Está en la página 1de 3

Estudio de casos 151

Estudio de casos
Southwestern University: (B)*
Southwestern University (SWU) es una gran universidad estatal blema. Para Pitterno, los dormitorios individuales de sus atletas
ubicada en Stephenville, Texas, con una matrícula de casi 20,000 debían formar parte de cualquier expansión.
estudiantes. La escuela tiene un peso dominante en el ambiente El presidente de SWU, doctor Joel Wisner, decidió que era
social de esta pequeña ciudad, ya que durante el otoño y la primavera tiempo de que su vicepresidente de desarrollo pronosticara cuándo
hay más estudiantes que residentes permanentes. sería insuficiente el estadio actual. En su mente la ampliación era un
Siempre reconocida como una potencia en fútbol americano, la hecho, pero Wisner necesitaba saber cuánto tiempo podía esperar.
SWU califica por lo general entre las 20 mejores del fútbol colegial. Asimismo buscó una proyección de los ingresos, suponiendo un
Desde que contrató al legendario Bo Pitterno como entrenador en precio promedio por boleto de 20 dólares en 2008 y un aumento
jefe en 2001 (con la esperanza de alcanzar el anhelado número 1), anual del 5% en los precios futuros.
se incrementó la asistencia los cinco sábados de juegos en casa.
Antes de la llegada de Pitterno, generalmente la asistencia promedio Preguntas para análisis
era de 25,000 a 29,000 personas por juego. Pero con sólo el anuncio 1. Desarrolle un modelo de pronóstico justificando su selección
de su llegada, la venta de boletos para la temporada aumentó en más de sobre cualesquiera otras técnicas y proyecte la asistencia hasta
10,000 aficionados. ¡Stephenville y SWU estaban listos para cosas 2009.
grandes! 2. ¿Qué ingresos deben esperarse en 2008 y 2009?
Sin embargo, el problema inmediato a que se enfrentaba la 3. Analice las alternativas de la escuela.
SWU no era su posición en la NCAA, sino la capacidad de su esta-
dio. El estadio actual de SWU, construido en 1953, tenía un aforo *Este caso integrado se analiza a lo largo del libro. Otros aspectos a que se
para 54,000 seguidores. La tabla siguiente indica la asistencia a enfrenta Southwestern con la ampliación del estadio incluyen (A) adminis-
cada juego durante los últimos 6 años. tración del proyecto del estadio (capítulo 3); (C) calidad de las instalaciones
Una de las demandas de Pitterno desde que se unió a la SWU (capítulo 6); (D) análisis desglosado de los servicios de comida (suplemento
ha sido la ampliación del aforo, o incluso la construcción de un 7 del sitio web); (E) localización del nuevo estadio (capítulo 8 en el sitio
nuevo estadio. Con el incremento de la asistencia, los adminis- web); (F) planeación del inventario de los programas de fútbol (capítulo 12
tradores de SWU comenzaron a ver la forma de solucionar el pro- del sitio web); (G) programación del personal de seguridad del campus
durante los días de juego (capítulo 13).

Asistencia a los juegos de fútbol en Southwestern University, 2002-2007

2002 2003 2004


Juego Asistencia Oponente Asistencia Oponente Asistencia Oponente

1 34,200 Baylor 36,100 Oklahoma 35,900 TCU


2a 39,800 Texas 40,200 Nebraska 46,500 Texas Tech
3 38,200 LSU 39,100 UCLA 43,100 Alaska
4b 26,900 Arkansas 25,300 Nevada 27,900 Arizona
5 35,100 USC 36,200 Ohio State 39,200 Rice

2005 2006 2007


Juego Asistencia Oponente Asistencia Oponente Asistencia Oponente

1 41,900 Arkansas 42,500 Indiana 46,900 LSU


2a 46,100 Missouri 48,200 North Texas 50,100 Texas
3 43,900 Florida 44,200 Texas A&M 45,900 Prairie View A&M
4b 30,100 Miami 33,900 Southern 36,300 Montana
5 40,500 Duke 47,800 Oklahoma 49,900 Arizona State
aJuegosde regreso.
bDurante la cuarta semana de cada temporada, Stephenville organiza un gigantesco festival de artesanías populares. Este evento atrae a
decenas de miles de turistas al pueblo, en especial los fines de semana, y tiene un evidente efecto negativo en la asistencia a los juegos.

