo por región, si administra un programa multirregional.
  3. En la tabla superior, haga clic en una unidad de planificación para mostrar la tabla de datos detallada a continuación para esa unidad de planificación. La tabla de datos detallada tendrá una sección para cada región de su programa.
  4. La tabla de datos detallada permite a los usuarios agregar, editar, ajustar o eliminar registros históricos de consumo.
    • a. Si desea ingresar datos manualmente, ingrese el consumo histórico para cada región y mes en la fila "Consumo real".
    • b. Si ha importado datos de QAT, verá su consumo histórico importado en la fila "Consumo real". -c. Por defecto, se supone que los datos se ingresan en la Unidad de Planificación. Sin embargo, el usuario puede especificar la unidad apropiada para los datos detallados haciendo clic en el enlace "cambiar" debajo del nombre de la Unidad de planificación y, en la ventana emergente siguiente, eligiendo ingresar datos usando la unidad de planificación, las cantidades de las unidades de pronóstico (aplicando un factor de conversión administrado por el reino) u otra unidad ingresada por el usuario (y factor de conversión).
  5. Una vez que un usuario ingresa datos en la fila "Consumo real" en la tabla de datos inferior, haga clic en Enviar para guardar las entradas y visualizarlas en el gráfico.
    • Los usuarios también pueden copiar y pegar datos de Excel u otros formatos tabulares en la fila "Consumo real".

8.A.2. Ajustes​

Propósito: Permitir a los usuarios preparar datos históricos de consumo antes de pasar a la pantalla "Extrapolación". El consumo real histórico puede ser cantidades vendidas, cantidades dispensadas al usuario o cantidades emitidas por las instalaciones de almacenamiento. En esta pantalla, los usuarios pueden ajustar los datos de consumo históricos que se ingresaron manualmente en esta pantalla o que se importaron desde un programa de plan de suministro QAT.

Usando esta pantalla:​

  1. Métodos de extrapolación disponibles en QAT: Los métodos de pronóstico en QAT están organizados de simples a sofisticados.
    • a. Promedio móvil: El promedio móvil es un promedio que se mueve a lo largo del tiempo, eliminando datos más antiguos a medida que incorpora datos más nuevos. Para que QAT calcule el promedio móvil, ingrese la cantidad de meses en el pasado que le gustaría usar en el cálculo del promedio. El usuario puede seleccionar cualquier número entero positivo para este campo. Introducir 5, por ejemplo, significaría que la proyección para el siguiente mes de la serie sería el promedio del consumo de los cinco meses anteriores. Este método es más útil para pronósticos a corto plazo y es sensible a las tendencias. No es apropiado para datos estacionales.
    • b. Semipromedios: Estimaciones de tendencias semipromedias basadas en dos mitades de una serie. QAT divide los datos reales en dos partes iguales (mitades) y la media aritmética de los valores de cada parte (mitad) se calcula como los valores "y" de dos puntos en una línea. La pendiente de la línea de tendencia está determinada por la diferencia entre estos valores "y" a lo largo del tiempo, según lo definido por la diferencia de los puntos medios de las dos mitades de la serie, o valores "x", de los puntos. Este método es sensible a las tendencias y útil para pronósticos a corto y mediano plazo, pero no es apropiado para datos estacionales. -c. Regresión lineal: La regresión lineal modela la relación entre dos variables ajustando una ecuación lineal a los datos observados. Intervalo de confianza: entre 0 % y 100 % (exclusivo); por ejemplo, un nivel de confianza del 90 % indica que el 90 % de los posibles puntos futuros caerán dentro de este radio de la predicción representada por la línea de regresión. Este método no es apropiado para datos estacionales.
    • d. Suavizado triple exponencial (Holt-Winters): En estadística, se utilizan diferentes tipos de suavizado para filtrar el ruido de modo que podamos ver patrones en un conjunto de datos de series temporales con mayor claridad. El suavizado exponencial utiliza datos más antiguos con pesos que disminuyen exponencialmente a lo largo del tiempo. Los parámetros de suavizado en el suavizado exponencial se establecen entre 0 y 1, donde los valores cercanos a 1 favorecen los valores recientes y los valores cercanos a 0 favorecen los valores más antiguos. Los usuarios que utilizan suavizado exponencial triple pueden elegir cuatro parámetros:
      • alfa, se aplica al nivel o línea base del conjunto de datos. Los valores alfa más altos dan más peso a los datos más recientes. El parámetro predeterminado QAT para alfa es 0,2.
      • beta, determina con qué intensidad se deben valorar las tendencias recientes en comparación con las tendencias más antiguas. El parámetro predeterminado QAT para beta es 0,2.
      • gamma, refleja el componente estacional del pronóstico. Estacional generalmente se refiere a patrones que se repiten dentro de un año. Cuanto mayor sea la gamma, más ponderación se aplicará al componente estacional más reciente de los datos. El parámetro predeterminado QAT para gamma es 0,2.
      • Intervalo de confianza: entre 0% y 100% (exclusivo) p.e. El nivel de confianza del 90% indica que el 90% de los puntos futuros estarán dentro de este radio de predicción. El intervalo de confianza predeterminado de QAT es del 85%.
      • QAT solo calculará pronósticos de TES para conjuntos de datos con 24 o más meses de datos.
    • e. ARIMA: ARIMA o media móvil integrada autorregresiva permite integrar dos modelos estadísticos diseñados para series temporales estacionarias y aplicarlas a series temporales no estacionarias, es decir, series temporales que tienen tendencias o estaciones. A menudo se aplica a pronósticos a corto plazo. "Auto-regresivo" significa que cada punto de la regresión está influenciado por sus valores anteriores y "promedio móvil" implica que cada punto es un promedio, una combinación lineal de uno o más puntos adyacentes. Tanto la autorregresión como la media móvil se "integran" juntas para ajustarse al mejor modelo para la serie mediante la diferenciación o, literalmente, utilizando la diferencia entre puntos de una serie temporal para el análisis en lugar de los valores brutos. Los modelos ARIMA tienen tres parámetros:
      • p o AR (orden de retraso): el número de observaciones de retraso en el modelo. El parámetro predeterminado QAT

