1

Contenido
1. Introducción .................................................................................................................... 2
2. Flujo de caja .................................................................................................................... 2
3. Proyección del flujo de caja ............................................................................................ 2
3.1. Técnicas para proyecciones ..................................................................................... 3
3.1.1. Técnicas cualitativas ........................................................................................ 3
3.1.2. Técnicas cuantitativas ...................................................................................... 3
3.2. Enfoques de los pronósticos económicos ............................................................... 18
3.2.1. Métodos de suavizamiento exponencial ......................................................... 18
3.2.2. Modelos de regresión uniecuacionales ........................................................... 18
3.2.3. Modelos ARIMA ............................................................................................ 19
3.2.4. Modelos VAR ................................................................................................. 19
3.3. Series de tiempo financieras .................................................................................. 19
4. Ejemplo de proyección de flujos de caja libre .............................................................. 19
5. Bibliografía .................................................................................................................... 24

IND9-4 DIRECCIÓN FINANCIERA

 HERRAMIENTAS PARA PRONOSTICAR FLUJO DE CAJA
2

1. Introducción
El flujo de caja y las proyecciones financieras ha llegado a adquirir tal importancia para
empresarios, inversionistas y hasta bancarios en general, que no pasa un solo día que se
vean casos en lo cuales dicho estado financiero tenga un papel protagónico. Para cualquier
inversionista serio, la visión futura de sus negocios tiene que ver con el flujo de caja. Lo
mismo pasa con empresarios, para la toma de decisiones diaria de su negocio y con los
baqueros que quieren minimizar el riesgo en la toma de decisiones de crédito.

Y es que es el flujo de caja el único estado financiero que reporta seguridad y tranquilidad
sobre la verdadera situación de una empresa a sus acreedores, a pesar de que la
contabilidad se vea ajustada por la inflación.

2. Flujo de caja
En finanzas y economía se entiende por flujo de caja como los flujos de entradas y salidas
de caja o efectivo, en un periodo dado.
El flujo de caja es la acumulación neta de activos en un periodo determinado y, por lo
tanto, constituye un indicador importante de la liquidez de una empresa.

El estudio de los flujos de caja dentro de una empresa puede ser utilizado para determinar:

• Problemas de liquidez: El ser rentable no significa necesariamente poseer

liquidez. Una compañía puede tener problemas de efectivo, aun siendo rentable.
Por tanto, permite anticipar los saldos en dinero.
• Para analizar la viabilidad de proyectos de inversión: Loa flujos de fondo son la
base de calculo del Valor Actual Neto (VAN) y de la Tasa Interna de Retorno
(TIR).
• Para medir la rentabilidad o crecimiento de un negocio: Cuando se entienda que
las normas contables no representan adecuadamente la realidad económica.
(Palma, 2013)

3. Proyección del flujo de caja

Para conocer el flujo de caja futuro de una empresa existe la proyección de flujos de caja.
Corvo, H. S. (2019), asegura que incluso las empresas con un crecimiento saludable y
fuertes ventas corren el riesgo de adeudar mas de lo que pueden pagar en un mes
determinado.

Para solicitar préstamos, es importante que las empresas proyecten lo que sucederá con
el flujo de caja, para demostrar la capacitada de pago y asegurarse que tengan fondos
suficientes para sobrevivir y no se vuelva insolvente.

IND9-4 DIRECCIÓN FINANCIERA

 3.1. Técnicas para proyecciones
3
3.1.1. Técnicas cualitativas
Las técnicas cualitativas combinan y promedian las opiniones de expertos, utilizando el
juicio y opiniones de conocedores para predecir resultados futuros.
Se encuentran basadas en la experiencia, intuición o subjetividad de quien predice los
eventos futuros. Un método de enfoque cualitativo suele ser usado cuando no hay datos
históricos o hay cambios tecnológicos, cuando se va a lanzar un nuevo producto o cuando
los datos que hay no son confiables. Ente estas tenemos:

