Métodos causales

Los métodos causales son los que establecen una relación entre el valor de la
demanda que se intenta pronosticar y otros factores externos o internos. Este tipo
de relaciones se plasman en términos matemáticos.
Si bien existen varios métodos causales, en esta lectura profundizaremos en el de
regresión lineal.

Regresión lineal

Métodos con series de tiempo

Referencias
LECCIÓN 1 de 3

Regresión lineal

Es una herramienta que se utiliza en una amplia variedad de situaciones. Dentro de las ciencias sociales es
empleada por distintas disciplinas.

La regresión lineal se representa por medio de una ecuación lineal, donde se relaciona una variable
dependiente conocida con una o más variables independientes.

Para simplificar, en la ecuación, la variable dependiente está en función de una sola variable independiente.

Se define cada variable del siguiente modo:

Y como la variable dependiente;

X como la variable independiente;

a es la intersección de la recta con el eje Y;

 b es la pendiente de la recta.

El objetivo principal de la regresión lineal es encontrar los valores con los que a y b minimizan los desvíos de
los datos reales, y que dichos puntos puedan ser representados gráficamente en una línea. Para poder
calcular dichos valores, se utilizan programas de computadora. Hay dos coeficientes que son de uso
mayoritario:

coeficiente de correlación de la muestra = r

coeficiente de determinación de la muestra = r2

El coeficiente de correlación de la muestra r mide la intensidad de la relación entre X e Y. Los valores pueden
variar entre -1 y +1; en el caso de resultar un valor negativo, significa que las variables actúan en forma
opuesta entre sí; en el caso de resultar un valor positivo, implica que los cambios en la variable
independiente siempre están acompañados por cambios en la variable dependiente en la misma dirección.
Si el valor asumido del coeficiente es cero, significa que no hay relación alguna entre las variables.

El coeficiente de determinación de una muestra es el coeficiente de correlación al cuadrado. El valor de r2

puede variar ente 0 y 1.

Para interpretar mejor el concepto, se incluye el gráfico a continuación:

 Fuente: elaboración propia.

 Te recordamos complementar esta información con la lectura completa de la bibliografía

básica.

A modo de ejemplo, vamos a desarrollar un caso práctico con su consecuente desarrollo:

DETODO SA es una empresa dedicada íntegramente a la venta de artículos por internet. Posee una clientela
de consumo masivo, ya sea familiar o individual. Su principal cartera es la venta de productos para el hogar.
A lo largo de varias investigaciones de mercado, se llega a conocer que la inversión que se realiza en
publicidad va de la mano con el crecimiento de los productos promocionados. Por lo tanto, el gerente de
producción de DETODO SA debe tener en cuenta esta variable. En este momento tiene que elaborar la
demanda de un producto en particular: baterías de cocina.

Los últimos seis meses se han vendido las siguientes cantidades de dicho producto:

Mese Ventas en
s cantidades

Ener
115.000
o

Febr
123.000
ero

Marz
172.000
o

Abril 265.000

May
270.000
o

Juni
233.000
o

Fuente: Elaboración propia.

El gerente de comercialización aporta los datos del presupuesto invertido en publicidad del artículo que
necesita pronosticarse:
M
e
s Gasto en publicidad
e
s

E
n
e $5.000
r
o

F
e
b
r $6.000
e
r
o

M
a
r $7.500
z
o

A
b
$9.000
r
il

M
a
$9.500
y
o
 J $5.000
u
n
i
o

Fuente: Elaboración propia.

Luego anuncia que el mes entrante (Julio) se va a gastar nuevamente $5.000 en publicidad.

A partir de los datos recolectados, vamos a suponer que hay una relación entre las ventas del producto y los
gastos de publicidad, por lo que:

Y= variable independiente= Ventas en cantidades

X= Variable dependiente= Gastos en publicidad

Lo que se debe hacer con estos datos es encontrar los mejores valores de a y b. Sabiendo que los gastos en
publicidad para el mes de Julio van a ser de $5000, sólo debemos aplicar la fórmula de la ecuación de
regresión lineal.