er para p es 0.

  • d o I (grado de diferenciación): el número de veces que se diferencian las observaciones sin procesar. Este valor normalmente es 1 (si hay tendencia) o 0 (sin tendencia). Otros valores más altos son posibles pero no esperados. El parámetro predeterminado QAT para d es 1.
  • q o MA (orden de la media móvil): el tamaño de la ventana de media móvil o el número de observaciones diferenciadas que se van a promediar. El parámetro predeterminado QAT para q es 1.
  • Intervalo de confianza: entre 0% y 100% (exclusivo) p.e. El nivel de confianza del 90% indica que el 90% de los puntos futuros estarán dentro de este radio de predicción. El intervalo de confianza predeterminado de QAT es del 85%.
  • El cálculo de ARIMA puede ser estacional o no estacional, según la elección del usuario y la comprensión de sus datos y expectativas sobre si el consumo de un producto en particular está sujeto o no a influencias estacionales. La selección predeterminada de QAT es para ARIMA estacional. QAT solo calculará pronósticos ARIMA para conjuntos de datos con 13 o más meses de datos.

  1. Hay tres formas de ajustar los datos:

    • un. Ajuste por falta de informes: El valor predeterminado es 100% de informes cada mes. El usuario puede cambiar esto al valor correcto. QAT calculará el consumo ajustado debido a la subregistro. El cálculo supone que las instalaciones que no reportaron ningún consumo tuvieron la misma tasa de consumo que las que sí lo hicieron.
    • b. Ajuste por desabastecimiento: Para datos importados, la cantidad de días de desabastecimiento se extrae del programa del plan de suministro QAT, si se recopilan datos. El valor predeterminado para los días de desabastecimiento es cero días (se supone que el producto siempre está en stock). El usuario puede cambiar esto al valor correcto y QAT calculará el consumo ajustado debido a desabastecimientos. El cálculo supone que los días que el producto estuvo agotado habrían tenido el mismo ritmo de consumo que el resto del tiempo que el producto estuvo en stock. El valor predeterminado para la cantidad de días en un mes se basa en los días del calendario, pero los usuarios pueden ajustar la cantidad de días utilizados para el cálculo del desabastecimiento en "Actualizar configuración de versión". Tasa de desabastecimiento = Desabastecimiento (días) / # de días en el mes Consumo ajustado = Consumo real / [Tasa de informe $\times$ (1 - Tasa de desabastecimiento)] Ejemplo: Para un mes determinado, un producto tuvo un consumo de 1000 unidades, estuvo agotado durante 5 de los 31 días del mes y la tasa de informe fue del 98%: Tasa de desabastecimiento = 5 / 31 = 16,1% Consumo ajustado = 1.000 / [0,98 $\times$ (1 - 0,161)] = 1.217 unidades -c. Ajustar los valores faltantes: Haga clic en el botón verde "Interpolar" en el centro derecho de la pantalla para buscar períodos donde el valor de consumo está en blanco y reemplazarlos con un valor interpolado. QAT interpola encontrando los valores más cercanos en cada lado (antes o después del espacio en blanco), calcula la línea recta entre ellos y usa esa fórmula de línea recta para calcular el valor de los espacios en blanco. Tenga en cuenta que QAT no interpolará para los meses en los que el consumo real sea cero. QAT solo interpolará si hay al menos un punto de datos antes y un punto de datos después de los valores en blanco. Matemáticamente:
      • Donde $x$ representa meses y $y$ representa el consumo real,
      • Donde los valores de datos conocidos son $(x_0, y_0)$ y $(x_1, y_1)$
      • Donde los valores de datos desconocidos son $(x, y)$
        • La fórmula para la línea interpolada es $y = y_0 + (x - x_0) \times (y_1 - y_0) / (x_1 - x_0)$