• Método Delphi: Es un proceso basado en la consulta sistemática del juicio de

personas consideradas expertos. Es estructurado e iterativo al ejecutarse mediante
etapas para alcanzar un consenso frente a una temática en común.
• Encuesta de mercado de consumo: Consiste en obtener la opinión o percepción
de un grupo de personas acerca de su proyección de consumo o interés por un
producto o servicio.
• Consulta a la fuerza de ventas: Para empresas que tienen fuerza de ventas, esta
técnica hace uso de la experiencia del personal más cercano al cliente para obtener
un pronóstico de demanda: El vendedor, quien entrega su estimación de la
demanda, estimación que es combinada con la de otros vendedores para generar
el pronóstico de una región.
• Jurado de opinión ejecutiva: Se basa en la experiencia y los conocimientos
técnicos de los altos mandos de la empresa para llegar a un consenso. Es una de
las más utilizadas cuando se requiere actuar con rapidez ante eventos no previstos
o lanzamiento de nuevos productos.
• Grupos de consenso: Esta técnica se podría considerar una integración entre
consulta a la fuerza de ventas y jurado de opinión ejecutiva, y algo más. Consiste
en el sondeo de la opinión de cargos bajos, medios y altos para generar un
pronóstico que alinee desde la operación hasta la estrategia. Por ejemplo, cuando
que solicites la estimación de la demanda del vendedor, del analista de mercado y
del gerente de mercadeo para prever las ventas del periodo.
• Analogía de productos similares: Su predicción de la demanda se basa en el
comportamiento de las ventas de un producto similar o modelo. La comparación
puede ser realizada con un producto sustituto o complementario. Es un método
generalmente usado para estimar la demanda inicial en el lanzamiento de un nuevo
producto o servicio.
En la práctica, un buen pronostico es aquel que integra enfoque cuantitativo y cualitativo,
siendo inicialmente el primero para luego ajustarse con el segundo, desarrollando un
análisis integral. (Betancourt, 6 metodos cualitativos para pronosticar la demanda, 2016)

3.1.2. Técnicas cuantitativas

Este tipo de métodos se basan en modelos matemáticos con los que se analizan los
números entregados por nuestros productos o servicios en periodos pasados. Por lo tanto,
es necesario que para realizar el análisis cuantitativo de un pronóstico, dispongamos de

IND9-4 DIRECCIÓN FINANCIERA

 datos históricos de ventas y conocer los patrones de demanda. Los
4
métodos se agrupan en dos:

3.1.2.1. Métodos de series de tiempo

Definamos serie de tiempo como una sucesión de datos en un periodo de tiempo.
Los siguientes métodos cuantitativos se basan en la demanda pasada para predecir la
futura por medio de los datos históricos de un periodo anterior. Estos métodos se basan
en la suposición de que el patrón de la variable dependiente en el pasado habrá de
continuar en el futuro.

• Pronostico empírico: El pronostico de la demanda para el siguiente periodo es

igual a la demanda observada en el periodo actual. De esta manera, si la demanda
real del miércoles ha sido de 35 clientes, la demanda pronosticada para el jueves
será de 35 clientes. Si la demanda real del jueves es de 42 clientes, la demanda
pronosticada para el viernes también será de 42 clientes. El método de pronóstico
empírico se puede adaptar para tomar en cuenta una tendencia de la demanda. El
incremento (o decremento) observado en la demanda de los dos últimos periodos
se usa para ajustar la demanda actual a fin de llegar a un pronóstico. Suponga que
la demanda fue de 120 unidades en la última semana y de 108 unidades la semana
anterior. El incremento de la demanda fue de 12 unidades en una semana, por lo
que el pronóstico para la siguiente semana sería de 120 + 12 = 132 unidades. Si la
demanda real de la semana siguiente resultara ser de 127 unidades, el siguiente
pronóstico sería de 127 + 7 = 134 unidades. El método de pronóstico empírico
también se puede aplicar a patrones estacionales. Si la demanda durante julio del
año pasado fue de 50,000 unidades, el pronóstico para julio del año en curso será
de 50,000 unidades. Asimismo, los pronósticos de demanda para cada uno de los
meses del año entrante será un simple reflejo de la demanda real observada en
esos mismos meses durante el año pasado. Las ventajas del método de pronóstico
empírico son su simplicidad y su bajo costo. Este método funciona mejor cuando
los patrones horizontales, de tendencia o estacionales son estables y la variación
aleatoria es pequeña. (Krajewski, Ritzman, & Malhotra, 2008)
• Estimación del promedio: Para todos los métodos de pronóstico expuestos en
esta sección, el pronóstico de demanda para cualquier periodo futuro es el
promedio de las series de tiempo calculadas en el periodo actual. Por ejemplo, si
el promedio de la demanda anterior que se calculó el martes es de 65 clientes, los
pronósticos para el miércoles, jueves y viernes serán de 65 clientes cada día. Las
técnicas estadísticas útiles para el pronostico de esas series de tiempo son:
o Promedios móviles simples: Se aplica promedio sobre los datos
históricos de ventas. Útil cuando la demanda no presenta estacionalidad o
tendencia. La aplicación de un modelo de promedio móvil requiere
simplemente calcular la demanda promedio para los n periodos más
recientes, con el fin de usarla como pronóstico para el siguiente periodo.
Para el periodo siguiente, una vez que se conoce la demanda, la demanda
más antigua incluida en el promedio anterior se sustituye por la demanda