En el siguiente artícuo encontrarás más información sobre la regresión lineal:

Modelo de regresión lineal.pdf

2.3 MB
LECCIÓN 2 de 3

Métodos con series de tiempo

En el caso de los métodos con series de tiempo, en vez de usar variables independientes para la proyección,
se usa información histórica que sólo se refiere a la variable dependiente. Es decir, se basan en los hechos
efectivamente comprobados y acontecidos para, en función de los mismos, pronosticar. Si se analiza en
detalle lo enunciado en este párrafo, se detectará que estamos dando por sentado que la variable
dependiente mantendrá un patrón similar en el futuro.

Para poder realizar la proyección, en los métodos de series de tiempo se identifican los patrones
fundamentales de la demanda a pronosticar para ver cómo se combinan entre sí y, en función de ello,
detallar el patrón histórico observado, a partir de lo cual se elabora un modelo que reproduzca dicho patrón.

Retomando los tipos de demanda, desarrollaremos los métodos con series de tiempo que se aplican a las
demandas de tipo:

horizontal;

de tendencia;

estacionales.

Antes de avanzar en los distintos tipos de métodos, vamos a avanzar en uno de los métodos más simple y
conocido para estudiar los patrones de la demanda: el pronóstico empírico.
Pronóstico empírico

Primero resulta importante definir el término empírico. Esta palabra está basada en la experiencia y
observación de los hechos; esto es, a partir de la observación de la realidad, establecemos patrones y
desarrollamos un modelo.

El pronóstico empírico es usado en la práctica con mucha frecuencia y por todas las ciencias.

Según Krajewski y Ritzman (2000), el pronóstico empírico es un método utilizado frecuentemente en la

práctica. En este tipo de análisis, el pronóstico de la demanda para el siguiente período es el mismo que para
la demanda observada en el periodo actual. De este modo, es posible considerar una tendencia de la
demanda.

Para pronosticar la demanda, primero se observa cómo ha sido su comportamiento, se toman los datos
históricos y se supone hacia adelante el mismo comportamiento; es decir, se proyecta a base del pasado.

Es posible tomar una tendencia de la demanda, por lo que dependerá del sector industrial del que se trate y
del tipo de producto que se quiera proyectar el tiempo que se deberá tomar como base. Por ejemplo, hay
productos que tienen sus ciclos con picos de consumo y otros productos que son estables.

Este método es muy simple y de bajo costo, por lo que cualquier organización se encuentra en condiciones
de hacerlo si posee la información necesaria (en estos casos, serían los datos de la venta histórica).

Vamos a recordar que la demanda puede comportarse en función a cinco patrones ya estudiados:

horizontal;

de tendencia;
 estacional;

cíclico;

aleatorio.

Estimación del promedio

Según Krajewski y Ritzman (2000), cada serie de tiempo de demanda debe tener mínimamente dos de los
cinco patrones viables de demanda: el horizontal y el aleatorio (o el azar). A su vez, también es posible que
posea patrones de tendencia, estacionales o cíclicos.

Lo usual es que primero se toma el patrón horizontal, donde lo que se calcula es una media de las
demandas. Se estima un promedio de los datos históricos que se poseen.

Resulta útil tomar las técnicas estadísticas para pronosticar series de tiempo. Para que recuerdes, estas
eran de tres tipos:

promedios móviles simples;

promedios móviles ponderados;

suavización exponencial.

 Se recomienda realizar una lectura pormenorizada de la bibliografía básica respecto de

los tres casos detallados y resolver los ejemplos prácticos que se desarrollan.
A modo de síntesis, podemos decir que:

El método de promedio móvil simple es usado para estimar el promedio; se trata de suprimir
los efectos del azar.

El método de promedio móvil ponderado, en el promedio estimado cada demanda histórica,

puede tener su propia ponderación.

La ventaja que presenta el método de promedio móvil ponderado es que permite destacar los resultados de
la demanda reciente más que los de la demanda anterior; la desventaja que puede presentar es que es
menos exacto cuando la demanda presenta picos reiterados y pronunciados.

