IUP.

“SANTIAGO MARIÑO”
CABIMAS ESTADO ZULIA

REPÚBLICA BOLIVARIANA DE VENEZUELA

MINISTERIO DEL PODER POPULAR PARA LA
EDUCACIÓN UNIVERSITARIA
CIENCIA Y TECNOLOGÍA
INSTITUTO UNIVERSITARIO POLITÉCNICO
“SANTIAGO MARIÑO”
EXTENSIÓN COL CABIMAS

SERIES CRONOLÓGICAS: HERRAMIENTA EFICAZ PARA EL PRONÓSTICO DE

VENTAS
Trabajo Académico Especial (I.R.R.A) presentado para optar el título de Ingeniero
Industrial

REALIZADO POR:
PADRON MARIEL C.I. 17.335.050
GOMEZ VIVIANA C.I. 17.820.526
Autor: Melina Nava
JOSEPH TOYO C.I. 17.820.169 Tutor: Econ. Carlos Antequera M.S.c
IGNACIO PEREZ C.I. 18.793.618
JESUS ROJAS C.I. 17.826.756
DOUGLAS TIGRERA C.I. 18.216.167
PROF: THAMARA YANNATASIO
Cabimas, febrero 2022
CABIMAS, JULIO DE 2005.
 INSTITUTO UNIVERSITARIO POLITÉCNICO

“SANTIAGO MARIÑO”
EXTENSIÓN COL - CABIMAS

SERIES CRONOLÓGICAS: HERRAMIENTA EFICAZ PARA EL PRONÓSTICO DE

VENTAS

Autor

Melina Nava

Cabimas, febrero 2022

SERIES CRONOLÓGICAS: HERRAMIENTA EFICAZ PARA EL PRONÓSTICO DE
VENTAS
 1. Delimitación del tema o problema

En la actualidad, diariamente los directivos y dueños de pequeñas, medianas y

grandes empresas se ven enfrentados al problema de pronosticar el nivel futuro de su
actividad económica. En este sentido, para hacer frente a dicha problemática
mencionada anteriormente, deben contar con personal capacitado en materia financiera,
quienes realicen los pronósticos de ventas, utilidades, inversiones y costos entre otros,
que ayuden a lograr las metas organizacionales en el ámbito económica.
Por consiguiente, dichos pronósticos, constituyen elementos importantes de la
planificación de los negocios; sin embargo, para lograrlos, se necesita conocer y disponer
de información confiable y suficiente del pasado; estudiarla y detectar tendencias,
variaciones cíclicas y estaciónales, con el fin de poderlas reproducir a través de modelos
estadísticos (Rowe, 2010).
Cabe destacar que existen una gran cantidad de modelos de pronósticos, algunos
sencillos, los tradicionales de la regresión múltiple, otros más sofisticados como los
modelos de series temporales propuestos por Box y Jenkis; modelos que involucran
redes neurales, o las propuestas de series temporales con volatilidad variante en el
tiempo (modelos ARCH) y los de Clive W. J. Granger desarrollados con tendencias
comunes (modelos de co-integración).
En este mismo orden de ideas se puede señalar que aparecen también los modelos
generalizados GARCH estudiados por Bollersley (1986) y los modelos de volatilidad
estocástica (SV) como alternativa a las falencias del uso de los modelos anteriores.
Todos estos modelos tienen unos denominadores comunes, estos son: la dependencia
de una información confiable, adecuadamente caracterizada, normalizada y almacenada,
que unida a la experiencia y pericia del investigador, puede generar buenas o malas
estimaciones siempre y cuando las condiciones históricas sean muy similares a las que
se pretenden modelar en el futuro.
De modo que vale señalar que, pronosticar es fundamental en las pequeñas y
medianas empresas pymes puesto que las predicciones se pueden incorporar al proceso
de toma de decisiones inteligentes. En particular, las pequeñas empresas requieren
pronósticos de muchos hechos y situaciones en todas las fases de su producción. En el
sitio de trabajo, deben estar disponibles pronósticos confiables de las ventas para poder
planificar las estrategias de la producción (Moreno, 2018).
 Por ejemplo, en un programa de producción se requieren las predicciones de la
demanda de cada producto, dichas proyecciones se elaboran para periodos concretos
que pueden ser días específicos, semanas o meses. Estas estimaciones permiten a los
propietarios poder planificar la producción y el mantenimiento del inventario. Los
pronósticos de la demanda para cada producto se pueden leer en pronósticos de
cantidades necesarias de materia prima, de modo que las compras se puedan planificar
(Moreno, 2018). En este sentido, la presente investigación tiene como propósito analizar
el uso de las series cronológicas como herramienta eficaz para el pronóstico de ventas.
Para ello será necesario indagar sobre los métodos cuantitativos para establecer
pronósticos.