IND9-4 DIRECCIÓN FINANCIERA

 más reciente y luego se vuelve a calcular el promedio. De
5
esta manera, se usan las n demandas más recientes y el promedio se
“mueve” de un periodo a otro.
En términos específicos, el pronóstico correspondiente al periodo t + 1 se
calcula como sigue:

Con el método de promedio móvil, el pronóstico de la demanda en el

periodo siguiente será igual al promedio calculado al final de este periodo.
En cualquier método de pronóstico, es importante medir la precisión de
los pronósticos. El error de pronóstico es simplemente la diferencia que se
obtiene al restar el pronóstico de la demanda real en cualquier periodo
determinado, o

Ejemplo 1:

IND9-4 DIRECCIÓN FINANCIERA

 6

IND9-4 DIRECCIÓN FINANCIERA

 Ejemplo 2:
7

o Promedios móviles ponderados: Similar al promedio simple, pero con la

diferencia que en este método calcula el pronóstico asignando nivel de
importancia o peso ponderado a unos elementos de tiempo por sobre otros.
. La suma de las ponderaciones es igual a 1.0. Por ejemplo, en un modelo
con promedio móvil ponderado de tres periodos, al periodo más reciente
se le puede asignar una ponderación de 0.50, al segundo más reciente se
le asigna una ponderación de 0.30, y al tercero más reciente, una de 0.20.
El promedio se obtiene multiplicando la ponderación de cada periodo por
el valor correspondiente a dicho periodo y sumando finalmente los
productos:

IND9-4 DIRECCIÓN FINANCIERA

 Un promedio móvil ponderado puede expresarse
8
matemáticamente como:

Ejemplo:

IND9-4 DIRECCIÓN FINANCIERA

 o Suavización exponencial: Este método necesita
9
solamente tres datos: el pronóstico del último periodo, la demanda de ese
periodo y un parámetro de suavizamiento, alfa (α), cuyo valor fluctúa entre
0 y 1.0.. Útil cuando se cuenta con pocos datos históricos. Para elaborar
un pronóstico con suavizamiento exponencial, simplemente se calcula un
promedio ponderado de la demanda más reciente y el pronóstico calculado
para el último periodo. La ecuación correspondiente a este pronóstico es:

O también:

Ejemplo 1:

IND9-4 DIRECCIÓN FINANCIERA

 Ejemplo 2:
10

o Suavización exponencial doble: Es una modificación del suavizamiento

exponencial simple. Agrega una constante de suavización delta (δ), cuya
función es reducir el error que ocurre entre la demanda real y el pronóstico.

