TEMA 3

PROYECCIÓN DEL
MERCADO
 INTRODUCCIÓN
 Se requiere conocer el comportamiento
de los componentes del estudio de
mercado en el pasado, en el presente y
en el futuro.

 Los modelos y técnicas de proyección

ayudan a determinar éste
comportamiento futuro.
 INTRODUCCIÓN
 Elección de un modelo o técnica depende de:

 la validez y disponibilidad de los datos

históricos,
 la precisión deseada,
 el costo del procedimiento,
 los beneficios del resultado,
 los periodos futuros que se deseen
pronosticar,
 el tiempo disponible para hacer el estudio,
 ciclo de vida del producto, producto nuevo o
no
 etc.
 INTRODUCCIÓN
Dificultades para pronosticar

Eventos que no hayan

ocurrido en el pasado

Desarrollo de Incorporación de Variaciones en las Etc.

nuevas tecnologías competidores con políticas económicas
sistemas comerciales gubernamentales
no tradicionales

Antecedentes históricos = variables referenciales

 INTRODUCCIÓN
 La información de la proyección debe ser expresada en la forma
que sea más útil al preparador del proyecto: zona geográfica, edad,
sexo, etc.
 La validez de los resultados de la proyección está relacionada con
la calidad de los datos de entrada.
 Fuentes de información más importantes: series históricas oficiales
de organismos públicos y privados, las opiniones de expertos y el
resultado de encuestas especiales.
 INTRODUCCIÓN
 La efectividad del método elegido se evaluará en función de:
o Precisión: Cualquier error en su pronóstico tendrá asociado un
costo. No es posible exigir una certeza total, pero si, la reducción
al mínimo del costo del error en su proyección.
o Sensibilidad: En un medio cambiante, debe ser lo
suficientemente estable para enfrentar una situación de cambios
lentos como dinámica para enfrentar cambios agudos.
o Objetividad: La información que se tome como base de la
proyección debe garantizar su validez y oportunidad en una
situación histórica.
METODOS DE PROYECCIÓN

Métodos de proyección

Métodos Modelos Métodos de series

subjetivos causales de tiempo
 METODOS DE PROYECCIÓN

Métodos subjetivos
-Opinión de expertos
-Se usa cuando:
o el tiempo de elaboración es escaso
o no se dispone de todos los antecedentes o datos
o los datos no son confiables para predecir
o no se puede explicar alguna variable

Ejm: Método Delphi, investigación de mercado y consenso de panel

METODOS DE PROYECCIÓN
Modelos causales
Parten del supuesto de que el grado de
influencia de las variables que afectan al
comportamiento del mercado permanece
estable, para luego construir un modelo que
relacione ese comportamiento con las
variables que se estima son las causantes de
los cambios que se observan en el mercado

Causa Efecto
METODOS DE PROYECCIÓN
Métodos de series de tiempo
Se utiliza cuando el comportamiento que asume el
mercado a futuro puede determinarse por lo sucedido
en el pasado y se cuenta con la información histórica
en forma confiable y completa.
El modelo pierde validez cuando cambian las
variables que caracterizaron el contexto (recesión
económica, nueva tecnología, etc.) y necesita un
ajuste en forma subjetiva.
MÉTODOS SUBJETIVOS
Métodos subjetivos
- Su importancia resalta cuando los métodos cuantitativos basados
en información histórica no pueden explicar por sí solos el
comportamiento futuro esperado de alguna de sus variables o
cuando no existen suficientes datos históricos.
- Se basa en la opinión de expertos

Son :
Método Delphi
Investigación de mercado y
Consenso de panel
Pronósticos visionarios
Analogía histórica
 MÉTODOS SUBJETIVOS
Método Delphi

- Reúne a un grupo de expertos (panelistas)

- Se les somete a una serie de cuestionarios
- Existe un proceso de retroalimentación controlada después de
cada serie de respuestas
- La información se procesa estadísticamente y constituye una
opinión grupal de convergencia, de la que nace una predicción
- Para no influir, el cuestionario se realiza en forma anónima
- El proceso se repite hasta lograr la convergencia de opiniones
de todos los expertos
- El lapso entre cuestionarios y el número de ellos, debe ser lo
menor posible para evitar intercambio de opiniones
 MÉTODOS SUBJETIVOS
Investigación de mercado

- Método más sistemático y objetivo que el anterior

- Recolección de información relevante para ayudar a la toma
de decisiones o para probar o refutar hipótesis sobre un
mercado específico.
- Se utilizan encuestas, experimentos, etc.
- Puede ser un paso necesario para la aplicación y uso de
cualquiera de los métodos restantes.
- Es flexible para seleccionar y diseñar la metodología que más
se adecue al problema en estudio.
 MÉTODOS SUBJETIVOS
Consenso de panel