1.1. Formulación del tema o problema

Esta investigación se centra en el análisis del uso de las series cronológicas como
método estadístico para el pronóstico de ventas, presentado para ello una combinación
de investigación documental y caso practico donde se ilustre cómo funciona este método
estadístico para la solución de problema en la práctica financiera empresarial

Con base a lo expuesto, se presenta a siguiente pregunta de investigación, la cual

será objeto de estudio: ¿El uso de las series cronológicas como método estadístico será
eficaz para el pronóstico de ventas?

1.2. Descripción del contenido (hipótesis del trabajo)

En la presente investigación se analizan una serie de teorías, coneptualizaciones y

estudios considerados de carácter cientifico, los cuales con considerados válidos y
confiables para una invetsigacion a niel universitario, en el documento presentado se
organiza y se conceptualizan las variables de estudio: series cronológicas y
pronostico de ventas en el ámbito del desarrollo del mismo. Asimismo, con la
investigación desarrollada se pretende comprobar la siguiente hipótesis:

H= El uso de las series cronológicas es un método estadístico será eficaz para el

pronóstico de ventas

1.3. Propósito de la investigación

 El propósito de la investigación esencialmente es analizar el uso de las series
cronológicas como herramienta eficaz para el pronóstico de ventas, siendo este un tema
de actualidad en el área financiera de cualquier organización, enmarcado en la ingeniería
industrial siendo este un método utilizado para que las empresas logren cumplir con sus
objetivos en materias económica.

1.4. Marco conceptual de referencia alterna

Según Arias (2012), el marco teórico o marco referencial, es el producto de la

revisión documental–bibliográfica, y consiste en una recopilación de ideas, posturas de
autores, conceptos y definiciones, que sirven de base a la investigación por realizar. En
este sentido a continuación se presentan los conceptos y teorías relacionadas con las
variables bajo estudio: series cronológicas y pronóstico de ventas. Con el desarrollo de
este marco se podrá obtener una visión general y completa de los aspectos prácticos que
serán desarrollados en el presente Trabajo Académico Especial de Recuperación de
Índice (I.R.R.A).

Pronósticos

Los pronósticos a menudo son utilizados para poder predecir la demanda del
consumidor de productos o servicios, aunque se pueden predecir una amplia gama de
sucesos futuros que pudieran de manera potencial influir en el éxito. Un pronóstico de
ventas es una estimación o nivel esperado de ventas de una empresa, línea de productos
o marca de producto, que abarca un periodo de tiempo determinado y un mercado
específico (Kotler, 2012).
Asimismo, se tiene que el pronóstico conlleva toda la serie de actividades enfocadas
a la estimación y el análisis de las ventas futuras de un producto en particular, una familia
de productos o servicios, mediante la aplicación sistemática de las metodologías de
predicción existentes, con la finalidad de que las estimaciones futuras funcionen como
base para la toma de decisiones de la administración. El arte de mirar hacia el pasado
para predecir el futuro (Diaz, 2010).

Métodos cuantitativos para establecer pronósticos

 Estas técnicas necesitan el estudio de información histórica para estimar los valores
futuros de la variable de interés. Estos modelos se pueden agrupar en dos clases:
univariados y causales (Moreno, 2018). Asimismo, Makridakis, Wheelwright, y Hyndman,
(2008, p. 9) mencionan que los pronósticos cuantitativos pueden aplicarse cuando
existan las siguientes condiciones: 1. Información disponible acerca del pasado 2. La
información puede ser cuantificada 3. El patrón de comportamiento de la información en
el pasado, continuará en el futuro. Los métodos cuantitativos presentan dos
características:
1. Se expresan en notación matemática. Por lo tanto, establecen un registro no ambiguo
sobre la forma de cómo se hace la predicción, esto permite una comunicación clara sobre
el pronóstico entre aquellos a quienes interesa. Además proporciona una oportunidad de
hacer modificaciones sistemáticas y mejorar la técnica de pronosticar.
2. Mediante el uso de computadoras, un modelo se puede basar en una cantidad
importante de datos. Por ejemplo los sistemas de control de inventarios que requieren
pronósticos actualizados cada mes para miles de artículos, no podrían ser construidos
sin modelos cuantitativos y computadoras. Se distinguirán dos categorías de pronósticos
cuantitativos: modelos por series de tiempo y modelos causales.

Modelos univariados

Predicen el futuro de una serie con base en su comportamiento histórico propio; son
muy útiles si el patrón detectado en el pasado se mantiene hacia el futuro, de lo contrario
no son aconsejables. Los modelos integrated autoregressive moving average model
(ARIMA model) son representativos de este grupo (Moreno, 2018). En la siguiente
imagen se representan la formulación matemática de este modelo:
 Figura 1. Modelo ARIMA. Fuente:

