MODELOS CUANTITATIVOS

LIZETH CARDENAS CORTES

ALEXANDRA RODRIGUEZ ACEVEDO

DANIELA RUÍZ MORENO

7AN

JORGE MORENO DONOSO

GERENCIA DE PRODUCCIÓN Y OPERACIONES

FUNDACIÓN UNIVERSITARIA CIDCA

FACULTAD DE INGENIERIAS

BOGOTÁ

2011
 INTRODUCCIÓN

El uso de modelos, a veces llamado “modelación”, es un instrumento muy

común en el estudio de sistemas de toda índole. El empleo de modelos facilita
el estudio de los sistemas, aún cuando estos sean complejos, ya que contienen
bastantes componentes que dificultan su desarrollo.

Los modelos matemáticos son de gran importancia, porque expresan en

términos reales (cifras) una situación por medio de una ecuación sencilla, fácil
de comprender y manipular, por ese motivo son a los que se les debe poner
mayor atención para realizar operaciones en una organización y resolver
posibles falencias.

A continuación presentamos una breve explicación de los modelos

cuantitativos una pequeña reseña de su historia y su aplicación en el área de
Mercadotecnia, en donde explicamos cual es método aplicado y que se
puede lograr por medio de esta aplicación.
 HISTORIA DE LA INVESTIGACIÓN DE OPERACIONES

El campo de la investigación de operaciones es relativamente nuevo, pero su

historia es interesante y su evolución ha traído importantes desarrollos al
campo de la industria.

1800: Eli Whitney recibe el crédito por la popularización inicial de las partes
intercambiables, que fue posible mediante la estandarización y el control de la
calidad

1881: Frederick W Taylor, conocido como el padre de la administración

científica, contribuyo a la selección de personal, la planeación y la
programación, el estudio de movimientos y el actualmente campo de la
ergonomía. Una de sus principales contribuciones fue el convencimiento de
que la administración debería tener muchos más recursos y voluntad para
mejorar los métodos de trabajo.

Taylor y sus colegas, Henry L. Gantt y Frank y Lillean Gilbreth, fueron los primeros
en buscar de manera sistemática una mejor forma de producir.

Otra de las contribuciones de Taylor fue la certeza de que la administración

debería asumir mas responsabilidad para:

1. Asignar los empleados al trabajo completo.

2. Proporcionar la capacitación apropiada
3. Proporcionar los métodos de trabajo y las herramientas adecuadas
4. Establecer incentivos legítimos para la realización del trabajo

1913: Henry Ford y charles sorensen combinaron sus conocimientos sobre

partes estandarizadas con las cuasilíneas de ensamble de las industrias de
empaque de carne y ventas por catálogo e introdujeron el concepto
revolucionario de la línea de ensamble, donde los hombres permanecían en
un solo lugar y los materiales eran los que se movían.

1924: Walter shewhart combino sus conocimientos en estadística con la

necesidad de controlar la calidad y proporciono las bases del muestreo
estadístico al control de la calidad.

1950: W. Edward Deming creía que la administración debería hacer más por
mejorar el ambiente de trabajo y los procesos de modo que se mejore la
calidad.
La administración de operaciones siguió progresando con las contribuciones
de otras disciplinas, incluida la ingeniería industrial y la administración
científica. Estas disciplinas, junto con la estadística, la administración y la
economía, han contribuido de manera sustancial a perfeccionar modelos y
tomar decisiones.
 HISTORIA DE LA PROGRAMACIÓN LINEAL

El matemático francés Jean Baptiste-Joseph Fourier (1768-1830) fue el primero

en intuir, aunque de forma imprecisa, los métodos de lo que actualmente
llamamos programación lineal y la potencialidad que de ellos se deriva.

1776: el matemático Gaspar Monge (1746-1818), se interesó por problemas

concernientes a la programación lineal.

1939: el matemático ruso Leonid Vitalevich Kantorovitch publica una extensa

monografía titulada Métodos Matemáticos de Organización y Planificación de
la Producción en la que por primera vez se hace corresponder a una extensa
gama de problemas una teoría matemática precisa y bien definida, llamada
hoy en día programación lineal.