  2. Utilice la tabla de Datos detallados para revisar el consumo ajustado.

  3. Haga clic en Enviar para guardar los datos ingresados/ajustados. Una vez que se guarden los ajustes, el gráfico se actualizará.

  4. Repita los pasos 1 a 3 para cada unidad de planificación que deba ajustarse.

8.A.3. Extrapolación​

Propósito: Permitir a los usuarios crear un pronóstico identificando tendencias y temporadas a partir de datos de series de tiempo históricas ingresados por el usuario en la pantalla "Ingreso y ajuste de datos". Hay varias opciones de extrapolación estadística disponibles. Las extrapolaciones de los datos de consumo se realizan unidad de planificación por unidad de planificación.

Usando esta pantalla:​

  1. Comenzando con la extrapolación:

    • Antes de utilizar esta pantalla, asegúrese de haber completado la pantalla "Ingreso y ajuste de datos" para cada unidad de planificación y región que desee extrapolar.
    • Utilice los filtros en la parte superior de esta pantalla para seleccionar la unidad de planificación, la región a extrapolar y el rango de fechas para utilizar los datos históricos.
    • El usuario podrá seleccionar uno o varios de los métodos de extrapolación disponibles en QAT, según corresponda al patrón general de consumo y a los datos disponibles.
    • Tenga en cuenta que los cambios en esta pantalla son opcionales: QAT aplica automáticamente los parámetros de extrapolación predeterminados a todas las unidades de planificación después de que se haya completado la pantalla Ajustes. Luego, el usuario realiza la selección final del pronóstico en la pantalla "Comparar y seleccionar".

  2. ¿Qué método de extrapolación debo utilizar? A continuación se presentan algunas consideraciones para seleccionar un método de pronóstico. Los métodos de pronóstico en QAT están organizados de simples a sofisticados. En general,

    • Los modelos más sofisticados son más sensibles a los problemas en los datos.
    • Si tiene datos más deficientes (puntos de datos faltantes, tasas de informes variables, <12 meses de datos), es probable que los métodos de pronóstico más simples, como los promedios móviles, sean más útiles.
    • La elección del método de extrapolación depende del patrón esperado en los datos. Algunos patrones típicos incluyen:
      • Estacionario, donde el rango de valores observados a lo largo del tiempo ronda un promedio. Los modelos aplicados a dichos conjuntos de datos pueden incluir: Media móvil, ARIMA (no estacional).
      • Tendencia sin componente estacional, donde los valores observados tienen una tendencia creciente o decreciente. Los modelos aplicados a dichos conjuntos de datos pueden incluir: semipromedios y regresión lineal.
      • Tendencia y estacional, donde los valores observados en un conjunto de datos tienen componentes tanto de tendencia como estacionales. Los modelos aplicados a dichos conjuntos de datos pueden incluir: ARIMA (estacional), Suavizado Triple Exponencial (Holt-Winters).
      • Estacional sin tendencia, donde los valores observados tienen componente estacional pero no tendencia. Los modelos aplicados a dichos conjuntos de datos pueden incluir: Suavizado triple exponencial (Holt-Winters).
    • Los modelos aquí sugeridos no son exhaustivos ni excluyentes. QAT permite al usuario aplicar una variedad de métodos de extrapolación y luego compararlos utilizando métricas de error de pronóstico o de mejor ajuste.
    • El segundo paso es considerar si se espera que los valores previstos reflejen fielmente los patrones históricos de sus datos y, por tanto, si utilizará las métricas de error para informar su selección. Al elegir un resultado (ya sea ignorando la métrica de error o no), será importante documentar su justificación para hacerlo para informar las discusiones o revisiones de su pronóstico y para ayudar a los futuros pronosticadores a respaldar sus decisiones.