Procedimiento iterativo de construcción de modelos para procesos ARIMA

1. Identificación
El valor de la serie en un instante t puede depender de valores pasados inmediatos (por
ejemplo autocorrelaciones de primer y segundo orden significativas), de valores pasados
del año anterior (por ejemplo autocorrelaciones cercanas a 1 de orden s y en su entorno
y en sus múltiplos, (s=4 en el caso trimestral, s=12 en el caso mensual)), y de valores
históricos a largo plazo (autocorrelaciones significativas cercanas a 1 persistentes). En
este trabajo para identificar el modelo más adecuado para cada una de las series se usa
la función de autocorrelación y la función de autocorrelación parcial. La función de
autocorrelación k se estima por rk, mientas que la función de autocorrelación parcial kk
se estima por kk* resolviendo las ecuaciones de Yule-Walker. Durbin propuso un
método iterativo para el cálculo de kk* que es el que se usa en los paquetes
estadísticos. Analizando las funciones estimadas rk y kk* se determina el orden de
diferenciación regular o estacional, y luego en la serie original o diferenciada (si fuera
necesario) el orden p (y/o P) de parámetros autorregresivos y/o q (y/o Q) de medias
móviles.

2. Estimación y validación

Luego de estimar los parámetros del modelo se procede a su validación. Para medir la
calidad del ajuste de un modelo ARMA (p, q) se analiza la autocorrelación de los residuos
estimados ( t a , t =1,…, T) a través de la inspección de las gráficas de las funciones de
autocorrelación y autocorrelación parcial. Si el modelo está correctamente especificado y
se conocen los parámetros del modelo, las autocorrelaciones de los residuos k( a ) son
asintóticamente incorrelacionadas y tienen media cero y varianza 1/N, y se puede
establecer intervalos de confianza (al 95%), 2 ,2 N N  para sus valores. En la práctica
no se conocen los parámetros del modelo y las correlaciones disponibles son las de los
residuos estimados rk   a , por lo que este intervalo de confianza es aproximado. En el
proceso de validación del modelo seleccionado se analizan las predicciones y los errores
de predicción a lo largo del tiempo. En la próxima sección se muestran las medidas
utilizadas a tal fin. Si el modelo sortea estos mecanismos de validación se sigue usando;
si no lo hace, se analiza su modificación o abandono, volviéndose a las etapas anteriores
en un ciclo iterativo.

3. Predicción

Se dispone de una serie de tiempo hasta el instante T x x t T  t t  , 1,..., , para la cual

se ha estimado un modelo ARIMA. Sea T h x  el valor futuro de la serie h pasos en
adelante. Siguiendo a Box & Jenkins (1970), la esperanza condicional de T h x  dado los
valores hasta el instante T: [ , ,...] T h T T 1 E x x x es el estimador que minimiza el
error cuadrático medio de predicción. Sea x h T la predicción h pasos en adelante con
origen en T. Se define según lo ejemplificado en la imagen siguiente:
Figura 2. Predicción modelo ARIMA. Fuente:

4. Construcción de la Predicción

Como se comentó en los antecedentes existen dos formas de elaborar predicciones en el

caso de una variable agregada (cualquiera sea el motivo de agregación): por medio de
una modelización directa del agregado o por combinación de resultados de modelización
de los componentes. También es importante relacionar las predicciones para una misma
serie obtenidas por diversas fuentes y esto se enfoca desde la combinación de
predicciones.

4.1 Método directo vs indirecto

Cuando una serie se obtiene como agregado (temporal, temático o de clasificación)

pueden producirse dos tipos de predicciones: directas o indirectas. La predicción directa
se obtiene cuando se aplica un modelo a la serie agregada, mientras que la predicción
indirecta surge de aplicar un modelo a cada componente y luego agregar las
predicciones resultantes según la fórmula del agregado. En el caso temporal y
particularmente de la inflación, si se quiere predecir el trimestre corriente se toma como
valor la predicción con origen móvil obtenida al conocer los valores mensuales, mientras
que si se estuviera estimando el trimestre a partir de la agregación de un indicador
mensual se promediaría los valores observados y predichos para el trimestre corriente. Si
bien la idoneidad de uno u otro método es un tema empírico, Lütkepohl (1987) sugiere
que cuanto menos correlacionados sean los componentes elegidos, mayor será el
beneficio de agregar pronósticos de los componentes como pronóstico del agregado. Por
otra parte, en ciertos casos las predicciones obtenidas a partir de modelos estadísticos
pueden ser modificadas en base a conocimientos del experto y en otros, donde los
cambios son discrecionales, el conocerlos de antemano permite mejorar una predicción
agregada2 . La forma de introducir estos cambios puede ser por medio de una
estimación (estructura, variaciones fijas), de un juicio técnico o una expresión de deseo.
Cuando se utilice alguna de las formas mencionadas anteriormente será especificado .

4.2 Combinación de Predicciones

En el caso que se disponga de más de un modelo para la generación de las

predicciones, éstas se pueden combinar por suma ponderada con coeficientes menores
que 1, donde los coeficientes pueden ser iguales o diferentes, siendo por ejemplo
inversamente proporcionales a la varianza del error de predicción. En general no hay una
recomendación única, sino que depende de la homogeneidad y variabilidad de los
componentes de los agregados. Desde el artículo de Bates & Granger (1969) se ha
escrito abundante literatura sobre el tópico, siendo actualmente un tema muy vigente.