• Inclusión de una tendencia: En seguida se considerará una serie de tiempo de la

demanda con una tendencia. En una serie de tiempo, una tendencia es un
incremento o decremento sistemático en el promedio de la serie a través del
tiempo. Cuando existe una tendencia significativa, los métodos de suavizamiento
exponencial deben modificarse; de lo contrario, los pronósticos siempre estarán
por arriba o por debajo de la demanda real. Para mejorar el pronóstico, es
necesario calcular una estimación de la tendencia. Comenzaremos calculando la
estimación actual de dicha tendencia, que no es sino la diferencia entre el
promedio de la serie calculado en el periodo actual y el promedio calculado en el
último periodo. Para obtener una estimación de la tendencia a largo plazo, se
pueden promediar las estimaciones actuales. El método para estimar una
tendencia es similar al que se emplea para estimar el promedio de la demanda con
el suavizamiento exponencial. El método para incorporar una tendencia en un
pronóstico suavizado exponencialmente se conoce como método de
suavizamiento exponencial ajustado a la tendencia. En este enfoque, se suavizan
las estimaciones del promedio y la tendencia, para lo cual se requieren dos
constantes de suavizamiento. Se calcula el promedio y la tendencia para cada
periodo:

IND9-4 DIRECCIÓN FINANCIERA

 11

Para realizar pronósticos para periodos posteriores al siguiente, se multiplica la

estimación de la tendencia (Tt) por el número de periodos adicionales que se desea
incluir en el pronóstico, y se suman los resultados al promedio actual (At). Así, el
suavizamiento exponencial ajustado a la tendencia difiere de los métodos
explicados anteriormente. En esos métodos, el pronóstico para todos los periodos
futuros es el mismo que el pronóstico para el siguiente periodo. Las estimaciones
del promedio y la tendencia correspondientes al último periodo que se requieren
en el primer pronóstico pueden obtenerse a partir de datos del pasado o basarse en
una estimación aproximada si no existen datos históricos. Para encontrar los
valores de y , es frecuente que el analista ajuste sistemáticamente α y β hasta
obtener los errores de pronóstico más bajos posibles. (Krajewski, Ritzman, &
Malhotra, 2008)
Ejemplo:

IND9-4 DIRECCIÓN FINANCIERA

 12

3.1.2.1.1. 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. Si Ft denota el pronóstico en el periodo
t, y At denota la demanda real del periodo t, el error de pronóstico (o desviación) se define
como:

En la práctica se usan varias medidas para calcular el error global de pronóstico. Estas
medidas pueden usarse para comparar distintos modelos de pronóstico, así como para
vigilar los pronósticos y asegurar su buen desempeño. Las tres medidas más populares
son la MAD (mean absolute deviation; desviación absoluta media), el MSE (mean
squared error; error cuadrático medio), y el MAPE (mean absolute percent error; error
porcentual absoluto medio).

• Desviación absoluta media: 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):

IND9-4 DIRECCIÓN FINANCIERA

 13

Ejemplo:

IND9-4 DIRECCIÓN FINANCIERA

 • Error cuadrático medio: El MSE es el promedio de los
14
cuadrados de las diferencias encontradas entre los valores pronosticados y los
observados. Su fórmula es:

Ejemplo:

• Error porcentual absoluto medio: Un problema tanto con la MAD como con el
MSE es que sus valores dependen de la magnitud del elemento que se pronostica.
Si el elemento pronosticado se mide en millares, los valores de la MAD y del MSE
pueden ser muy grandes. Para evitar este problema, podemos usar el error
porcentual absoluto medio (MAPE). Éste se calcula como el promedio de las
diferencias absolutas encontradas entre los valores pronosticados y los reales, y
se expresa como un porcentaje de los valores reales. Es decir, si hemos
pronosticado n periodos y los valores reales corresponden a esa misma cantidad
de periodos, el MAPE se calcula como:

IND9-4 DIRECCIÓN FINANCIERA

 15

Ejemplo, con datos del ejemplo de desviación absoluta media y de error cuadrático
medio:

3.1.2.2. Métodos causales o asociativos

Considera los factores presentes en el entorno de tu producto o servicio que pueden
afectar su demanda.
Un método como la regresión lineal te permite analizar el impacto de los factores causales
con relación a la demanda de tu producto o servicio para obtener un estimado.
(Betancourt, 6 metodos cualitativos para pronosticar la demanda, 2016)

Esta técnica 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).
Si decidimos desarrollar una recta de tendencia lineal mediante un método estadístico
preciso, podemos aplicar el método de mínimos cuadrados. Este enfoque resulta en una
línea recta que minimiza la suma de los cuadrados de las diferencias verticales o
desviaciones de la recta hacia cada una de las observaciones reales (Heizer & Render,