  3. ¿Cómo interpreto los errores? QAT calcula automáticamente las métricas de error de pronóstico utilizando varios métodos. Estos incluyen:

    • MAPE (Error porcentual absoluto medio): Puede interpretarse como la diferencia porcentual promedio entre las predicciones y sus objetivos previstos en el conjunto de datos. Por ejemplo, si MAPE es del 15%, entonces sus predicciones están en promedio un 15% lejos de los valores reales. MAPE = (1 / N) $\times \sum$ |(real - pronóstico) / real| $\veces$ 100
    • WAPE (Error porcentual absoluto ponderado): WAPE es una métrica apropiada cuando el conjunto de datos utilizado tiene valores bajos o intermitentes. Un porcentaje WAPE de 5 significa que el pronóstico estuvo equivocado en un 5% en todo el conjunto de datos durante un determinado período de evaluación. Dependiendo del caso de uso, se recomienda elegir un modelo que proporcione el menor valor WAPE. WAPE = [$\sum$ |real - pronóstico| / $\suma$ real] $\veces$ 100
    • RMSE (Error cuadrático medio): El RMSE se puede interpretar como el error promedio que tienen las predicciones del modelo en comparación con las reales, con un peso adicional agregado a los errores de predicción más grandes. Generalmente, cuanto más cerca esté el RMSE de cero, más preciso será el modelo. RMSE = $\sqrt$[$\sum$ (real - pronóstico)$^2$ / N]
    • MSE (error cuadrático medio): MSE es la media agregada de la diferencia al cuadrado entre los datos reales y las predicciones. Debido a esta cuadratura se resaltan grandes errores. MSE es útil cuando se trabaja en modelos donde se deben minimizar grandes errores ocasionales. Generalmente, cuanto más cerca esté de 0, más preciso será el modelo. MSE = $\sum$ (real - pronóstico)$^2$ / N
    • R² (Coeficiente de Determinación): $R^2$ = 1 - SSR / SST Donde la suma al cuadrado de los residuos de la regresión (SSR) es la suma de sus residuos al cuadrado, y la suma total de cuadrados (SST) es la suma de la distancia entre los datos y la media, todo al cuadrado. El valor $R^2$ es siempre un número entre 0 y 1. $R^2$ es una medida del ajuste de una línea de regresión a una serie de observaciones históricas con valores más cercanos a 1 que indican una correspondencia más fuerte entre los valores reales y predichos (modelo de regresión). No es una medida de error y no debe usarse por sí sola para evaluar la idoneidad de una predicción, sino en combinación con otras métricas de error y el conocimiento del programa por parte del usuario.

    Aparte de $R^2$, cuanto menor es la puntuación, más se ajusta el resultado del método de pronóstico a los datos históricos. En los modelos en los que se espera que los patrones históricos en un conjunto de datos se reflejen en los valores futuros, se podría usar un valor de error bajo para ayudar a seleccionar un método de extrapolación preferido, y QAT resaltará estos mejores ajustes en una tabla. Sin embargo, si se anticipan cambios sustanciales que no se ajustan a los datos históricos, la extrapolación que mejor se ajusta puede no ser el pronóstico más apropiado a seleccionar. Para hacer la mejor selección entre los métodos de extrapolación para su propósito, antes de revisar las métricas de error, lo más importante es primero comprender qué método de extrapolación es el más apropiado para el patrón esperado en los datos.

  4. Optimización de los parámetros de pronóstico de TES y ARIMA: Los usuarios son libres de utilizar los valores predeterminados de QAT o ingresar parámetros de pronóstico alternativos con la intención de reducir las métricas de error, aumentando así la correspondencia entre los resultados del método de pronóstico y los puntos de datos reales en el período de datos históricos. Si el usuario está trabajando en línea, QAT puede optimizar los parámetros TES y ARIMA iterando, calculando el RMSE de cada iteración y seleccionando los parámetros que producen el RMSE más bajo.