Asimismo se tiene el modelo SARIMA, que es una extensión del modelo anterior, en la
figura 2 se describe el mismo:
Figura 3. Modelo SARIMA. Fuente:

Modelos causales

Requieren la identificación de otras variables que se relacionan de la manera causa

efecto con la variable que se desea predecir. Una vez identificadas estas variables
relacionadas, se construye un modelo estadístico que pretende describir la relación entre
estas variables y la variable que se desea pronosticar. Los modelos de regresión lineal
simple y los modelos de regresión lineal múltiple son los más conocidos de este grupo
(Moreno, 2018).
En un modelo causal, nuestro conocimiento del valor de una variable ( o quizá de varias
variables ) nos habilita para predecir el valor de otra. En términos más precisos, de
acuerdo con Anderson, Sweeney, y Williams (2009, p. 164) los pronósticos causales se
basan en la hipótesis de que la variable que se quiere pronosticar exhibe una relación
causa - efecto con otra u otras variables. Para usar un modelo causal, se requieren dos
condiciones:
1. Una relación entre los valores de las variables, tales que una proporcione información
sobre la otra u otras.
2. Los valores de una variable deben ser conocidos y estar disponibles para la predicción
en el momento en que ésta deba hacerse. De los modelos causales en este trabajo se
describe el análisis de regresión.
Series de tiempo o cronológicas

Tal como lo expone Colomina (2021), durante el proceso de Investigación de

Mercados, es fundamental tener todos los factores que pueden determinar el éxito de un
negocio a corto, medio y largo plazo. Entre los factores más comunes y más importantes
que se debe de tener en cuenta en la Investigación de Mercados es la Planificación de
Ventas. Existen dos métodos de previsión de ventas que son muy usados no solo en la
Investigación de Mercados, sino también en otros ámbitos de la empresa, como la
Investigación Operativa, Finanzas y la Planificación de Recursos Humanos.
Una serie de tiempo es una serie de registros realizados en diversos periodos de tiempo
(días, semanas, meses, trimestres, años). Los registros son valores numéricos que
varían en el tiempo. Un aspecto básico del estudio de las series de tiempo requiere
analizar la naturaleza de estas variaciones. Las variaciones de una serie de tiempo ‒ST‒
se clasifican en sistemáticas y aleatorias; las sistemáticas ocurren con regularidad y se
pueden modelar; las aleatorias son causadas por situaciones aisladas como terremotos,
huelgas y, en consecuencia, son difíciles de modelar. Los economistas han identificado
tres diferentes tipos de variaciones: tendencia secular, variaciones cíclicas y variaciones
estacionales (Zuwaylif, 2015).

● La tendencia secular describe la naturaleza general de la serie en periodos largos

de tiempo y son debidas a fuerzas importantes como crecimiento de la población,
cambios en tecnología y en los hábitos de consumo de los consumidores, entre otras.
Estas situaciones pueden desembocar en tendencias ascendentes, descendentes e
incluso ninguna (Zuwaylif, 2015).
También puede decirse que la tendencia secular o tendencia a largo plazo de una serie
es por lo común el resultado de factores a largo plazo. En términos intuitivos, la tendencia
de una serie de tiempo caracteriza el patrón gradual y consistente de las variaciones de
la propia serie, que se consideran consecuencias de fuerzas persistentes que afectan el
crecimiento o la reducción de la misma, tales como: cambios en la población, en las
características demográficas de la misma, cambios en los ingresos, en la salud, en el
nivel de educación y tecnología. Las tendencias a largo plazo se ajustan a diversos
esquemas. Algunas se mueven continuamente hacía arriba, otras declinan, y otras más
permanecen igual en un cierto período o intervalo de tiempo (Uson, 2018).
● Variaciones estacionales se efectúan cuando las observaciones son realizadas en
intervalos inferiores a un año (semanas, meses, trimestres); estas pueden reflejar
comportamientos estacionales que se repiten de la misma manera y con la misma
regularidad año tras año. El término estacional proviene de los países con estaciones;
estas pueden influir en la evolución de los negocios; en nuestro medio dependen de las
costumbres y hábitos que se manifiestan durante el año (Zuwaylif, 2015).

Adicionalmente, Uson (2018), indica que el componente de la serie de tiempo que

representa la variabilidad en los datos debida a influencias de las estaciones, se llama
componente estacional. Esta variación corresponde a los movimientos de la serie
que recurren año tras año en los mismos meses (o en los mismos trimestres) del año
poco más o menos con la misma intensidad. Por ejemplo: Un fabricante de albercas
inflables espera poca actividad de ventas durante los meses de otoño e invierno y
tiene ventas máximas en los de primavera y verano, mientras que los fabricantes de
equipo para la nieve y ropa de abrigo esperan un comportamiento anual opuesto al
del fabricante de albercas.
● Variaciones cíclicas corresponden a fluctuaciones a largo plazo, más o menos
periódicas que se repiten regularmente cada cierto número de años, en las actividades
económicas en periodos de crisis y de recuperación (Zuwaylif, 2015). Asimismo, se tiene
que Con frecuencia las series de tiempo presentan secuencias alternas de puntos abajo
y arriba de la línea de tendencia que duran más de un año, esta variación se mantiene
después de que se han eliminado las variaciones o tendencias estacional e irregular. Un
ejemplo de este tipo de variación son los ciclos comerciales cuyos períodos recurrentes
dependen de la prosperidad, recesión, depresión y recuperación, las cuales no dependen
de factores como el clima o las costumbres sociales (Uson, 2018).