Digital Cell Phone, Inc.


Paul Jordan acaba de ser contratado por Digital Cell Phone, Inc., su oficina cierta mañana. Después de saludarse cordialmente y
como analista de administración. Digital Cell fabrica una amplia tomar una taza de café, John menciona que tiene un encargo espe-
línea de teléfonos para el mercado de consumo. El jefe de Paul, cial para Paul: “Siempre hemos hecho sólo un cálculo conservador
John Smithers, gerente de operaciones, pidió a Paul que pasara por del número de teléfonos que debemos producir cada mes. Usual-
152 Capítulo 4 • Pronósticos

mente sólo vemos cuántos vendimos en el mes y planeamos pro- Pedidos recibidos cada mes
ducir más o menos la misma cantidad. Algunas veces funciona, pero Cajas Cajas Cajas
en la mayoría de los meses, o bien tenemos demasiados teléfonos en Mes 2005 2006 2007
inventario o nos quedamos sin existencias. Ninguna de estas situa-
ciones es buena”. Enero 480 575 608
Usando la tabla que se muestra aquí, Smithers continúa: “Estos Febrero 436 527 597
son los pedidos reales que entraron durante los últimos 36 meses. Marzo 482 540 612
Cada caja tiene 144 teléfonos. Como hace poco te graduaste de Abril 448 502 603
Alaska University, pensé que tal vez conozcas algunas técnicas que
Mayo 458 508 628
nos ayuden a planear mejor. Ya hace mucho que salí de la universi-
dad y creo haber olvidado casi todos los detalles que aprendí entonces. Junio 489 573 605
Quiero que analices estos datos y me des una idea de la situación Julio 498 508 627
por lo que pasará nuestro negocio dentro de 6 a 12 meses. ¿Crees Agosto 430 498 578
que puedes resolverlo?”. Septiembre 444 485 585
“Por supuesto”, respondió Paul, sonando más seguro de lo que Octubre 496 526 581
en realidad estaba. “¿Cuánto tiempo tengo?”. Noviembre 487 552 632
“Necesito tu informe el lunes anterior al Día de Gracias —eso Diciembre 525 587 656
es el 20 de noviembre. Planeo llevármelo a casa y leerlo durante las
fiestas. Como me imagino que no estarás aquí esos días, asegúrate Preguntas para análisis
de explicar bien las cosas para que pueda entender tus recomenda-
1. Prepare el informe de Paul Jordan para John Smithers usando
ciones sin necesidad de hacerte más preguntas. Como eres nuevo en
la compañía, debes saber que me gusta que mi personal me propor- análisis de regresión. Proporcione un resumen del panorama de
cione todos los detalles y la justificación completa de sus recomen- la industria de los teléfonos celulares como parte de la respuesta
daciones”. de Paul.
Con esto, Paul se retiró y una vez que estuvo en su oficina 2. Si agrega estacionalidad a su modelo, ¿cómo cambia el análisis?
comenzó el análisis. Fuente: Profesor Victor E. Sower, Sam Houston State University.