    • Para TES, QAT calcula 125 iteraciones del pronóstico, probando cada uno de los parámetros alfa, beta y gamma en combinación con los siguientes valores: 0, 0,2, 0,4, 0,8 y 1. Cualquiera de las 125 combinaciones para un producto determinado que produzca el resultado con el RMSE más bajo se mostrará en la pantalla de extrapolación.
    • Para ARIMA o ARIMA estacional, QAT calcula 24 iteraciones del pronóstico, probando cada uno de los parámetros p, d y q en combinación, utilizando los siguientes valores:
      • p: 0 o 1
      • d: 0, 1 o 2
      • q: 0, 1, 2 o 3 Cualquiera de las 24 combinaciones para un producto determinado que produzca el resultado ARIMA con el RMSE más bajo se mostrará en la pantalla de extrapolación.
    • Nota: Las estadísticas no son mágicas. El supuesto subyacente de todos estos métodos de extrapolación es que las tendencias y patrones de los datos históricos continuarán en el futuro. Por lo tanto, las métricas de bajo error no necesariamente garantizan un mejor pronóstico.

  5. Extrapolación masiva: En la pantalla de extrapolación QAT, el usuario puede comparar los resultados de los distintos métodos de extrapolación tanto gráficamente como en una tabla de resultados, producto por producto. Esto permite al usuario anular la selección de métodos de extrapolación que considere que no se aplican a un producto determinado para limitar las opciones en la pantalla Comparar y Seleccionar solo aquellas que el usuario elija mostrar. Si el usuario prefiere enviar todos los resultados de los métodos de extrapolación disponibles para más de un producto directamente a la pantalla Comparar y Seleccionar, el usuario puede seleccionar la extrapolación masiva. Desde la ventana emergente Extrapolación masiva, el usuario puede seleccionar un rango de fechas histórico desde el cual extrapolar el pronóstico (solo un rango de fechas por extrapolación masiva), si desea aplicar estacionalidad a su cálculo ARIMA, qué unidades de planificación y regiones (si se utilizan datos regionales) incluir en la extrapolación masiva y si optimizar o no los parámetros ARIMA y TES para la extrapolación. Después de ejecutar la extrapolación masiva, todos los resultados se pueden ver en la pantalla de extrapolación, la pantalla de comparación y selección y el cuadro desplegable de la pantalla de resumen de pronóstico (regional). El usuario puede seleccionar su método de extrapolación preferido desde la pantalla Comparar y seleccionar o la pantalla Resumen de pronóstico (regional). La extrapolación masiva en QAT es particularmente útil cuando se trabaja con un gran conjunto de productos para los cuales se dispone de datos de consumo oportunos, completos y precisos durante 12 meses o más.

##8.B. Previsiones de árboles

Los usuarios pueden realizar un pronóstico basado en árboles si los datos necesarios para un pronóstico basado en el consumo no están disponibles o no son útiles para predecir el consumo futuro. Los pronósticos en árbol se adaptan de manera flexible a todos los demás métodos de pronóstico, como morbilidad, servicios y métodos demográficos. Los usuarios pueden especificar cambios a lo largo del tiempo en un árbol, ya sea especificando directamente la tasa de cambio o extrapolando a partir de datos pasados.

8.B.1. Construyendo un árbol​

Propósito: Permitir a los usuarios:

  1. Ver una lista de sus árboles existentes.
  2. Edite un árbol existente haciendo clic en cualquier fila.
  3. Haga clic derecho en una fila para:
    • Duplicar árboles existentes: Los usuarios también pueden duplicar un árbol existente en otro programa. Los usuarios deben tener acceso a ambos programas y haberlos descargado en su computadora local para duplicarlos.
    • Eliminar árboles existentes: Habrá una pantalla de confirmación, pero esta acción es irreversible a partir de entonces. Sin embargo, si elimina accidentalmente un árbol, puede volver a descargar un programa si se ha realizado una copia de seguridad del árbol eliminado en el servidor.
    • Tabla de árbol: Esto permite al usuario editar el árbol seleccionado en la pantalla Tabla de árbol.
  4. Agregue un nuevo árbol a un programa descargado haciendo clic en el menú desplegable "Crear o Seleccionar" en la esquina superior derecha de la pantalla. Se pueden construir nuevos árboles:
    • Manualmente - seleccione '+ Dibujar su propio árbol'
    • Desde una plantilla de árbol: seleccione el nombre de la plantilla deseada.