1928: los fundamentos matemáticos de la programación lineal se deben al

matemático norteamericano de origen húngaro John Von Neumann (1903-
1957), quien publicó su famoso trabajo Teoría de Juegos.

1941-1942: se formula por primera vez el problema de transporte, estudiado

independientemente por Koopmans y por Kantorovitch.

1945: G. Stigler plantea otro problema particular conocido con el nombre de

régimen alimenticio optimal.

En los años posteriores a la Segunda Guerra Mundial, en Estados Unidos se

asumió que la eficaz coordinación de todas las energías y recursos de la
nación era un problema de tal complejidad, que su resolución y simplificación
pasaba necesariamente por los modelos de optimización que resuelve la
programación lineal. Paralelamente a los hechos descritos se desarrollan las
técnicas de computación y los ordenadores, instrumentos que harían posible la
resolución y simplificación de los problemas que se estaban gestando.

1947: G. B. Dantzig formula, en términos matemáticos muy precisos, el

enunciado estándar al que cabe reducir todo problema de programación
lineal. Surge una hipótesis sobre la equivalencia de los problemas de
programación lineal y la teoría de matrices desarrollada en sus trabajos.
 MODELOS CUANTITATIVOS
Un modelo cuantitativo es la construcción de un modelo matemático,
insertándole símbolos, números y expresiones matemáticas para de esta
manera representar constantes y variables propias de una situación a resolver.

Dicho de otra manera: un modelo cuantitativo es aquel donde las entidades

de un sistema y sus atributos se representan mediante variables matemáticas y
las actividades se describen mediante funciones matemáticas que
interrelacionan las variables.

Debe tenerse en cuenta que al enfrentarse a una situación determinada no se

debe elaborar un modelo cuantitativo cualquiera, ya que podemos
enfrentarnos a que estos tengan un dificultad de resolución y en consecuencia
un costo más alto, teniendo en cuenta esto debemos contar con las técnicas
suficientes que nos permitan resolver el modelo y representar de forma
adecuada la información que queremos simbolizar en éste.

Los métodos cuantitativos se dividen en dos categorías:

MODELOS DE SERIES DE TIEMPO: aquí encontramos el enfoque intuitivo,

promedios móviles, suavizamiento exponencial y proyección de tendencias.

MODELO ASOCIATIVO: regresión lineal

ENFOQUE INTUITIVO

La forma más simple de pronosticar es suponer que la demanda del siguiente

periodo será igual a la demanda del periodo más reciente. En otras palabras,
si las ventas de un producto, fueron de 68 unidades en enero, podemos
pronosticar que en febrero las ventas también serán de 68 unidades. Para
algunas líneas de productos, el enfoque intuitivo es el modelo del pronóstico
más efectivo en costos y más eficiente con respecto al objetivo. Al menos
ofrece un punto de partida contra el cual comparar otros modelos más
sofisticados que se utilicen después.

PROMEDIOS MÓVILES

El pronóstico de promedios móviles usa un número de valores de datos

históricos reales para generar un pronóstico. Los promedios móviles son útiles si
podemos suponer que la demanda del mercado permanecerá relativamente
estable en el tiempo. Un promedio móvil de 4 meses se encuentra simplemente
al sumar la demanda medida durante los últimos 4 meses y diviendola entre
cuatro. Al concluir cada mes, los datos del mes más reciente se agregan a la
suma de los 3 meses previos y se elimina el dato del mes más antiguo. Esta
práctica tiende a suavizar las irregularidades de corto plazo en las series de
datos.

Matemáticamente, el promedio móvil simple (que sirve como estimación de la

demanda del siguiente periodo) se expresa como:

∑ 𝑑𝑒𝑚𝑎𝑛𝑑𝑎 𝑒𝑛 𝑙𝑜𝑠 𝑛 𝑝𝑒𝑟𝑖𝑜𝑑𝑜𝑠 𝑝𝑟𝑒𝑣𝑖𝑜𝑠

Promedio móvil =
𝑛

n = es el número de periodos incluidos en el periodo móvil – por ejemplo, 4,5 o

6 meses, respectivamente para un promedio móvil de 4, 5 o 6 periodos.