- Técnica similar al Método Delphi

- Se diferencia en que no existen secretos sobre la identidad del
emisor de las opiniones y no existe retroalimentación dirigida
- Se estimula la comunicación
- Los factores sociales influyen en los pronósticos y por este
motivo no reflejan un consenso verdadero
- Existe la posibilidad de que emerja un grupo dominante que
anule la interacción adecuada y se logre un consenso por la
capacidad de la argumentación y no por la validez de la misma.
 MÉTODOS SUBJETIVOS
Pronóstico visionario

- Lo realiza el personal interno de la empresa que tiene la

experiencia y conocimiento de sus clientes
- Emiten opiniones respecto a reacciones y comportamientos
posibles de esperar en el futuro
- La proyección del mercado se hace tomando el resultado de la
estimación directa del personal y corrigiéndola por antecedentes
recopilados
- Es rápido y de bajo costo, pero se puede ver influida por las
experiencias más recientes. La estimación es muy inexacta por
la falta de unidades de medida.
 MÉTODOS SUBJETIVOS
Analogía histórica

- Supone que el mercado del proyecto puede tener un

comportamiento similar al de otros mercados en el pasado
- El mercado que se toma como referencia puede ser para el
mismo producto pero de otra marca o de otra región geográfica
o de un producto diferente pero con un mercado consumidor
similar
Su desventaja:
Suponer que las variables determinantes en el comportamiento
pasado del mercado tomadas como referencia, se mantendrán
en el futuro y, además, que tendrán el mismo efecto sobre el
mercado del proyecto.
MODELOS CAUSALES
Modelos causales
- Proyectan el mercado sobre la base de antecedentes cuantitativos
históricos
- Suponen que los factores condicionantes del comportamiento
histórico de alguna o todas las variables del mercado permanecerán
estables
- Una variable depende de muchas causas o factores que explican
su comportamiento
Son :
Modelo de regresión
Modelo econométrico
Método de encuestas de intenciones de compra
Modelo de insumo producto
 Métodos de Proyección

Se puede proyectar de dos formas:

 Por Tazas
 Por Regresión

Método de Proyección por Tazas.-

Se realiza por medio de la taza aritmética o interés simple, de la
siguiente manera:
 n   o (1  in)

( n  o  1)
i
n
 Diferentes Proyección por Regresión
   
Tipos de ECUACIÓN Grafico Tipos de   ECUACIÓN
Proyección F Proyección F Grafico
(tiempo)
  (tiempo)
   
         
Proy. Lineal
 
Y  A  BX a    
   
   Y  a  b
      Proy. Asintótica   x  
a
       
Proy.
   
Exponencial Y  ae bx
  b
  Ya
x
a 
     
       
Proy. Potencial
Y  ax b  
       
       
       
Proy.   b  
    (a )
  Gomportz Y
  e x
   
Proy. Y  a  b ln x  
Logarítmica
 Regresión Lineal

Se basa en la siguiente expresión matemática, que relaciona dos variables, sea

Y, la variable dependiente y X, la variable independiente, de la siguiente manera:

Y  A  BX

Esta relación se resuelve a través de la solución de las siguientes ecuaciones

normales, donde la incógnitas son la “A” y “B”.

 Y  nA  B X
 XY  A X  B X

A
 Y  B X ; B
 XY   X Y
n   X   n X
2 2
 Regresión Potencial

Si la nube de puntos de los datos Históricos de la demanda y la distribución de

los mismos se aproxima a una función exponencial se puede recurrir a la
siguiente relación:
Y  AX B

Para linealizar esta función se aplica logaritmos a ambos miembros,

mediante este procedimiento se obtiene una ecuación logarítmica lineal:
Log Y  Log A  B Log X

Y  Log Y A  Log A X  Log X

 LogY  nLogA  B LogX  LogXLogY  LogA LogX  B LogX 2

 Regresión Exponencial

Otro tipo de función que tiene aplicación en el análisis de regresión, es la

función exponencial, que esta dada por la expresión:

Y  AB X

La regresión exponencial puede también ser linealizada aplicando logaritmos a

ambos miembros, resultado de ello se tiene la relación siguiente:
LogY  LogA  LogB ( X )

Y  Log Y A  Log A B  Log B

 LogY  nLog A  Log B X

 X LogY  LogA X  Log B X 2
 Regresión Parabólica o Curva Cuadrática

Si la serie tiene una curva parabólica cuyo comportamiento se describe

matemáticamente por una ecuación de segundo grado ( parábola ). La
regresión se expresa así:

Y  A  BX  CX 2

Donde:
Y = Estimación de la variable dependiente
A,B,C = constantes numéricas
X = Valores de la variable independiente
Los valores “A”, ”B” y ”C” se encuentran resolviendo un sistema de
tres ecuaciones con tres incógnitas.
 Regresión Parabólica o Curva Cuadrática

nA  B X  C X   Y 2

A  X  B X  C X   XY
2 3

A  X  B X  C X   X
2 3 4 2
Y

Pero cuando se recurre a la codificación de la variable independiente, el calculo

también se efectúa con las siguientes formulas de mínimos cuadrados:

