Documentos de Académico
Documentos de Profesional
Documentos de Cultura
Estos pronósticos utilizan modelos matemáticos con los que se analizan los resultados
pasados de las ventas de una empresa. Estos modelos suponen que los datos
históricos son relevantes en el futuro, por lo tanto es necesario conocer los datos de
ventas pasados y los patrones de demanda.
En este artículo voy a tratar de ejemplificar los pronósticos cuantitativos, como son
el modelo de regresión o el run rate. Estos métodos por norma general tienen
un error de pronóstico menor al de los cualitativos puesto que se usan datos
reales e internos a la hora de hacer las predicciones.
El primer pronóstico dentro de los modelos cuantitativos del que hablaremos es la tasa
de crecimiento medio. A efectos prácticos, lo que este método utiliza son los datos de
un periodo anterior; semanas, meses o incluso años, dependiendo del periodo de
crecimiento que quieras predecir.
Por ejemplo si quieres pronosticar las ventas del próximo mes tienes que multiplicar
las ventas de este mes por 1 más la tasa de crecimiento de ventas mensual.
La fórmula debería ser:
(x) ventas mensuales x (1 + % tasa de crecimiento de ventas) = ventas del
próximo mes
Por lo tanto si tienes un aumento del 20% en las ventas en relación al mes pasado, es
decir, 25.000€ del valor del producto, entonces tu pronóstico de ventas para el
próximo mes es:
¡Así de simple!
Vamos a empezar abriendo excel y añadiendo los datos de ventas en una gráfica
lineal:
El eje vertical (y) son las ventas, representada con un incremento de 10.000€ en cada
nivel.
El eje horizontal (x) se refiere al periodo de tiempo, en este caso representado por
meses; cada nivel es un mes y medio.
Con el objetivo de pronosticar las ventas para el próximo mes, lo que puedes hacer es
utilizar la función ‘Tendencia’ de excel (te dejo aquí un tutorial) o puedes clicar en la
línea de datos que se muestra en el gráfico y te aparecerá una ventanita a la derecha de
tu hoja de excel. Clica el icono “gráfico de barras” y te aparecerá un menú con las
opciones para extender la línea de tendencia en base a los datos.
Tal y como puedes ver en el gráfico, el pronóstico de ventas para el mes 6 usando el
método lineal es de 172.200€
Sin embargo, el método de regresión lineal tiene sus inconvenientes. La mayoría de
los gerentes afirman que sus ingresos rara vez aumentan de manera lineal, es decir,
“lo que se consiguió en abril aumentará en (x) cantidad en mayo puesto que hubo la
misma tendencia entre marzo y abril”.
Run Rate
El Run Rate es otro sencillo método para calcular las ventas en función al año
anterior.
Para calcularla has de hacer una media entre:
Total de ingresos hasta la fecha / Total de ventas de periodos anteriores
Imagina que estás en abril y tus periodos de ventas están divididos en meses, y hasta
la fecha habéis vendido 320.000€.
Esto quiere decir que la media de tus ingresos mensuales es de 80.000€
Ahora pues con el fin de predecir el total de ingresos anuales tendrás que calcular la
cantidad vendida esperada de los 8 meses restantes.
8 x 80.000€ = 640.000€
Como puedes ver, el método Run Rate funciona mejor cuando intentas pronosticar los
ingresos restantes de un periodo de tiempo específico. Por ejemplo, si el director
general de la empresa te ha dado un target (x) que has de conseguir en (y) meses,
puedes utilizar la técnica Run Rate para saber si llegarás o no.
Te pongo un ejemplo:
Si tu objetivo es pronosticar las ventas para los próximos 6 meses, una manera de
hacerlo es utilizar los resultados de los datos de ventas de los últimos 3 años (en este
caso, divididos en periodos de 6 meses):
Tal y como puedes ver en el gráfico el promedio móvil simple para los periodos de 6
meses del 1 al 3 es: 138.866,67€.
Lo hemos calculado añadiendo los ingresos de los primeros 3 periodos de 6 meses:
125.000€ + 145.600€ + 146.000€ = 416.600€ y luego lo dividimos por 3 (para que nos
de la media) = 138.866,67€
Puesto que es una media móvil simple todo se mueve de 1 en 1 (en este caso, periodo
de 6 meses) Por lo tanto repetiremos el mismo proceso para los periodos 2-4, y otra
vez para los periodos 3-5.
Series de tiempo
Qué es una serie de tiempo?
Las series de tiempo son colecciones de observaciones sobre un determinado fenómeno efectuadas en
sucesivos momentos del tiempo, usualmente equiespaciados. Corresponde a una realización de un
proceso generador de datos.