A continuación, se muestra como calcular los promedios móviles:

Mes Ventas reales de Promedio móvil de tres

cobertizos meses
Enero 10
Febrero 12
Marzo 13
Abril 16 (10+12+13)/3=113
2

Mayo 19 (12+13+16)/3=133
2

Junio 23 (13+16+19)/3=16
Julio 26 (16+19+23)/3=193
1

Agosto 30 (19+23+26)/3=22
2
3
Septiembre 28 1
(23+26+30)/3=263
Octubre 18 (26+30+28)/3=28
Noviembre 16 (30+28+18)/3=253
1

Diciembre 14 (28+18+16)/3=20
2
3

2
El pronóstico para diciembre es de 20 3. Para proyectar la demanda de
cobertizos en el próximo enero, sumamos las ventas de octubre, noviembre y
diciembre y dividimos entre 3: Pronostico de enero = (18+16+14)/3=16

Ahora la administración tiene un pronóstico que promedia las ventas para los
últimos tres meses. Es fácil de usar y entender.

Cuando se presenta una tendencia o un patrón localizable, pueden utilizarse

ponderaciones para dar más énfasis a los valores recientes. Esta práctica
permite que las técnicas de pronóstico respondan más rápido a los cambios,
puesto que puede darse mayor peso a los periodos más recientes. La elección
de de las ponderaciones es un tanto arbitraria porque no existe una fórmula
establecida para determinarlas. Por lo tanto, decidir que ponderaciones
emplear requiere cierta experiencia. Por ejemplo, si el último mes o periodo se
pondera demasiado alto, el pronóstico puede reflejar un cambio grande
inusual, demasiado rápido en el patrón de demanda o de ventas.

Un promedio móvil ponderado puede expresarse matemáticamente como:

Promedio móvil ponderado =

∑(𝑝𝑜𝑛𝑑𝑒𝑟𝑎𝑐𝑖𝑜𝑛 𝑝𝑎𝑟𝑎 𝑒𝑙 𝑝𝑒𝑟𝑖𝑜𝑑𝑜 𝑛)(𝑑𝑒𝑚𝑎𝑛𝑑𝑎 𝑒𝑛 𝑒𝑙 𝑝𝑒𝑟𝑖𝑜𝑑𝑜 𝑛)
∑ 𝑝𝑜𝑛𝑑𝑒𝑟𝑎𝑐𝑖𝑜𝑛𝑒𝑠

Tanto los promedios móviles simples como los ponderados son efectivos para
suavizar las fluctuaciones repentinas en el patrón de la demanda con el fin de
obtener estimaciones estables.

Sin embargo, los promedios móviles presentan tres problemas:

1. Aumentar el tamaño de n (el número de periodos promediados) suaviza de

mejor manera las fluctuaciones, pero resta sensibilidad al método ante
cambios reales en los datos.
2. Los promedios móviles no reflejan muy bien las tendencias. Porque son
promedios, siempre se quedaran en niveles pasados, no predicen los
cambios hacia niveles más altos ni más bajos. Es decir, retrasan los valores
reales.
3. Los promedios móviles requieren amplios registros de datos históricos.

SUAVIZAMIENTO EXPONENCIAL

El suavizamiento exponencial es un sofisticado método de pronóstico de

promedios móviles ponderado que sigue siendo bastante fácil de usar. Implica
mantener muy pocos registros de datos históricos.

La forma básica para el suavizamiento exponencial se expresa de la siguiente

manera:

Nuevo pronóstico = pronostico del periodo anterior + α

Donde α es al ponderación, o constante de suavizamiento, elegida por quien
pronostica, que tiene un valor de entre 0 y 1. También podemos escribir la
ecuación de la siguiente forma: (Ft = Ft-1+α (At-1-Ft-1)

Donde Ft= nuevo pronostico

Ft-1 = pronóstico del periodo anterior

α= constante de suavizamiento (o ponderación) (0<= α <= 1)

At-1 = demanda real en el periodo anterior

El concepto no es complicado. La última estimación de la demanda es igual a

la estimación anterior ajustada por una fracción de la diferencia entre la
demanda real del último periodo y la estimación anterior

Ejemplo: en enero un vendedor de automóviles predijo que la demanda para

febrero seria de 142 Ford Mustang.