Nota: Los espectadores de pronósticos pueden ver cualquier árbol que se haya subido al servidor y al que tengan acceso; sin embargo, solo los usuarios/administradores de Forecast podrán crear y editar/actualizar árboles.

Usando esta pantalla:​

  • Primero se debe descargar un programa de pronóstico para construir o editar un árbol.
  • Antes de construir y editar un árbol, primero agregue las unidades de planificación del programa de pronóstico en la pantalla "Actualizar unidades de planificación".
  • ¿Construir un árbol similar a un árbol existente?
    • Misma estructura, números diferentes: Construye solo un árbol y usa la función de escenario.
    • Estructura ligeramente diferente: Duplica un árbol existente haciendo clic derecho en una fila y seleccionando "Duplicar árbol".
  • Los usuarios también pueden eliminar árboles haciendo clic derecho en una fila y seleccionando "Eliminar árbol".

8.B.2. Tipos y funciones de nodos​

Construcción del árbol: El árbol de pronóstico se construye de arriba hacia abajo, utilizando diferentes tipos de "nodos". Cada árbol de pronóstico debe comenzar con un nodo Agregación o un nodo Número e incluir uno o más nodos Unidad de planificación, que forman el resultado del pronóstico.

Acciones de nodo:​

  • Eliminar: Elimina el nodo seleccionado y todos sus hijos.
  • Copiar/Mover: Copia o mueve el nodo seleccionado y todos los elementos secundarios debajo del nodo.
  • Agregar plantilla de rama: Agrega una plantilla de árbol como una rama debajo del nodo elegido.
  • Agregar: Agrega un niño al nodo seleccionado.
  • Contraer/Expandir: Contraer/Expandir el nodo actual y todos sus hijos.

Tipos de nodos:​

Tipo de nodoValorNiños potenciales
Agregación $\sum$Suma de nodos hijos.$\sum$ o Número
Número #Definido en este nodo.% o FU
Porcentaje %Porcentaje del padre.% o FU
Nodo de embudoSuma de nodos de origen vinculados.% o FU
Unidad de previsiónPorcentaje de los parámetros de la unidad matriz y de previsión.Unidad de Planificación
Unidad de PlanificaciónPorcentaje de los parámetros de la unidad matriz y de planificación.Ninguno

Atributos del nodo:​

  • $\sum$ Atributos específicos del nodo de agregación: Ninguno: se define por la suma de sus hijos.
  • # Número de atributos específicos del nodo:
    • Unidad de nodo: Menú desplegable que consta de paciente, cliente, cliente, personas o unidad.
    • Mes: Elija el mes/año desde el que se informaron estos datos.
    • Valor de nodo: Defina el valor numérico para este nodo.
  • % Porcentaje de atributos específicos del nodo:
    • Unidad de nodo: Menú desplegable que consta de paciente, cliente, cliente, personas o unidad.
    • Mes: Elija el mes/año desde el que se informaron estos datos.
    • Porcentaje de nodo padre: Define el porcentaje del nodo padre.
    • Valor principal por mes: No editable y proporcionado solo como referencia.
    • Valor de nodo: Calculado automáticamente por QAT en función del porcentaje definido por el usuario y el valor principal.
  • Atributos específicos del nodo Unidad de pronóstico:
    • Mes: Elija el mes/año desde el que se informaron estos datos.
    • Porcentaje de nodo padre: Define el porcentaje del nodo padre.
    • Valor principal por mes: No editable y proporcionado solo como referencia.
    • Porcentaje del valor principal del mes: No editable y proporcionado únicamente como referencia.
    • Categoría de rastreador: Menú desplegable que se puede utilizar para ayudar a reducir las unidades de pronóstico, pero se completará automáticamente una vez que se elija la unidad de pronóstico.
    • Copiar desde plantilla: Funcionalidad avanzada, en la que un usuario puede utilizar una plantilla de uso para ayudar a construir un árbol de manera eficiente.
    • Unidad de pronóstico: Menú desplegable de todas las unidades de pronóstico disponibles en el programa de usuario.
    • Unidad de planificación: Menú desplegable filtrado según la unidad de previsión elegida.
    • Tipo de Uso:
      • Discreto: Cada _______ [unidad de nodo principal] requiere _________ [unidad de medida de pronóstico] __________ veces por [día/semana/mes/año] durante _____________ [día/semana/mes/año]
        • Calcular (Todo en el primer mes/Mes por mes): Si se selecciona "Todo en el primer mes", QAT cargará por adelantado la cantidad total pronosticada al mes de inicio del nodo. Si selecciona "Mes a mes", QAT calculará la cantidad discretamente mes a mes.
        • Uso único (Sí/No): Permite al usuario determinar si esta unidad de pronóstico se utiliza durante un período de tiempo específico.
      • Continuo: Cada _______ [unidad de nodo principal] requiere _________ [unidad de medida de pronóstico] cada _______ [día/semana/mes/año]
        • Retraso en meses: Se utiliza para detallar si una unidad de pronóstico está retrasada o tiene un uso de producto por fases.
  • Atributos específicos del nodo Unidad de planificación: El nodo se crea automáticamente cuando la unidad de previsión se agrega a un árbol. La mayoría de los atributos no son editables; sin embargo, la Anulación de cálculo permite a los usuarios optar por utilizar el cálculo automático de QAT para la cantidad de unidades de planificación o ingresar un valor manualmente.