Elementos a identificar en una Serie Temporal

 Tendencia: Representa si los valores crecen o decrecen a largo plazo. Ejem:
crecimiento del número de visitantes en la página web.
 Variaciones cíclicas: Representa las variaciones de tendencia producidas en
períodos mayores a un año. Ejemplo: Los beneficios anuales de la empresa.
 Variaciones estacionales: Representa las variaciones de tendencia producidas
en periodos menores a un año. Ejemplo: Ventas producidas antes y después de
verano.
  Variaciones residuales: Representan las variaciones de tendencia producidas de
forma aleatoria, ya sea por acontecimientos inesperados o por falta datos.
Ejemplo: Una perturbación meteorológica inesperada. Tipos de análisis utilizando
series temporales

Modelado y pronostico
Las series de tiempo a menudo se utilizan para respaldar modelos estadísticos. El
objetivo de estos modelos es doble: explicar el pasado y pronosticar el futuro. En la
cadena de suministro, prever la demanda futura es necesario para determinar los
pedidos de compra y producción y para minimizar los riesgos de excedentes de stock. Es
habitual distinguir, dentro de una serie de tiempo, un nivel primario (llamado base), una
evolución a largo plazo (llamada tendencia), variaciones cíclicas o periódicas (llamadas
estacionalidad) y otras variaciones aleatorias que llamamos ruido. Esto nos permite
identificar variaciones en los datos vinculadas con ciclos regulares a partir una tendencia
subyacente de aumento o disminución. Estos patrones proporcionan la base para los
pronósticos económicos (Barbier, 2021).

Tipos de pronostico
De acuerdo a lo expresado por Barbier (2021), Existen tres tipos principales de
pronósticos, cada uno de los cuales tiene finalidades diferentes. A continuación se
describen cada uno de estos: por punto, probabilísticos y generativos.

Pronósticos de punto
Los pronósticos de punto tienen como objetivo proporcionar el "mejor" valor futuro de una
variable de acuerdo con una métrica de error especificada. Es el caso del pronóstico del
tiempo meteorológico, por ejemplo, que para cada día pronostica un único valor de
temperatura. Un pronóstico de punto no busca representar de modo fiel la evolución de
esta variable (el lector sabe bien que es probable que la temperatura varíe en torno a ese
valor pronosticado), pero sirve como indicación útil para el lector y es una base sólida
para tomar decisiones futuras (Barbier, 2021).

Pronósticos probabilísticos
Los pronósticos probabilísticos proporcionan todas las distribuciones de probabilidad del
valor futuro. A menudo se utilizan intervalos de confianza para visualizar esos
pronósticos, que pueden ser útiles, por ejemplo, para fines especulativos (Barbier, 2021).

Pronósticos generativos
Los pronósticos generativos hacen que la evolución de la variable parezca "natural" o
"plausible", dejando margen para un cierto grado de contingencia y evolución aleatoria.

Ventajas y desventajas de las Series Temporales

Entre las principales ventajas, cabe destacar que las Series Temporales permiten un
análisis bastante amplio de datos cuantitativos acumulados a lo largo de un determinado
periodo de tiempo, además de hacer pronósticos muy útiles que permiten una mejor
planificación de las ventas e incorporar mejoras en el plan de marketing (Colomina,
2021).
Sin embargo, cabe señalar que en muchas ocasiones las Series Temporales no suelen
ser muy útiles, ya que no siempre se dispone de datos longitudinales y en la mayoría de
los casos puede haber variaciones residuales que dificulten nuestro análisis. Por ello, es
recomendable disponer de la mayor información disponible y detectar cualquier variación
residual que nos pueda perjudicar en nuestro análisis. Por ello es importante que la fase
de recolección de datos sea de la manera más eficiente posible (Colomina, 2021).

2. Acopio de información
A continuación, se presenta la fase de acopio de información desarrollada para dar
sustento científico a la investigación que se está desarrollado en relación a las series de
tiempo o cronológicas para el pronóstico de ventas.

2.1. Selección de repertorio bibliográfico

En la tabla 1 se muestran los artículos, tesis, libros y demás documentos seleccionados
para desarrollar el estudio.