La demanda real en febrero fue de 153 automóviles. Usando la constante de

suavizamiento que eligió la administración de α = 0.20, el vendedor quiere
pronosticar la demanda para marzo usando el modelo de suavizamiento
exponencial.

Método: se puede aplicar el modelo de suavizamiento exponencial.

Al sustituir en la formula los datos de la muestra, se obtiene:

Nuevo pronóstico (para la demanda de marzo)= 142+0.2 (153-142) = 142+2.2.

=144.2

El pronóstico de la demanda de marzo para el Ford Mustang es de 144

unidades.

Usando solo dos elementos de datos, el pronóstico y la demanda real, más

una constante de suavizamiento, se desarrolló un pronóstico de 144 Ford
Mustang para marzo.

Medición del error de pronóstico

La exactitud general de cualquier modelo de pronóstico, (promedios móviles,

suavizamiento exponencial u otro), puede determinarse al comparar los
valores pronosticados con los valores reales u observados:

Error del pronóstico = Demanda real - Valor pronosticado At-Ft

Donde Ft denota el pronóstico en el periodo t y At denota la demanda real del
periodo t.

Desviación absoluta media

La primera medición del error global de pronóstico para un modelo es la

desviación absoluta media (MAD). Su valor se calcula sumando los valores
absolutos de los errores individuales del pronóstico y dividiendo el resultado
entre el número de periodos con datos (n):

∑ ǀ 𝑅𝑒𝑎𝑙−𝑃𝑟𝑜𝑛ó𝑠𝑡𝑖𝑐𝑜 ǀ
MAD =
𝑛

PROYECCIONES DE TENDENCIA

En este modelo se ajusta una recta de tendencia a una serie de datos

puntuales históricos, y después proyecta dicha recta al futuro para obtener
pronósticos de mediano y largo plazos. Se pueden desarrollar varias
ecuaciones matemáticas (por ejemplo exponencial y cuadrática). Para
desarrollar una recta de tendencia lineal mediante un proceso estadístico
preciso, podemos utilizar el método de mínimos cuadrados.

Si podemos calcular la intersección con el eje y y la pendiente, podemos

utilizar la siguiente fórmula:

˄
y = a+bx
˄
y = variable que debe predecirse (variable dependiente)
a = intersección con el eje y
b = pendiente de la recta de regresión (tasa de cambio y para los cambios
dados en x)
x = variable independiente

También hay ecuaciones que permiten encontrar los valores de a y b para

cualquier recta de regresión:

∑ 𝑥𝑦−𝑛 𝑥 𝑦
b= ∑ 𝑥 2 −𝑛𝑥2

b = pendiente de la recta de regresión

∑ = signo de sumatoria

x = valores conocidos de la variable independiente

y = valores conocidos de la variable dependiente

x͞= promedio de los valores de x

y͞ = promedio de los valores de y

n= número de puntos de datos u observaciones

La intersección con el eje y, a, puede calcularse de la siguiente manera:

a= y͞ -bx͞
REGRESIÓN LINEAL

En este método, podemos usar el mismo modelo matemático que empleamos

con el método de mínimos cuadrados para efectuar la proyección de las
tendencias, usamos la ecuación:

˄
y = a+bx
˄
y = valor variable dependiente
a = intersección con el eje y
b = pendiente de la recta de regresión
x = variable independiente

APLICACIONES DE MERCADOS

USOS MODELOS CUANTITATIVOS

1. Para los negocios: Nos ayudan a tomar decisiones frente a problemas

administrativos, ya que estos son una representación de la realidad.

Un modelo cuantitativo aplicado a un negocio nos permite deducir

conclusiones, gastar menos tiempo, invertir menor cantidad de dinero y reducir
el riesgo de seguir cometiendo el mismo error.

2. En la investigación social:
Algunos métodos y herramientas que nos permiten llevar a cabo esta
investigación son:

- Cuestionarios y escalas de actitudes (escalas nominales, ordinales e

intervalares)
- Análisis de contenido

Muestreo:

- Población y muestra
- Técnicas
- Representatividad

TÉCNICAS DE INVESTIGACION INDUSTRIAL

Las técnicas de observación son comunes en la investigación industrial. Los

principales objetivos recaen sobre el parque de maquinaria o equipo utilizado,
en cantidad y género y sobre los productos y precios.