Caso en
Pronósticos en Hard Rock Café
video
Con el crecimiento de Hard Rock Café —de un bar en Londres en Hard Rock no se limita a usar las herramientas de pronósticos
1971 a más de 110 restaurantes en 40 países en la actualidad— se de ventas. Para evaluar a los gerentes y establecer bonos, aplica a las
dio también una demanda de mejores pronósticos en toda la corpo- ventas de cada café un promedio móvil ponderado de 3 años.
ración. Hard Rock obtiene pronósticos a largo plazo para establecer Cuando los gerentes superan sus metas, se calcula un bono. Todd
un plan de capacidad, y pronósticos a mediano plazo para cerrar los Lindsey, en las oficinas corporativas, aplica ponderaciones del 40%
contratos con proveedores de piel (usada en chamarras) y de artícu- a las ventas del año más reciente, del 40% al año anterior, y del 20% a
los alimenticios, como carne de res, pollo y cerdo. Sus pronósticos las ventas de 2 años antes para llegar a su promedio móvil.
de ventas a corto plazo se realizan cada mes, por café, y después se Una aplicación aún más sofisticada de la estadística se encuen-
agregan para tener un panorama general en las oficinas centrales. tra en la planeación del menú de Hard Rock. Mediante el uso de
El corazón del sistema de pronósticos de ventas es el sistema regresión múltiple, los gerentes calculan el efecto sobre la demanda
de punto de venta, el cual, en efecto, captura datos de las transac- de otros artículos del menú cuando se cambia el precio de uno de
ciones sobre casi cualquier persona que cruza la puerta del café. La ellos. Por ejemplo, si el precio de la hamburguesa con queso
venta de cada elemento representa un cliente; los datos de ventas aumenta de $7.99 a $8.99, Hard Rock pronostica el efecto que tendrá
de los elementos se transmiten todos los días a la base de datos de esto en las ventas de emparedados de pollo y jamón y en las ensala-
las oficinas corporativas ubicadas en Orlando. Ahí, el equipo das. Los administradores realizan el mismo análisis con la distribu-
financiero encabezado por Todd Lindsey comienza el proceso de ción del menú, donde la sección central genera mayores volúmenes
pronósticos. Lindsey pronostica la cuenta mensual de clientes, ven- de ventas. Cuando un artículo como una hamburguesa se cambia del
tas al menudeo, ventas de banquetes y ventas de conciertos (si área central a una de las cubiertas laterales, se determina el efecto
proceden) para cada café. Los gerentes generales de cada café se correspondiente en artículos relacionados, como las papas fritas.
enlazan a la misma base de datos para preparar el pronóstico diario
de su establecimiento. Un gerente de restaurante obtiene informa- Hard Rock Café de Moscúa
ción de las ventas de ese día el año anterior, agregando los datos Mes 1 2 3 4 5 6 7 8 9 10
locales de la cámara de comercio o la oficina de turismo sobre
Cuenta de 21 24 27 32 29 37 43 43 54 66
eventos próximos, como convenciones importantes, eventos depor-
clientes
tivos o conciertos que se realizarán en la ciudad donde se localiza el
café. El pronóstico diario de ventas se desglosa por hora, lo cual sirve (en miles)
de guía para la programación del personal. Un pronóstico de ventas de Publicidad 14 17 25 25 35 35 45 50 60 60
5,500 dólares por hora se traduce en 19 estaciones de trabajo, que (en miles)
aEstas
se desglosan aún más en un número específico de personal de cifras se usan para los propósitos de este estudio de caso.
recepción, anfitriones, encargados del bar y personal de cocina.
Los paquetes de programación computarizada asignan a las per- Preguntas para análisis*
sonas a su lugar de trabajo. Las variaciones entre los pronósticos y 1. Describa tres aplicaciones diferentes del pronóstico en Hard
las ventas reales se examinan después para observar por qué ocu- Rock. Mencione otras tres áreas en las que considere que Hard Rock
rrieron los errores. podría usar modelos de pronóstico.
Recursos en internet 153
2. ¿Cuál es el papel del sistema de punto de venta en los pronósti- cuentas de los clientes. Usando los datos registrados para los
cos de Hard Rock? últimos 10 meses (vea la tabla), desarrolle una relación de regre-
3. Justifique el uso del sistema de ponderación usado para evaluar a sión por mínimos cuadrados y después pronostique la cuenta
los gerentes y emitir bonos anuales. esperada de los clientes cuando la publicidad es de 65,000
4. Cite algunas variables que no se hayan mencionado en el caso y dólares.
que pudieran utilizarse como elementos de predicción de las ven- *Quizá prefiera revisar el caso en video en su CD-ROM antes de contestar
tas diarias en cada café. estas preguntas.
5. En el restaurante Hard Rock de Moscú, el gerente está tratando
de evaluar cómo afecta una nueva campaña de publicidad a las