El método de suavización exponencial se deriva de usar el promedio móvil ponderado cuando se le da mayor
ponderación a las demandas recientes. La principal ventaja es su simplicidad para aplicar, ya que sólo
requiere tres datos.

Si tomamos lo citado por Krajewski y Ritzman (2000), podemos considerar las ventajas de la suavización
exponencial: es sencilla y requiere pocos datos. Su uso es económico y por ello resulta muy atractiva para
las organizaciones o compañías que realizan miles de pronósticos.

A continuación se brindan las principales ventajas y desventajas de cada método:

METODO VENTAJAS DESVENTAJAS

Se usa cuando la demanda

Promedios móviles simples
no es estacional.

Promedios móviles Se pondera sobre la Si hay que pronosticar

ponderados demanda reciente. varias demandas puede ser
costoso.
 Se pondera sobre la
demanda reciente.

Simple por la reducida Tardan en registrar una

Suavización exponencial
cantidad de datos modificación.
necesarios.

Económica.

Fuente: elaboración propia basado en Krajewski& Ritzman, 2000.

De estos tres tipos de métodos, el más utilizado es el de suavización exponencial, ya que resulta de mayor
simplicidad y mucho más económico.

Patrones situacionales

Hay ciertas empresas que ven afectadas sus ventas debido a que la demanda presenta cierta
estacionalidad que es repetitiva. Hay picos de consumos ascendentes y ciertos períodos de consumo
desciende; estos movimientos tienden a repetirse con cierta regularidad. Ante esto, lo que debe hacerse es
ir midiendo esas variaciones por períodos de tiempo. Un ejemplo puede ser el de las heladerías, que van a
ver modificada su demanda de acuerdo a si hace frío o calor. En este último caso, los cambios pueden
coincidir con las estaciones climáticas, pero no necesariamente en todos los casos es así: un
supermercado, por ejemplo, va tener dentro de sus productos estacionalidades muy distintas; este
comportamiento repetitivo en un período de tiempo se le llama estacionalidad.

A continuación vemos un ejemplo gráfico de una demanda que presenta una estacionalidad muy marcada.

El objetivo es analizar la estacionalidad que presenta el cine español, comparado con el americano. Como se
puede observar, la estacionalidad es mucho mayor en las películas españolas.
 Fuente: http://www.elsevier.es/imatges/345/345v18n02/grande/345v18n02-
90133651fig4.jpg ELSIEVER, 2012 VOL 18

Selección de un método con series de tiempo

Los gerentes o administradores deben tomar una decisión respecto de la elección del método para elaborar
pronósticos con series de tiempo.
Es importante que se tengan en cuenta los factores macro de la industria y los factores micro en los que
está inserta la organización. Es vital que se tengan estudiados: el mercado, la competencia y los propios
productos; que se identifique en qué etapa o ciclo de su vida se encuentran tanto la empresa como los
propios productos; y, a su vez, es crítico conocer si existen ciclos o picos dentro de la demanda de cada
producto.

Si bien es viable realizar estimaciones de la demanda, se debe recordar que los pronósticos pueden generar
errores. Al saber esto, es viable prevenir o medir el impacto que pueden tener los mismos.

Errores de pronósticos

No es una novedad que los pronósticos pueden presentar diferencias, las cuales se denominan errores de
pronósticos. A estos se los pueden  clasificar en dos tipos:

errores de sesgo;

errores aleatorios.

Según Krajewski y Ritzman (2000) las equivocaciones sistemáticas conllevan errores de sesgo; a su vez, el
error aleatorio es consecuencia de factores imprevisibles que generan que el pronóstico se desvíe de la
demanda real. Por lo tanto, lo importante es que los gerentes dispongan de algún medio con el cual medir
dichos errores y puedan, así, minimizar el riesgo. Para ello, el mayor interés radica en poder medir estos
desvíos u errores a través de un período largo de tiempo.