Las técnicas de recolección de información acerca de los productos

industriales emplean diferentes formas, por ejemplo, el uso de los registros
propios de las empresas, la utilización de paneles expertos, las encuestas en sus
diferentes modalidades, las investigaciones de escritorio, entre otras.

Estudios más importantes que se realizan en la investigación industrial:

1. Pronósticos de ventas
2. Tamaño de los mercados
3. Tendencias de los mercados
4. Demanda de nuevos productos
5. Posicionamiento de los productos
6. Descripción de los mercados
7. Usos finales de los productos
8. Análisis de coyuntura económica
9. Predicciones industriales
10. Evaluación de los nuevos productos

MODELOS CUANTITATIVOS
Un modelo cuantitativo es la construcción de un modelo matemático,
insertándole símbolos, números y expresiones matemáticas para de esta
manera representar constantes y variables propias de una situación a resolver.

Dicho de otra manera: un modelo cuantitativo es aquel donde las entidades

de un sistema y sus atributos se representan mediante variables matemáticas y
las actividades se describen mediante funciones matemáticas que
interrelacionan las variables.

Debe tenerse en cuenta que al enfrentarse a una situación determinada no se

debe elaborar un modelo cuantitativo cualquiera, ya que podemos
enfrentarnos a que estos tengan un dificultad de resolución y en consecuencia
un costo más alto, teniendo en cuenta esto debemos contar con las técnicas
suficientes que nos permitan resolver el modelo y representar de forma
adecuada la información que queremos simbolizar en éste.

USOS MODELOS CUANTITATIVOS

1. Para los negocios

Nos ayudan a tomar decisiones frente a problemas administrativos, ya que

estos son una representación de la realidad.

Un modelo cuantitativo aplicado a un negocio nos permite deducir

conclusiones, gastar menos tiempo, invertir menor cantidad de dinero y
reducir el riesgo de seguir cometiendo el mismo error.

2. En la investigación social

Algunos métodos y herramientas que nos permiten llevar a cabo esta

investigación son:

- Cuestionarios y escalas de actitudes (escalas nominales, ordinales e

intervalares)
- Análisis de contenido

Muestreo:

- Población y muestra
- Técnicas
- Representatividad

MÉTODOS CUANTITATIVOS APLICADOS A LA MERCADOTECNIA

La mercadotecnia fue una de las últimas áreas mayores funcionales de
actividad gerencial en aplicar los métodos y técnicas cuantitativas de manera
sistemática, y sólo en las ultimas 4 décadas aproximadamente, es que se ha
logrado un progreso significativo. Este rezago relativo de los métodos
cuantitativos en el marketing se ha atribuido a una serie de factores como son:

1. La complejidad del fenómeno de la mercadotecnia. Esto es debido al

hecho de que cuando el estimulo se aplica al ambiente, las respuestas tienden
a ser no lineales, a exhibir efectos de umbral (un nivel mínimo de estímulos que
necesita ser aplicado para que ocurra una respuesta), a tener efectos de
acumulación (por ejemplo, la respuesta e este periodo de publicidad ocurrirá
en el futuro) y al decaimiento con el tiempo en ausencia de estímulos futuros.

2. Efectos de interacción de variables mercadotécnicas. Esto significa que el

impacto de una sola variable mercadotécnica controlable es difícil de
determinar debido a las interacciones de la variable con el ambiente y
también con otras variable mercadotécnicas. De hecho, la mayoría de las
Variables en la mercadotecnia son interdependientes y están
interrelacionadas.

3. Problemas de medición en mercadotecnia. A menudo es difícil medir

directamente la respuesta de los consumidores a ciertos estímulos y por lo
tanto, se usan las técnicas indirectas. Un ejemplo es el uso de medidas de
seguimiento para evaluar la efectividad de la publicidad.

4. Inestabilidad de las relaciones en la mercadotecnia. Las relaciones entre las

respuestas mercadotécnicas y las variables mercadotécnicas de decisión
tienden a ser inestable debido a los cambios en gustos, actitudes, expectativas
y otras más. Estos factores hacen que las continuas mediciones del mercado y
la revisión de decisiones, sean cruciales para la mercadotecnia.