Estudio de casos adicionales


Estudio de caso en internet: visite nuestro sitio web para consultar este estudio de caso:
• North–South Airline: Refleja la unión de dos aerolíneas y aborda sus costos de mantenimiento.
Harvard ha seleccionado estos casos de Harvard Business School para acompañar este capítulo:
harvardbusinessonline.hbsp.harvard.edu
• Merchandising at Nine West Retail Stores (# 698-098): Esta gran cadena de tiendas de zapatos al menudeo se enfrenta a una
decisión de comercialización.
• New Technologies, New Markets: The Launch of Hong Kong Telecom’s Video-on-Demand (# HKU-011): Pide a los estudiantes
examinar el pronóstico que existe sobre una nueva tecnología.
• Sport Obermeyer Ltd. (# 695-022): Esta compañía de productos para esquiar tiene artículos con ciclos de vida cortos con una
demanda incierta y una cadena de suministro globalmente dispersa.
• L.L. Bean, Inc. (# 893-003): L.L. Bean debe pronosticar y administrar los miles de artículos en inventario que vende a través de
sus catálogos.

Bibliografía
Balakrishnan, R., B. Render y R. M. Stair. Managerial Decision Jain, C. L. “Benchmarking Forecasting Models”. The Journal of
Modeling with Spreadsheets, 2da. ed. Upper Saddle River, NJ: Business Forecasting 24, núm. 4 (invierno de 2005-2006): 9-11.
Prentice Hall, 2007. Lapide, Larry. “Evolution of the Forecasting Function”. The
Berenson, Mark, Tim Krehbiel, y David Levine. Basic Business Journal of Business Forecasting 25, núm. 1 (primavera de
Statistics, 10ma. ed. Upper Saddle River, NJ: Prentice Hall, 2006): 22-24.
2006. Meade, Nigel. “Evidence for the Selection of Forecasting Models”.
Diebold, F. X. Elements of Forecasting, 4ta. ed. Cincinnati: Journal of Forecasting 19, núm. 6 (noviembre de 2000): 515-535.
Southwestern College Publishing, 2007. Portougal, V. “Demand Forecast for a Catalog Retailing
Georgoff, D. M. y R. G. Murdick. “Manager's Guide to Company”. Production and Inventory Management Journal
Forecasting”. Harvard Business Review 64 (enero-febrero de (primero-segundo trimestres de 2002): 29-34.
1986): 110-120. Render, B., R. M. Stair y M. Hanna. Quantitative Analysis for
Gilliland, M. “Is Forecasting a Waste of Time?” Supply Chain Management, 9na. ed. Upper Saddle River, NJ: Prentice Hall,
Management Review 1 (julio de 2002). 2006.
Gilliland, M. y M. Leonard. “Forecasting Software—The Past and Sanders, N. R. y K. B. Manrodt. “Forecasting Software in
the Future”. The Journal of Business Forecasting 25, núm. 1 Practice”. Interfaces 33 (septiembre-octubre de 2003): 90-93.
(primavera de 2006): 33-36. Snyder, Ralph D. y Roland G. Shami. “Exponential Smoothing of
Hanke, J. E., A. G. Reitsch y D. W. Wichern. Business Forecasting, Seasonal Data”. Journal of Forecasting 20, núm. 3 (abril de
9na. ed. Upper Saddle River, NJ: Prentice Hall, 2007. 2001): 197-202.
Heizer, Jay. “Forecasting with Stagger Charts”. IIE Solutions 34 Wilson, J. H., B. Keating y J. Galt. Business Forecasting with
(junio de 2002): 46-49. Forecast X Software. Nueva York: McGraw-Hill, 2007.

Recursos en internet
American Statistical Association: www.amstat.org Journal of Time Series Analysis: www.blackwellpublishers.co.uk
Institute of Business Forecasting: www.ibf.org Royal Statistical Society: www.rss.org.uk
International Institute of Forecasters: www.forecasters.org

También podría gustarte