Tabla 1. Repertorio bibliográfico

Autor Año Titulo

Arturo Contreras Juárez, Catya, 201 Análisis de series de tiempo en el

 pronóstico de la demanda de
Atziry Zuñiga, José Luis Martínez
6 almacenamiento de productos
Flores Diana Sánchez Partida
perecederos

Sergio Botero Botero* 200 Análisis de series de tiempo para la

8 predicción de los precios de la energía en
Jovan Alfonso Cano Cano
la bolsa de Colombia.

Fernanda Villarreal 201 Introducción a los Modelos de

6 Pronósticos

Maxime Barbier 202 Series de tiempo (cadena de suministro)

1

Pablo Colomina 202 Planificación de Ventas mediante Series

1 Temporales

2.2. Lectura del material seleccionado

Los pronósticos son una herramienta que proporciona un estimado cuantitativo de la

probabilidad de eventos futuros. La relevancia de incorporar pronósticos en la demanda
de almacenamiento en productos perecederos dentro de la cadena de frío deriva de su
importancia económica y social. Este caso de estudio presenta una empresa con
tendencia de crecimiento dedicada al almacenamiento de productos perecederos e
incorpora técnicas de pronósticos de series de tiempo, en el volumen de ingreso y egreso
de los productos en una cámara frigorífica, con el fin de estimar el volumen de
almacenamiento para prever los requerimientos de instalaciones adicionales, personal y
materiales necesarios para la movilidad de los productos (Contreras et al, 2016).
La planeación del futuro, es un aspecto relevante en cualquier organización. El éxito a
largo plazo depende de cuán bien la gerencia anticipa el futuro y elabora las estrategias
apropiadas. El buen juicio, la intuición y tener conciencia del estado de la economía
pueden dar a un gerente una idea aproximada o “intuición” de lo que es probable que
suceda en el futuro. Sin embargo, es difícil convertir esta intuición en un número que
pueda usarse, como el volumen de ventas del siguiente trimestre o el costo de la materia
prima por unidad para el año próximo (Villarreal, 2016).
Las series de tiempo son una de las herramientas matemáticas más básicas y
versátiles en los negocios. Para explicarlo de modo simple, una serie de tiempo consiste
en una serie de puntos de datos indexados en el tiempo. Este tipo de series, por lo tanto,
pueden modelar lo que sea, desde la evolución de las ventas de una empresa hasta la
evolución de los precios de sus productos en base anual, mensual, diaria o incluso por
hora. Las series de tiempo son particularmente intuitivas, lo que las hace ideales para
describir, visualizar, modelar y, por último, pronosticar un número de variables (Barbier,
2021).
Durante el proceso de Investigación de Mercados, es fundamental tener todos los
factores que pueden determinar el éxito de nuestro negocio a corto, medio y largo plazo.
Entre los factores más comunes y más importantes que se debe de tener en cuenta en
la Investigación de Mercados es la Planificación de Ventas. ¿Conoces qué son las series
temporales o la técnica Delphi? Existen dos métodos de previsión de ventas que son muy
usados no solo en la Investigación de Mercados, sino también en otros ámbitos de la
empresa, como la Investigación Operativa, Finanzas y la Planificación de Recursos
Humanos: Por una parte, existen los Métodos Cualitativos, que se basan en suposiciones
o proyecciones futuras. La técnica más usada es la Técnica Delphi.
Por otra parte, los Métodos Cuantitativos se basan en datos agregados a lo largo de
un periodo de tiempo. Existen diversas Técnicas Cuantitativas de Previsión de Ventas,
por lo que es imposible explicarlas todas en un solo artículo, pero una de las más usadas
en la Investigación de Mercados son las Series Temporales (Colomina, 2021).
Debido a la reestructuración del sector eléctrico colombiano, durante las dos últimas
décadas, el comportamiento del precio de la energía eléctrica ha incrementado su
volatilidad, reflejando el riesgo existente para los diferentes agentes que intervienen en el
mercado. El objetivo de este artículo es presentar una metodología para la
implementación de modelos de regresión, sobre la serie histórica de precios de bolsa de
energía en Colombia. A medida que la cantidad de datos aumente, podrán desarrollarse
modelos más amplios, que describan de forma adecuada comportamientos del mercado,
que, empleando las técnicas y la información disponible actualmente, no es posible
identificar (Botero y Cano, 2008).

2.3. Elaboración de fichas bibliográficas y de contenido

Ficha N°1

CONTRERAS, Arturo; ZUÑIGA, Atziry; MARTÍNEZ, José Luis; FLORES, Diana,

SÁNCHEZ, Partida.
Análisis de series de tiempo en el pronóstico de la demanda de almacenamiento
de productos perecederos,
Estudios Gerenciales.
Bogotá, Colombia.
(2016)

“Los pronósticos son una herramienta que proporciona un estimado cuantitativo

de la probabilidad de eventos futuros. La relevancia de incorporar pronósticos en
la demanda de almacenamiento en productos perecederos dentro de la cadena
de frío deriva de su importancia económica y social” (p. 387).

Ficha N°2

BOTERO, Serrgio, CANO, Jovan.