Existen muchas formas en las cuales los métodos cuantitativos pueden ser
usados en la mercadotecnia. Uno de estos es a través de la clasificación de la
mercadotecnia en áreas de decisión que sean afrontadas por el gerente de
Marketing y las cuales incluyan desarrollo de productos, precio, distribución
física, fuerza de ventas, publicidad y comportamiento del consumidor. Sin
embargo, se considera más apropiado primero clasificar las técnicas que
serán usadas en marketing y hace concordar con ellas las situaciones en las
que estos modelos son usados más frecuentemente.

De esta manera, la mayoría de los modelos y técnicas pueden ser analizados.

Su validez puede ser juzgada por su uso, con que tanta precisión pueden
representar el ambiente problema, su poder predictivo y la consistencia y
realismo de sus suposiciones.
Al seleccionar un método apropiado de análisis, deben tomarse en
consideración 2 factores importantes: primero, si las variables analizadas son
dependientes o interdependientes y, segundo, si los datos recibidos son de una
tipo métrico o no métrico. Los datos métricos son medidos por intervalos o
escalas de proporción, mientras que los datos no métricos son solo estimados
ordinalmente. Las variables dependientes son aquellas que pueden ser
explicadas por medio de otras variables, mientras que las variables
interdependientes son aquellas que no pueden ser explicadas únicamente por
sí mismas.

Las variables mercadotécnicas son usualmente interdependientes. Por

ejemplo, los objetivos de una compañía son usualmente interdependientes
con las variables de la mezcla de mercadotecnia; las ganancias comúnmente
dependen de las ventas; el crecimiento de la compañía depende de las
ganancias y las ventas y viceversa, etc. También, las mezclas de
mercadotecnia de la empresa, tales como precio, promoción, distribución y
producto, son interdependientes.

Ya que la investigación mercadológica es comúnmente un análisis

multivariable que involucra tanto variables dependientes como
interdependientes, los grupos de técnicas que pueden utilizarse se muestran en
conjunto después de la explicación.

1. Métodos multivariables.

Llamados así porque varias técnicas intentan investigar las relaciones y

patrones de las decisiones de mercadotecnia que emergen como resultado
de la interacción e interdependencia entre las variables principales en un
momento dado.

2. Técnicas de regresión, correlación y de pronóstico.

La regresión y correlación son métodos que pueden ser utilizados para inferir
las relaciones entre un conjunto de variables en mercadotecnia. Los métodos
de pronóstico son aplicados principalmente en la previsión de ventas y
demanda del mercado. Los métodos de pronóstico de ventas son una función
de una agrupación de variables ambientales no controlables y factores de
Esfuerzo mercadotécnico, que deben ser tomados en consideración.

3. Métodos de simulación

Son un grupo de técnicas cuyo uso es apropiado cuando las variables que
afectan la situación de mercadotecnia (como la competencia) requieren de
modelos complejos que no son susceptibles de soluciones analíticas. La
importancia de la técnica de simulación en marketing radica en que ofrece
una forma de experimentación de laboratorio al permitir al investigador
cambiar variables individuales seleccionadas mientras mantiene constantes las
restantes.

4. Subconjuntos difusos.

Estos pueden ser usados para modelar el comportamiento del consumidor, la

planeación de mercadotecnia, pruebas de nuevos productos, etc. Al
determinar el rango y tamaño de los resultados posibles.

5. Técnicas de inteligencia artificial.

Estos son instrumentos relativamente nuevos para simular la lógica humana.

Existen dos modelos principales en este conjunto de técnicas: sistema experto,
que requiere de la intervención del usuario para incorporar los cambios dentro
del modelo y, red neural, menos rígido que el sistema experto, facilitando el
reentrenamiento (principalmente por la vía de la adición de nuevos datos
de entrada y salida)

6. Teoría de la decisión estadística o métodos estocásticos.

Representan respuestas estocásticas o aleatorias de parte de los consumidores,

las cuales permite incluir una multitud de factores que pueden afectar el
comportamiento del consumidor. Esto significa que las reacciones del
mercado pueden ser consideradas como resultados de algunos procesos
probabilísticos. Esencialmente, existen dos usos principales de estos métodos:
probar hipótesis estructurales y crear predicciones condicionales.