IND9-4 DIRECCIÓN FINANCIERA

 2009). En la siguiente figura observamos el método de mínimos
16
cuadrados y se la recta se expresa de esta forma:

Los estadísticos han desarrollado ecuaciones que se utilizan para encontrar los valores de
a y b para cualquier recta de regresión. La pendiente b se encuentra mediante:

La intersección con el eje y, a, puede calcularse como sigue:

IND9-4 DIRECCIÓN FINANCIERA

 Ejemplo:
17

IND9-4 DIRECCIÓN FINANCIERA

 18

3.2. Enfoques de los pronósticos económicos

En términos generales, hay cinco enfoques de los pronósticos económicos basados en
series de tiempo: 1) métodos de suavizamiento exponencial, 2) modelos de regresión
uniecuacionales, 3) modelos de regresión de ecuaciones simultáneas, 4) modelos
autorregresivos integrados de promedios móviles (ARIMA) y 5) modelos de vectores
autorregresivos (VAR).

3.2.1. Métodos de suavizamiento exponencial

En esencia son métodos para ajustar una curva apropiada a datos históricos de una
determinada serie de tiempo. Existen diversos tipos, como el de suavizamiento
exponencial simple, el método lineal de Holt y el método de Holt-Winters, así como sus
variaciones. Aunque todavía se emplean en varias áreas para pronósticos en los negocios
y la economía, ahora se complementan (¿o sustituyen?) por los otros cuatro métodos
mencionados.

3.2.2. Modelos de regresión uniecuacionales

Dedicamos una parte sustancial de esta obra a los modelos de regresión uniecuacionales.
Como ejemplo de un modelo de regresión uniecuacional, considere la función de
demanda de automóviles. La teoría económica postula que la demanda de automóviles es
función de sus precios, gasto en publicidad, ingreso del consumidor, tasa de interés (como

IND9-4 DIRECCIÓN FINANCIERA

 medida del costo de endeudamiento) y otras variables relevantes (por
19
ejemplo, tamaño de la familia o distancia al trabajo). A partir de las series de tiempo
estimamos un modelo apropiado de demanda de automóviles (lineal, log-lineal o no
lineal), el cual sirve para el pronóstico de la demanda en el futuro.
3.2.3. Modelos ARIMA
La publicación de G. P. E. Box y G. M. Jenkins Time Series Analysis: Forecasting and
Control, op. cit., marcó el comienzo de una nueva generación de herramientas de
pronóstico. Popularmente conocida como metodología de Box-Jenkins (BJ), pero
técnicamente conocida como metodología ARIMA, el interés de estos métodos de
pronósticos no está en la construcción de modelos uniecuacionales o de ecuaciones
simultáneas, sino en el análisis de las propiedades probabilísticas, o estocásticas, de las
series de tiempo económicas por sí mismas según la filosofía de que los datos hablen por
sí mismos. A diferencia de los modelos de regresión, en los cuales Yt se explica por las k
regresoras X1, X2, X3, . . . , Xk, en los modelos de series de tiempo del tipo BJ, Yt se
explica por valores pasados o rezagados de sí misma y por los términos de error
estocásticos. Por esta razón, los modelos ARIMA reciben algunas veces el nombre de
modelos ateóricos —porque no se derivan de teoría económica alguna—, y las teorías
económicas a menudo son la base de los modelos de ecuaciones simultáneas.
3.2.4. Modelos VAR
A primera vista, la metodología VAR se asemeja a los modelos de ecuaciones
simultáneas, pues considera diversas variables endógenas de manera conjunta. Pero cada
variable endógena se explica por sus valores rezagados, o pasados, y por los valores
rezagados de todas las demás variables endógenas en el modelo; usualmente no hay
variables exógenas en el modelo. (Porter & Gujarati, 2010)
3.3. Series de tiempo financieras
Las series de tiempo financieras, como precios de acciones, tasas de cambio, tasas de
inflación, etc., a menudo presentan el fenómeno de acumulación de la volatilidad; es decir,
existen lapsos en los que sus precios muestran amplias variaciones durante prolongados
periodos y luego se dan intervalos de una calma relativa. Dentro de estas encontramos el
modelo ARCH Y GARCH. (Porter & Gujarati, 2010)

4. Ejemplo de proyección de flujos de caja libre

En el siguiente ejemplo, podremos ver la proeycción de un flujo de caja libre de la
empresa Alicorp S.A.A., haciendo uso de la tasa de crecimiento (g).