8.B.3. Cambios con el tiempo​

Si bien la estructura de árbol permanece constante a lo largo del tiempo, los porcentajes y valores de los nodos pueden cambiar con el tiempo. Utilice el menú desplegable de fechas para ver el árbol en cualquier mes. Las tres funcionalidades siguientes están disponibles en cada nodo y permiten al usuario controlar cómo los nodos cambian con el tiempo:

  • ⇅ Modelado: Permite al usuario especificar la tasa exacta de cambio.
  • Transferir: Permite a los usuarios vincular dos nodos entre sí, de modo que la disminución del nodo de origen esté vinculada al aumento del nodo de destino. Útil para transiciones.
  • Extrapolación: Permite a los usuarios utilizar datos históricos para extrapolar cambios futuros.

8.B.4. Conceptos básicos de construcción de árboles​

Los árboles de pronóstico se construyen de arriba hacia abajo utilizando diferentes tipos de nodos. Cada árbol de pronóstico debe comenzar con un nodo Agregación o un nodo Número e incluir uno o más nodos Unidad de planificación. Los nodos de la Unidad de planificación deben ser hijos de un nodo de la Unidad de previsión. Por lo tanto, un usuario debe tener al menos tres niveles de nodos para producir un resultado de pronóstico.

Pasos para crear un árbol manual:​

  1. Descargue un programa.
  2. Navegue hasta la pantalla Árbol de pronóstico → Administrar árbol.
  3. En la parte superior derecha de la pantalla, haga clic en el menú desplegable azul "Crear o Seleccionar" y seleccione "+ Dibujar su propio árbol" en el menú desplegable.
  4. Defina los detalles del árbol, como el método de pronóstico (demográfico, de morbilidad o servicios), el nombre del árbol y la región.
  5. De forma predeterminada, QAT comenzará con un nodo numérico con un valor de cero en el Nivel 0. Haga clic en este nodo predeterminado para editar/actualizar el nodo.
  6. Agregue un nuevo nodo (secundario) debajo del nodo principal haciendo clic en Agregar y eligiendo el tipo de nodo apropiado.
  7. Los usuarios pueden insertar una plantilla de árbol dentro del cuerpo de su árbol haciendo clic en el icono Agregar plantilla de rama.
  8. Haga clic en los niveles del árbol para nombrar los niveles de un árbol o reordenar las ramas.
  9. Los árboles QAT se guardan automáticamente en la computadora local.
  10. Para editar valores por lotes en un árbol, el usuario puede usar la pantalla Tabla de árbol.

8.B.5. Escenarios​

Uso de escenarios: Los escenarios se utilizan para modelar diferentes valores para el mismo árbol. Los escenarios son útiles cuando los usuarios desean analizar el resultado de diferentes cambios a lo largo del tiempo, pero desean mantener la misma estructura base. Para crear un árbol con diferentes estructuras, se recomienda crear otro árbol.

Corregido para todos los escenariosÚnico para cada escenario
Estructura de árbolValor de nodo
Título del nodoMes
Tipo de nodoNotas
Modelado/Transferencia/Extrapolación

Notas:

  • Por defecto, sólo se muestran los escenarios activos.
  • Los usuarios pueden elegir diferentes combinaciones de árbol-escenario para cada Unidad de Planificación en la pantalla Comparar y Seleccionar.