 Y  X   X  X Y 
4 2 2
A 
n  X   X  X 
4 2 2

B
 XY

X 2

n  X Y   Y  X 
2 2
C
 X   X  X 
4 2 2
 La Curva de Gomportz

Tiene la siguiente expresión matemática que la representa:

b
(a  )
ln y  ln e x

b b
(a  ) ln y  a 
Ye x x
  
Y  A  BX

Por mínimos cuadrados, se tiene:

1 1
A
 ln y  B 1
x ; B
 x ln y   x  ln y
n

n 2 2
 1  1


  n
x    
x
 Coeficiente de Determinación

Recordemos que la ecuación de mejor ajuste corresponde aquella que presenta

los coeficientes de determinación y correlación mas próximo a la unidad

Coeficiente de Determinación ( Γ 2):

Este coeficiente sirve para medir la relación entre las variables, medida de
ajuste de modelo de regresión y que corresponde al cuadrado del
coeficiente de correlación simple, con la relación :

Γ2 
 n  XY    X  Y   2

n  X   
 X   n  Y    Y  
2 2
 
2 2
 Coeficiente de Correlación

Coeficiente de Correlación ( Γ):

Se dice que existe correlación entre dos variables, cuando al variar una de ellas
varia también la otra variable. Para que la proyección sea mas acertada es
necesario que el numero de observaciones (n) sea mas amplio

Γ
 n  XY    X  Y  
 n X   X    n  Y    Y  
2 2
       
2 2

El grado de aproximación entre variables es mayor cuando el coeficiente

de correlación se acerca al valor máximo de 1. Entonces, en este caso se
dice, existe una elevada correlación entre X y Y.
MODELOS CAUSALES
Modelos econométricos
“Es un sistema de ecuaciones estadísticas que
interrelacionan a las actividades de diferentes sectores de
la economía y ayudan a evaluar la repercusión sobre la
demanda de un producto o servicio. Es una prolongación
del análisis de regresión”
 MODELOS CAUSALES
Encuestas de intensiones de compra
- Se selecciona la unidad de análisis para cuantificar la intención
de compra
- Toma de la encuesta por muestreo
- Análisis de los antecedentes recopilados

Peligro:
Depende de las variables de contexto, sobre todo
cuando son dinámicas
MODELOS DE SERIES DE TIEMPO

Modelos de series de tiempo

Se refiere a la medición de valores de una

variable en el tiempo a intervalos espaciados
uniformemente

Objetivo: determinar un patrón básico en el

comportamiento que posibilite la proyección
futura de la variable deseada (en base a la
información histórica).
 MODELOS DE SERIES DE TIEMPO

Tendencia: crecimiento o
declinación en el largo plazo Y
del valor promedio de la
variable.
Comp.
Su importancia: el estudio tendencia
del nivel promedio de la
variable a lo largo del tiempo
X
es mejor que el estudio de
esa variable en un momento
específico de tiempo.
 MODELOS DE SERIES DE TIEMPO

Componente Cíclico: Comp. cíclico

Divergencias que se da por Y
efecto combinado de fuerzas
Comp.
económicas, sociales, políticas, tendencia
tecnológicas, culturales y otras
existentes en el mercado.
La mayoría de los ciclos no X
tienen patrones constantes que
permitan prever su ocurrencia,
magnitud y duración.
MODELOS DE SERIES DE TIEMPO

Componente Estacionario: Comp. cíclico

Exhiben fluctuaciones que se Y

repiten en forma periódica y que Comp.

normalmente dependen de tendencia
factores como el clima, la
Comp.
tradición, etc. estacional
X
MODELOS DE SERIES DE TIEMPO
Ejemplo 1 se requieren pronósticos trimestrales
para una empresa del rubro de limpieza de
alfombras para el año 5, se estima que la
demanda para ése año es 2.600 clientes

Trimestre Año 1 Año 2 Año 3 Año 4

1 45 70 100 100
2 335 370 585 725
3 520 590 830 1160
4 100 170 285 215
TOTAL 1000 1200 1800 2200
MODELOS DE SERIES DE TIEMPO

1. Demanda promedio por

estación

Año 1: 1000/4= 250

Año 2: 1200/4= 300

Año 3: 1800/4= 450

Año 4: 2200/4= 550

MODELOS DE SERIES DE TIEMPO

2. Índices estacionales      

         

Trimestre Año 1 Año 2 Año 3 Año 4

1 0,18 0,23 0,22 0,18

2 1,34 1,23 1,30 1,32

3 2,08 1,97 1,84 2,11

4 0,4 0,57 0,63 0,39

 MODELOS DE SERIES DE TIEMPO

3. Índice estacional
promedio        

         

Trimestre Año 1 Año 2 Año 3 Año 4 Promedio

1 0,18 0,23 0,22 0,18 0,20

2 1,34 1,23 1,30 1,32 1,30

3 2,08 1,97 1,84 2,11 2,00

4 0,4 0,57 0,63 0,39 0,50