7. Métodos determinísticos de investigación operacional.

Son técnicas de investigación operacional que buscan soluciones en casos

donde existen muchas variables interdependientes y la investigación pretende
optimizar la situación. Un ejemplo clásico de tal situación en mercadotecnia se
da cuando una compañía que produce varios bienes (o partes) los vende a
través de dos diferentes canales los cuales varían con respecto a costo de
ventas, órdenes típicas de compra, políticas de crédito, márgenes de
ganancia, etc. usualmente, en tales casos, el objetivo principal de la
compañía es maximizar las ganancias totales mediante el establecimiento de
metas en cuanto al volumen optimo de ventas, además de mezclas efectivas
de mercadotecnia para ambos canales (o segmentos de mercado) teniendo
en consideración las limitantes existentes.

8. Modelos causales.

Consisten en dos modelos analíticos principales para probar hipótesis causales

(análisis de trayectorias y programa estadístico de software para interpretar
relaciones estructurales lineales- LISREL). El análisis de trayectorias se usa en
esas ocasiones en las que algunas de las variables no pueden observarse o
tienen una fiabilidad limitada (esta herramienta no debe ser confundida con el
método de la ruta critica que se discute más adelante). En el caso de LISREL,
este programa es de primordial importancia en las situaciones de
mercadotecnia en las que deseamos investigar tanto las mediciones como las
causas, esto es, los componentes estructurales de un sistema (por ejemplo, un
estudio de comportamiento del consumidor)

9. Modelos Híbridos.

Son métodos que combinan propiedades determinísticas y probabilísticas

(estocásticas) por ejemplo, programación dinámica, programación heurística
y control de existencias. Estos modelos son particularmente útiles en el manejo
de problemas de distribución.

10. Modelos de programación en red.

Estos son usados generalmente para la planeación, programación y control de

proyectos complejos. Existen dos técnicas analíticas fundamentales: el CPM
(Critical Path Method - Método de la ruta crítica) y la técnica PERT (Program
Evaluation andReview Technique - Técnica de evaluación y revisión de
programas). Las diferencias entre ambas son en primer lugar, que la técnica
PERT reconoce incertidumbre en los tiempos para completar las actividades,
mientras que el CPM no lo hace. En segundo lugar, la técnica PERT restringe su
atención a la variable “tiempo” mientras que el CPM incluye compensaciones
de “tiempo-costo”. Las dos técnicas juntas son conocidas como técnicas de
análisis de trayectorias críticas.

Los 10 grupos de métodos o técnicas mencionados anteriormente no agotan

de ninguna manera, los métodos cuantitativos usados en mercadotecnia. Esta
selección de técnicas está basada, tanto en su relevancia actual en el
manejo de problemas variados de mercadotecnia como en su potencial para
la investigación y análisis mercadotécnicos.

Algunas consideraciones importantes en cuanto al uso de los métodos

cuantitativos en mercadotecnia, fueron expresadas por Hooley y Hussey en
1995:

1. No dejarse guiar exclusivamente por la técnica.

Enfocar los problemas sobre los requerimientos de la gerencia y después

seleccionar la herramienta analítica adecuada, no al revés. Tal y como Young
(1973) ha expuesto: “El peligro que debemos evitar es convertirnos en
revendedores de técnicas en búsqueda de problemas, en vez de
solucionadores de problemas en búsqueda de técnicas”.

2. Considerar a los modelos multivariables como información para la

gerencia.
Cualquier modelo generado por técnicas multivariables debe ser un apoyo
para la toma de decisiones y NO un sustituto del criterio de la gerencia. Las
técnicas y los modelos no toman decisiones, simplemente proveen de
información para ayudar al proceso de toma de decisiones.

3. No sustituir la destreza y la imaginación del investigador por modelos

multivariables.

Se tiene que usar el sentido común para evaluar los resultados de análisis
cuantitativos y no basarse únicamente en medidas estadísticas de robustez. Se
tiene que reconocer el hecho de que el análisis de datos es parte ciencia, y
parte arte.

4. Desarrollar habilidades de comunicación.

Aprender formas no técnicas de comunicación de resultados hacia la

gerencia. La utilización de resultados por parte de la gerencia, depende de
que ésta se sienta confiada de la forma en que la información fue derivada.