• Estado de resultados: Durante el 2017 las ventas de Alicorp ascendieron a S/

7,101.4 millones, 7.1% superiores respecto al 2016, impulsadas principalmente
por el crecimiento del negocio de Acuicultura así como de consumo masivo, con
lo cual se alcanza un margen bruto de S/ 2,278.3 millones, 13.5% por encima del
resultado del año anterior, tal como se presta en el siguiente cuadro:

IND9-4 DIRECCIÓN FINANCIERA

 20

Tabla 1:Estado de resultados de Alicorp S.A.A. 2013-2017 (en miles de soles). Fuente:
Calienes, Y.,Chuco, C. & Marcellini, W.

• Utilidad Operativa Neta Después de Impuestos (NOPAT): La Utilidad

Operativa Neta Después de Impuestos (UONDI) o Net Operating Profit After
Taxes (NOPAT) en inglés, es el beneficio operativo después de impuestos que al
cierre de 2017 ha alcanzado los S/ 521.9 millones (S/ 455.2 millones en 2016),
representando el beneficio operativo menos el impuesto que en 2017 fue de
29.5%, y que al final es como calcular el margen operativo que quedaría para los
accionistas si la empresa no tuviera deuda.

IND9-4 DIRECCIÓN FINANCIERA

 21

Tabla 2: Utilidad Neta Después de Impuestos de Alicorp S.A.A. (2013-2917). Fuente:

Calienes, Y.,Chuco, C. & Marcellini, W.

• Proyección de flujos de caja libre: Dada la utilidad operativa neta después de

impuestos (UONDI) o NOPAT (en inglés) al cierre de 2017 de S/ 521.9 millones,
se le añade la depreciación del ejercicio de S/ 164.3 millones, alcanzando un flujo
de caja operativo de S/ 686.3 millones. A esta cantidad, se le añade la inversión
del capital de trabajo neto operativo y de la diferencia del activo fijo o CAPEX
(Capital Expenditure, en inglés), obteniendo el flujo de caja libre, de S/ 543.6
millones para el año considerado.
Ahora bien, si se analiza la evolución del NOPAT en los tres últimos años, éste
ha crecido por encima del 12% anual, pero, dado que el WACC ha sido de 11.9%,
se ha considerado un nivel máximo de 11%, debido a que este costo ponderado ha
sido menor en los dos años anteriores, 9.4% y 8.3% en 2016 y 2015,
respectivamente. A continuación, se presenta el flujo de caja libre de la empresa
para el 2018.

Tabla 3: Proyección de flujos de caja sin crecimiento de Alicorp S.A.A. (en miles de
soles). Fuente: Calienes, Y.,Chuco, C. & Marcellini, W.

• Valor terminal: Se considera el valor terminal como una perpetuidad sin

crecimiento, es decir, la empresa no crece a partir del año 2018, y mantiene su
nivel de ventas constante, tal como se expresa en el cuadro anterior. Entonces para
determinarlo, calculamos el valor presente de una perpetuidad, de los flujos de
caja a partir de 2018.

IND9-4 DIRECCIÓN FINANCIERA

 El valor de la empresa, en un panorama de flujo de caja
22
proyectado sin crecimiento es de S/ 4,559.9 millones. Tomar como ratio el flujo
de caja libre del año siguiente, entre la diferencia del WACC y el crecimiento que
en este caso es cero (0), no sería lo más útil dado el nivel de apalancamiento de la
empresa que alcanza los S/ 1,953.4 millones, nivel más que proporcional con
respecto al valor de la empresa logrado. Por ello, se presenta un flujo de caja con
un crecimiento de 4%, 5%, 6%, 7% y 8%, respectivamente, dado que con menor
de 1% se estaría generando un valor del Equity después de la deuda financiera,
menor al patrimonio; en esas condiciones es imposible valorizar una empresa con
performance e intangible tan importante como Alicorp.