8.B.6. Modelado/Transferencias​

Propósito: Si un nodo cambia con el tiempo, un usuario puede utilizar la pestaña Modelado/Transferencia para modelar el crecimiento/pérdida dentro de un solo nodo o una transferencia de un nodo a otro. Tenga en cuenta que esta funcionalidad solo está disponible para nodos de número (#) y nodos de porcentaje (%).

Usando esta pestaña:​

Los usuarios pueden ingresar manualmente los cambios que deseen a lo largo del tiempo en la tabla superior o pueden utilizar la Calculadora de modelado.

  • Reglas para nodos de transferencia:
    • Los nodos numéricos solo pueden transferirse a otros nodos numéricos y deben pertenecer al mismo nivel.
    • Los nodos de porcentaje solo pueden transferirse a otros nodos de porcentaje y deben pertenecer al mismo padre.
    • Las transferencias son siempre negativas desde el nodo origen y positivas hacia el nodo destino.
    • No se permite la extrapolación en un nodo que también tenga una transferencia.

Tipos de modelado:​

Tipo de modelado# Cálculo de nodos% Cálculo de nodos
Lineal (#)+/- un número estático cada mesN/A
Lineal (%)+/- un porcentaje estático cada mesN/A
Exponencial (%)+/- un porcentaje cada mes (continuo)N/A
Lineal (puntos porcentuales)N/A+/- un porcentaje estático cada mes

Estacionalidad y cambios manuales:​

Haga clic en "Mostrar datos mensuales" para mostrar una tabla y un gráfico con el valor del nodo a lo largo del tiempo.

  • Los usuarios pueden agregar un cambio manual para un mes específico o ingresar un porcentaje del índice de estacionalidad.
  • Introduzca un % positivo para un valor aumentado en este mes o un valor negativo para un valor disminuido.

8.B.7. Calculadora de modelado​

Haga clic en el icono de la calculadora de modelado si necesita ayuda para calcular la tasa de cambio mensual.

Valor final/cambio:​

Utilícelo si tiene un valor objetivo (no acumulativo) o un cambio total deseado durante un período específico.

  1. Se calculan o ingresan la fecha de inicio, la fecha objetivo y el valor de inicio.
  2. Ingrese los datos en: Valor final objetivo, Cambio objetivo (%) o Cambio objetivo (#).
  3. Las fórmulas utilizadas dependen del tipo de modelado (lineal %, lineal #, exponencial %).

Objetivo anual:​

Úselo si tiene valores objetivo (acumulados durante un año). QAT interpola entre puntos medios calculando una tasa de cambio mensual lineal o exponencial.

8.B.8. Pestaña Extrapolación​

Propósito: La pestaña de extrapolación permite a los usuarios pronosticar valores futuros de nodos extrapolando valores pasados en un nodo de árbol.

Usando esta pestaña:​

  1. Seleccione la casilla de verificación junto a "Extrapolar".
  2. Seleccione 'Mostrar datos'.
  3. Ingrese los valores reales y las tasas de informes.
  4. Haga clic en "Extrapolar".

8.B.9. Técnicas Avanzadas​

  • Uso de producto retrasado o por fases: Utilice el campo Retraso en el nodo Unidad de previsión.
  • Uso discreto del producto durante un período de tiempo más largo: Elija entre "Todo en el primer mes" o "Mes a mes".
  • Nodos de embudo: agregue varios nodos en un solo nodo antes de agregar nodos adicionales a continuación.
    • Cómo vincular valores: Indique nodos de origen, cree nodos de embudo y seleccione nodos de origen.

##8.C. Validaciones de modelado

Propósito: Una vez que se ha creado un árbol, los usuarios pueden usar la pantalla Validación de modelado para ver el cambio a lo largo del tiempo.

##8.D. Validaciones de productos

Propósito: Una vez que se ha creado un árbol, los usuarios pueden usar la pantalla Validaciones de productos para verificar el uso de los productos en el árbol de pronóstico.

8.E. Usando plantillas​

8.E.1. Plantillas de árboles​

Propósito: Permitir que los usuarios comiencen a diseñar su árbol de pronóstico a partir de una plantilla preestablecida.

8.E.2. Plantillas de sucursales​

Propósito: Las plantillas de rama permiten a los usuarios agregar una plantilla de árbol como una rama dentro de un árbol preexistente.

8.E.3. Plantillas de uso​

Propósito: Las plantillas de uso permiten al usuario completar los detalles de un nodo de unidad de pronóstico de una sola vez.