Podemos concluir que el error de pronóstico es simplemente la diferencia entre la demanda pronosticada y
la demanda real para un período de tiempo determinado.

En el siguiente gráfico, se toma como ejemplo un pronóstico de ventas donde se han proyectado
estimaciones en función a demandas de años anteriores y lo realmente producido es lo que se visualiza en
el gráfico como demanda representado en la línea azul.

Esta diferencia son los errores de pronósticos, donde en la etapa de control se debe determinar cuáles
fueron los factores que afectaron a que los mismos se generaran.

Fuente: http://industrialopusnova.blogspot.com.ar/2012/09/errores-del-pronostico-
administracion.html GENERACIÓN OPUS NOVA, 2012.

Tomando como ejemplo las responsabilidades de un gerente de sucursal de banco, podemos imaginar una
predicción de préstamos proyectados contra los préstamos efectivamente colocados. El objetivo sería poder
corregir el error a tiempo y que estos datos sirvan para hacer correcciones en pronósticos futuros.

Estas mediciones deben servir para realizar las correcciones necesarias en forma inmediata. Para ello, se
deberán determinar cuáles son las razones por las que se está por debajo del promedio establecido como
objetivo y luego corregir rápidamente lo que haga falta para llegar a lo planificado. Estas correcciones
dependen íntegramente de la habilidad que posea quien gerencia para advertir a tiempo los desvíos y de la
rapidez con que tome la decisión de cambio de estrategia o política.

En casos como estos vemos cómo planificación y control van de la mano.

Resulta de suma importancia evaluar si lo que se ha planificado como previsible ha sido acertado o ha
estado muy lejos de lo realizado. Esta acción nos permite determinar el nuevo plan de acción y definir los
nuevos estándares de producción.

Resulta útil retomar el concepto de revitalización del sistema; este implica que una vez que hemos
atravesado todas las etapas del proceso, obtendremos un resultado que es el que deberá realimentar la
etapa de metas y objetivos.

Recodemos que, en el enfoque administrativo, el proceso de transformación consiste en transformar los

insumos en resultado; por lo tanto, este proceso debe adaptarse a cada organización, a las características
particulares de cada una y de la industria en que se encuentra.

Entendemos por insumos a los de tipo:

humanos;

capital;

administrativo;

tecnológicos.

El resultado puede ser: el producto, la prestación de servicios, la calidad y desarrollo del personal, las
utilidades obtenidas, la integración de las metas. Dicho resultado dependerá del área o sector desde el cual
hagamos el análisis. Independientemente de esto, los estilos que se adopten o las conclusiones a las que
se arribe para elegir un tipo u otro de proyección dependen del estilo de dirección que realice el
administrador.

Con lo que se ha abordado hasta el momento podemos inferir que si bien es necesario realizar una análisis
macro y micro de la organización. Hay ciertas decisiones que vienen dadas por el carácter de quien gerencia
las mismas, por lo cual el éxito o fracaso de las estrategias dependen en gran medida del factor humano.

Resumiendo gráficamente, encontramos lo siguiente:

Fuente: Villela Díaz, Alejandro Akademeia Revista Digital, 012http://goo.gl/TvMgFC

LECCIÓN 3 de 3

Referencias

Krajewski, L. & Ritzman. L. (2000). Administración de Operaciones. Estrategia y Análisis. México: Prentice
Hall.

Kotler & Armstrong. (2007). Fundamentos de Marketing. Octava edición. México: Pearson Prentice Hall.

Kotler, P., & Keller, K. (2006). Marketing Management. Pearson Prentice Hall.

Martínez, 2014, http://goo.gl/KiB3Rp

Porter. (1990). La Ventaja Competitiva de las Naciones. México: Grupo Patria Cultura. Alay Ediciones.

SME, 2011, http://goo.gl/Dpaa5g

Thompson, A., & Strickland, A. J. (2000). Administración Estratégica. 11ª Edición. México: McGraw-Hill.

Villela Díaz, A. Akademeia Revista Digital, 2012 http://goo.gl/TvMgFC

www.uesiglo21.edu.ar