Tabla 4: Proyección de flujos de caja con crecimiento de 4% de Alicorp S.A.A. Fuente:

Calienes, Y.,Chuco, C. & Marcellini, W.

Con un crecimiento de 4% anual, el valor del equity es de S/ 5,183.8 millones que,

dividido entre el valor en libros del patrimonio del 2017 de S/ 2,898.9 millones,
proporciona una razón de mercado frente a valor en libros de 1.79 veces y una
razón de múltiplos de un equity dividido entre el EBITDA de 2017 de 5.73 veces,
inferior de 10 veces al nivel de las últimas adquisiciones en el mercado local
corporativo.

IND9-4 DIRECCIÓN FINANCIERA

 23

Tabla 5:Proyección de flujos de caja libre con crecimiento de 5% de Alicorp S.A.A.

Fuente: Calienes, Y.,Chuco, C. & Marcellini, W.

Con un crecimiento de 5% anual, el valor del equity es de S/ 6,293.7 millones que,

dividido entre el valor en libros del patrimonio del 2017 de S/ 2,898.9 millones,
proporciona una razón de mercado frente a valor en libros de 2.17 veces y una
razón de múltiplos de un equity dividido entre el EBITDA de 2017 de 6.96 veces,
inferior de 10 veces al nivel de las últimas adquisiciones en el mercado local
corporativo.
En los diversos escenarios donde hay crecimiento, tanto moderados como
optimistas, la aplicación de los respectivos flujos de caja libre, el cálculo de la tasa
de descuento y la tasa de crecimiento, permiten demonstrar que Alicorp S.A.A.
tiene valoraciones crecientes, muy acorde con la realidad observada en la
empresa, con un crecimiento elevado y sostenido, siendo líder en su sector y en la
economía del País.
Se hizo uso del método de flujo de caja descontado, porque calcula el valor de la
empresa considerando su crecimiento y permanencia en el mercado. (Calienes,
Y.,Chuco, C. & Marcellini, W., 2018)

IND9-4 DIRECCIÓN FINANCIERA

 5. Bibliografía
24
Betancourt, D. F. (11 de enero de 2016). 6 metodos cualitativos para pronosticar la
demanda. Obtenido de Ingenio & Empresa: https://ingenioempresa.com/metodos-
cualitativos-pronostico-demanda/
Betancourt, D. F. (14 de marzo de 2016). 6 metodos de pronóstico cuantitativo. Obtenido
de Ingenio & Empresa: https://ingenioempresa.com/metodos-cuantitativos-
pronostico-demanda/

Corvo, H. S. (2019). Flujo de caja proyectado: en que consiste y ejemplo. Obtenido de

lifeder: https://www.lifeder.com/flujo-de-caja-
proyectado/#Usos_del_flujo_de_caja_proyectado
Heizer, J., & Render, B. (2009). Principios de administración de operaciones. México:
Pearson Education de México, S.A.
Krajewski, L. J., Ritzman, L. P., & Malhotra, M. K. (2008). Administración de
operaciones, procesos y cadenas de valor. México: Person Educación de México,
S.A. Obtenido de
file:///C:/Users/51980/AppData/Local/Packages/Microsoft.MicrosoftEdge_8wek
yb3d8bbwe/TempState/Downloads/Administracion%20de%20Operaciones%20
%20Krajewski%20(1).pdf
Palma, J. (30 de agosto de 2013). Analisi y proyecciones del flujo de caja. Obtenido de
SlideShare: https://es.slideshare.net/SalvadorPalma/todo-sobre-el-lfujo-de-caja

Porter, D. c., & Gujarati, D. N. (2010). Econometría. México, D. F.: McGRAW-

HILL/INTERAMERICANA EDITORES, S.A. Obtenido de
https://scalleruizunp.files.wordpress.com/2015/04/econometria_-_damodar_n-
_gujarati.pdf
Calienes, Y.,Chuco, C. & Marcellini, W.(2018). Valoración de la empresa Alicorp S.A.A.
Lima-Perú. Obtenido de
http://repositorio.ucss.edu.pe/bitstream/handle/UCSS/563/Calienes_Chuco_Mar
cellini_tesis_maestria_2018.pdf?sequence=4&isAllowed=y

IND9-4 DIRECCIÓN FINANCIERA