Análisis de series de tiempo para la predicción de los precios de la energía en la
bolsa de Colombia,
Cuadernos de economía.
Bogotá, Colombia.
(2008)

“Los pronósticos se realizan con el fin de orientar las decisiones en muchas

áreas del mundo como los mercados, el transporte, la identificación de

fallas, el clima, entre otros” (p.184).

Ficha N°3

VILLARREAL, Fernanda.
Introducción a los Modelos de Pronósticos,
Universidad Nacional del Sur.
Bahía Blanca, Argentina.
(2016)

“La estimación de pronósticos del volumen de ventas trimestrales para un

producto en particular durante el año próximo afectará los programas de
producción, los planes de compra de materias primas, las políticas de inventarios
y las cuotas de ventas.” (p. 4).

Ficha N°4

Marbier, Maxine.
Análisis de series de tiempo en el pronóstico de la demanda de almacenamiento
de productos perecederos,
Lokad.
Paris, Francia.
(2021)

“Las series de tiempo son una de las herramientas matemáticas más básicas y
versátiles en los negocios. Para explicarlo de modo simple, una serie de tiempo
consiste en una serie de puntos de datos indexados en el tiempo.” (p. 2).

Ficha N°5
 COLOMINA, Pablo.
Planificación de Ventas mediante Series Temporales,
QuestionPro.
Bogotá, Colombia.
(2021)

“Existen dos métodos de previsión de ventas que son muy usados no solo en la
Investigación de Mercados, sino también en otros ámbitos de la empresa, como la
Investigación Operativa, Finanzas y la Planificación de Recursos Humanos” (p. 1).

3. Organización de la información
Para la organización de la información, para la presente investigación se
elaboraron fichas documentales y referenciales sobre autores tales como Colomina
(2021), Marbier (2021), Villarreal (2016), entre otros., que respaldaron conceptos y
teorías establecidas en el campo de la investigación de operaciones en lo que concierne
a series de tiempo y pronóstico de ventas que sirvieron de sustento teórico en el presente
estudio.

3.1. Clasificación de la información

Adicionalmente, la información fue categorizada según los tópicos principales y

secundarios que hacían referencia a elementos sobre los pasos a seguir para el uso de
las series cronológicas es un método estadístico será eficaz para el pronóstico de ventas

3.2. Clasificación y jerarquización

 En lo que respecta al análisis de información es aquella que determinó la jerarquía de
las ideas que se encuentran expuestas en el texto. No todas las temáticas e ideas que
se desarrollan en la investigación tienen la misma importancia, por ello se organizan en
un tema principal y temas secundarios, así como también ideas principales e ideas
secundarias.

4. Análisis de datos y organización de la monografía

El análisis de los resultados fue cuali cuantitativo, combinando los datos y resultados que
se encontraron en la investigación con los datos o información de la base teórica y los
antecedentes encontrados a lo largo de la indagación bibliográfica. Por otra parte, al
consultar libros, tesis, informes, recursos web sobre series cronológicas y pronóstico de
ventas, entre otros. Los cuales permitieron acumular una serie de conocimientos
necesarios para llevar a cabo el desarrollo de la presente investigación. El proceso de
organización de datos de la monografía, se realizó mediante un diagrama de Gantt,
mostrado en el cuadro 1 que se ilustra a continuación:

Cuadro 1. Cronograma de Actividades.

PERÍODO POR
SEMANAS
Fase
s

Actividades Realizadas 1 2 3 4 5 6
I Delimitación del Tema o Problema: se realizó la
Formulación del Problema, Descripción del Contenido,
Propósito de la Investigación y Marco Conceptual de
Referencia.
II Acopio de la Información: se estructuró a través del
Reportorio Bibliográfico, Lectura del Material
Seleccionado y Elaboración de Fichas Bibliográficas.
 III Organización de los Datos: se seleccionó
estratégicamente la información que se pretendió
plantear en la Monografía.
IV Análisis de los Datos y Organización de la
Monografía.
V Redacción de la Monografía: finalmente se ejecutó la
Monografía atendiendo a los lineamientos
Metodológicos, prácticos y técnicos establecidos para
el Trabajo Académico Especial IRRA.
VI Entrega del trabajo IRRA, a Dirección de Escuela y
Revisión de la Presentación, las diapositivas por parte
de la tutor académico del Trabajo Académico
Especial.
Fuente: Nava (2022)

4.1. Validación de la información

La información contenida en la presente investigación estuvo monitoreada y orientada

por el tutor académico IRRA Econ. Carlos Antequera M.S.c. asignado por la universidad,
a través de las asesorías constantes que permitieron el buen desarrollo y culminación del
presente estudio en cada una de sus fases.

4.2. Selección de datos

Para esta investigación se utilizaron fuentes secundarias, la fuente principal la

constituyo: los libros, informes técnicos, y recursos web. Permitiendo una búsqueda de
información pertinente y correcta que se tomó en cuenta para una serie de características
de la información, tales como fiabilidad, validez, precisión, actualización, entre otros.
4.3. Elaboración del esquema final

El esquema estipulado para el desarrollo de esta monografía quedo contemplado a

través de la siguiente manera:

-Delimitación del tema a desarrollar.