5. Evitar las inferencias estadísticas sobre parámetros de modelos

multivariables.

Hay que tener mucho cuidado con extrapolaciones o generalizaciones a

poblaciones cuando la naturaleza de la muestra no es clara. La mayoría de las
técnicas se basan en supuestos sobre la naturaleza de la muestra. Asegurarse
de que se conozcan y se cumplan dichos supuestos. No aplicar 5
indiscriminadamente las técnicas sólo por que las tengo en mi PC sin antes
revisar la naturaleza de la muestra y de los datos recabados.

6. Evitar el riesgo de hacer inferencias sobre realidades del mercado

cuando dichas inferencias pueden ser debidas a las peculiaridades del
modelo.

No hay que tomar los resultados de análisis cuantitativos tal y como vienen.
Aun cuando se puedan asignar niveles importantes de significancia
estadística, hay que asegurarse que los resultados tengan una base de sentido
común, así como una base teórica sólida.

7. Explotar las relaciones complementarias entre métodos descriptivos y

métodos predictivos.

No utilizar técnicas de manera aislada cuando otras técnicas pueden darle

valor agregado a la información, o al menos, validarla. A menudo, diversas
técnicas pueden ser usadas útilmente de manera secuencial.

8. Evitar la tentación de sobre-analizar.

Hay que resistir el usar la potencia de la computadora para analizar a la n-sima
potencia aspectos que pueden ser estudiados con técnicas más simples. A
pesar de todo, los conteos de frecuencia y las gráficas de barras son todavía
formas sumamente poderosas de comunicar información. Quizás no haya
necesidad de adoptar técnicas sofisticadas de análisis solamente porque las
tenemos en nuestras PCs.

9. Empezar desde el principio.

El mejor momento para empezar cualquier ejercicio de análisis de datos es

antes de que la información sea recolectada en campo. Mediante el
pensamiento y revisión de las principales características del análisis propuesto
a priori, pueden evitarse muchos problemas potenciales en la aplicación de
técnicas particulares.

10. Vigilar los factores de costo-beneficio.

Recolectar información cuesta dinero. No hay que recolectar datos solamente

porque es “es bueno saber”. Los recursos que se utilizan para recolectar y
analizar datos redundantes podrían ser usados más eficientemente para otras
actividades de Mercadotecnia.

Si la gran diversidad de técnicas cuantitativas se usa de manera apropiada y

con cuidado, el proceso de toma de decisiones se puede enriquecer y
beneficiar de manera importante. Si se utilizan inapropiada o flojamente,
pueden confundir o incluso desviar.

Finalmente, es importante mencionar que debemos evitar a toda costa el

convertirnos en “usuarios en automático” de técnicas multivariables por el
simple hecho de que se encuentren fácilmente disponibles en el mercado. La
revisión detallada de supuestos y la experiencia que se adquiere en la
aplicación de diversas tecnologías, convierten al analista más experto, en un
eficaz solucionador de problemas para la gerencia y no en un revendedor de
“técnicas avanzadas que en alguna parte del mundo en algún otro contexto
han funcionado”.
 CONCLUSIONES

 A través de los modelos cuantitativos podemos expresar las diferentes

situaciones en variables matemáticas, teniendo en cuenta las técnicas
suficientes que nos permitan resolver el modelo y representar de forma
adecuada la información que queremos simbolizar en este.

 Basándonos en información anterior y utilizando los diferentes

modelos de aplicación matemática o estadística se puede
pronosticar presupuestos para el cual tenga destinada una
corporación.

 Los pronósticos son más precisos cuando se hacen para periodos

cortos. Son menos las perturbaciones potenciales respecto del
futuro próximo que pueden impactar en la demanda de
productos. La demanda en periodos futuros más amplios casi
siempre resulta menos confiable.

 Por medio de dichos métodos aplicados en la mercadotecnia se

puede lograr identificar productos o servicios de los cuales
quieren obtener los clientes.

 También en la mercadotecnia por medio de probabilidades se

puede obtener información de la satisfacción que tenga el
cliente ya sea por un servicio o un producto brindado por la
empresa.