Serie estocástica una parte conocida (sistemática) susceptible de predecir y de una parte totalmente
desconocida
(aleatoria) Serie determinística el futuro se puede predecir sin error Es una variable que está
determinada o fija y que no cambia de una muestra a otra
El análisis visula
La investigación científica asume como una de sus primeras tareas, identificar las cosas (características o
factores) que participan en un fenómeno. Los gráficos son la forma más efectiva de identificar efectos de
eventos que inciden en los datos. De ser posible, estos eventos deben ser ajustados o incluidos en el
modelo. Un gráfico permito observar:
•La tendencia
•La dispersión
•Cambios estructurales
•Cambios de pendiente
•La estacionalidad
Supondremos, además, que existe una relación multiplicativa entre estas cuatro componentes; es decir,
cualquier valor de una serie es el producto de factores que se pueden atribuir a las cuatro componentes.
1. Tendencia secular: 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.
3. Variación cíclica: 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.
4. Variación Irregular: Esta se debe a factores a corto plazo, imprevisibles y no recurrentes que
afectan a la serie de tiempo. Como este componente explica la variabilidad aleatoria de la serie,
es impredecible, es decir, no se puede esperar predecir su impacto sobre la serie de tiempo.
Existen dos tipos de variación irregular: a) Las variaciones que son provocadas por
acontecimientos especiales, fácilmente identificables, como las elecciones, inundaciones,
huelgas, terremotos. b) Variaciones aleatorias o por casualidad, cuyas causas no se pueden
señalar en forma exacta, pero que tienden a equilibrarse a la larga.
1. Tendencia lineal
Como se dijo antes, la tendencia de una serie viene dada por el movimiento general a largo plazo de la
serie. La tendencia a largo plazo de muchas series de negocios (industriales y comerciales), como ventas,
exportaciones y producción, con frecuencia se aproxima a una línea recta. Esta línea de tendencia
muestra que algo aumenta o disminuye a un ritmo constante. El método que se utiliza para obtener la
línea recta de mejor ajuste es el Método de Mínimos Cuadrados.
2. Tendencia no lineal
Cuando la serie de tiempo presenta un comportamiento curvilíneo se dice que este comportamiento es
no lineal. Dentro de las tendencias no lineales que pueden presentarse en una serie se encuentran, la
polinomial, logarítmica, exponencial y potencial, entre otras.
1. Promedio móvil
Un promedio móvil se construye sustituyendo cada valor de una serie por la media obtenida con esa
observación y algunos de los valores inmediatamente anteriores y posteriores. Se mostrará este
método con los siguientes ejemplos:
Ejemplo 1. Aplicar el método de promedios móviles para el pronóstico de ventas de gasolina a partir de
la siguiente información:
Se considerará el promedio móvil a partir de las tres observaciones más recientes. En este caso se
utilizará la siguiente ecuación:
Los promedios móviles también se pueden construir tomando en cuenta valores adyacentes de las
observaciones, por ejemplo: En el caso de determinar el promedio móvil para tres observaciones
adyacentes de la tabla anterior, se tiene:
1 17
2 21
3 19
4 23 19.33
5 18 21.33
6 16 19.83
7 20 17.83
8 18 18.33
9 22 18.33
10 20 20.33
11 15 20.33
12 22
3. Suavizamiento exponencial
El suavizamiento exponencial emplea un promedio ponderado de la serie de tiempo pasada como
pronóstico; es un caso especial del método de promedios móviles ponderados en el cual sólo se
selecciona un peso o factor de ponderación: el de la observación más reciente. En la práctica
comenzamos haciendo que F1, el primer valor de la serie de valores uniformados, sea igual a Y 1, que es el
primer valor real de la serie. El modelo básico de suavizamiento exponencial es el siguiente:
Como se observa, el pronóstico para el período 2 con suavizamiento exponencial es igual al valor real de
la serie de tiempo en el período uno. Para el período 3, se tiene que:
F3 Y2 (1)F2
F3 Y2 (1)Y1
galores/semana Pronóstico
Semana ( t ) Valor (Yi) Ft
1 17 F1 = Y1 = 17.00
2 21 F2 = F1 =17.00
3 19 F3 = Y2+(1-)F2 = 17.80
4 23 F4 = Y3 + (1-)F3 = 18.04
5 18 F5 = Y4 + (1-)F4 = 19.03
6 16 F6 = Y5 + (1-)F5 = 18.83
7 20 F7 = Y6 + (1-)F6 = 18.26
8 18 F8 = Y7 + (1-)F7 = 18.61
9 22 F9 = Y8 + (1-)F8 = 18.49
10 20 F10 = Y9 + (1-)F9 = 19.19
11 15 F11 = Y10 + (1-)F10 = 19.35
12 22 F12 = Y11 + (1-)F11 = 18.48
CARACTERISTICAS