- Marco Conceptual de Referencia.

- Caso práctico que ilustra la metodología para la aplicación de las series cronológica s
para el pronóstico de ventas

CASO PRÁCTICO APLICANDO EL MÉTODO DE PRONOSTICO DE VENTAS

En la tabla que se presenta a continuación, contiene información sobre la

demanda de baterías de carro correspondientes a 12 meses del año anterior
pero es necesario estimar el comportamiento de la demanda al próximo año.

Se desea calcular:

 El pronóstico de los Promedios Móviles a tres y seis mes como base, para tal
caso complete los renglones correspondientes en la tabla.

 El pronóstico de los Promedios Móviles Ponderados a tres considerando los

siguientes factores económicos (10, 20, 30) que influyen en la demanda.

 Grafique los resultados obtenidos en las secciones (a) y (b) e intérprete sus
resultados según el caso.
Tabla Nº 1 Demanda de baterías de carro

MES DEMANDA Promedio Promedio Promedio Móvil

Móvil a tres Móvil a seis Ponderado a tres

meses base meses base mese base

Enero 450 - - -

Febrero 440 - - -

Marzo 460 - - -

Abril 510 450 - 271

Mayo 520 470 - 289

Junio 495 497 - 304

Julio 475 508 479 304

Agosto 560 497 483 294

Septiembre 510 510 503 313

Octubre 520 515 512 313

Noviembre 540 530 513 314

Diciembre 550 523 517 317

Solución:

En la resolución del ejercicio 1, en primer lugar se calculan los pronósticos de los

Promedios Móviles Simples en base a tres meses (sección a.1) y seis meses (sección
a.2), con la finalidad de estimar el promedio de la serie de tiempo de demanda
establecida en la tabla N°1.

a.1 El pronóstico de los Promedios Móviles a tres meses base

Pronóstico para Abril:

Pronóstico para Mayo:

Pronóstico para Junio:

Pronóstico para Julio:

Pronóstico para Agosto:

 Pronóstico para Septiembre:

Pronóstico para Octubre:

Pronóstico para Noviembre:

Pronóstico para Diciembre:

a.2. El pronóstico de los promedios móviles a seis meses base:

Pronóstico para Julio:

 Pronóstico para Agosto:

 Pronóstico para Septiembre:

  Pronóstico para Octubre:

 Pronóstico para Noviembre:

 Pronóstico para Diciembre:

El pronóstico de los promedios móviles ponderados a tres meses base considerando los
factores económicos (10, 20, 30) que influyen en la demanda.

En el pronóstico de promedios móviles ponderados, no todos los datos tienen el mismo

peso al momento de efectuar el cálculo, en efecto los datos de mayor importancia
tendrán mayor peso, lo que está determinado por los factores económicos asignados.

 Pronóstico para Abril:

 Pronóstico para Mayo:

 Pronóstico para Junio:

 Pronóstico para Julio:

 Pronóstico para Agosto:

 Pronóstico para Septiembre:

 Pronóstico para Octubre:

 Pronóstico para Noviembre:

 Pronóstico para Diciembre:

c. Graficar los resultados obtenidos en las secciones (a) y (b) e interprete

sus resultados según el caso.

Figura 4.Demandas y pronósticos de baterías de carro

 De acuerdo con el pronóstico de los promedios móviles a tres meses
base, las demandas de las baterías de carro serán menores en
comparación con la deanda referencial del ejercicio, representada en la línea
azul. Sin embargo, aumentará entre Abril y Julio, pero sufrirá una leve caída
en el mes de Agosto, aunque a comienzos del mes siguiente, se recuperará
y será superior al periodo entre Abril y Julio. Finalmente, a finales del año, la
demanda tendrá otra caída en menor proporción, como se puede observar
en la Gráfica 1.

De acuerdo con el pronóstico de los promedios móviles a seis meses

base, las demandas de baterías de carro son levemente menores en
comparación al pronóstico del promedio móvil a tres meses base, aunque
las mismas se incrementarán satisfactoriamente cada mes del año a partir
de Julio, considerando que al ser a base de seis meses, con los datos de la
Tabla 1, solamente se puede calcular para el segundo semestre del año.

De acuerdo con el pronóstico de los promedios móviles ponderados a tres

meses base, las demandas de las baterías de carro serán marcadamente
menores en comparación con los dos casos anteriores y la demanda
referencial debido a que los factores de ponderación son bajos. Dicha
demanda subirá entre Abril y Junio, pero en Julio será la misma (sin
cambios) y a comienzos de Agosto, bajará. Luego, se recuperará en el mes
de Septiembre y permanecerá constante en Octubre y en los dos últimos
meses del año aumentará.
 CONCLUSIONES

RECOMENDACIONES