View
252
Download
1
Category
Preview:
DESCRIPTION
Los pronósticos o la previsión, es el proceso mediante el cual se predicen acontecimientos futuros. Puede suponer la toma de datos históricos y su proyección hacia el futuro con algún tipo de modelo matemático. Puede ser una predicción subjetiva o intuitiva del futuro
Citation preview
Herramientas para la interpretación
de Estudio de mercados M.I.A. Gabriel Ruiz Contreras
gabriel2306@prodigy.net.mx
COMPETENCIA ESPECIFICA Clasifica y aplica las principales herramientas para la interpretación eficiente del estudio de mercado, delimitando la ubicación adecuada de los puntos de contacto con el cliente.
CONTENIDO 1. Pronostico de ventas 2. Modelos econométricos de venta 3. Análisis multivariante 4. AWARENESS 5. BRIEF de la Investigación de mercados 6. Organismos de información y basificación (actividad en el aula).
1. Pronósticos de ventas Los pronosticos o la previsión, es el proceso mediante el cual se predicen acontecimientos futuros. Puede suponer la toma de datos históricos y su proyección hacia el futuro con algún tipo de modelo matemático. Puede ser una predicción subjetiva o intuitiva del futuro. O puede englobar una combinación de estas, es decir, un modelo matemático ajustado al buen juicio del directivo.
Cualitativos:
Fuerza de ventas: observación directa Opinión ejecutiva: experiencia de la dirección Analogía histórica: productos o servicios
similares Delphi: opiniones de expertos Investigaciones de mercado: cuestionarios y
paneles
Cuantitativos:
Enfoque sencillo Promedio móvil simple y ponderado Suavizado exponencial Proyección de tendencia Modelos causales de regresión lineal
Tipos de pronosticos
Los ocho pasos de un sistema de pronósticos
Independientemente del método adoptado los pronosticos siguen los siguientes pasos: 1. Determinar la utilización del pronóstico. ¿Qué objetivo perseguimos? 2. Seleccionar los artículos de los que se va a realizar el pronóstico. 3. Determinar el horizonte temporal del pronóstico, es decir, corto, mediano o largo plazo. 4. Seleccionar el(los) modelo(s) de previsión. 5. Recogida de los datos necesarios. 6. Validar el modelo de previsión. 7. Realizar la previsión. 8. Implementar los resultados.
1.1 Series de tiempo (ST)
Los modelos de series de tiempo predicen bajo la premisa de que el futuro es una función del pasado. En otras palabras, observan lo que ha ocurrido a lo largo de un periodo de tiempo y utilizan una serie de datos pasados para realizar un pronóstico. Si estamos prediciendo las ventas semanales de podadoras de césped, utilizaremos las ventas de podadoras de semanas anteriores al realizar el pronóstico. Se utilizan básicamente cuatro tipos de series de tiempo: Enfoque sencillo Promedio móvil simple Suavizado exponencial Proyección de tendencia
Ejemplo de aplicación: se utilizará Minitab para los cálculos
La empresa Cítricos de Veracruz ha exportado las cantidades siguientes durante los pasados 11 años:
Año Toneladas 1 2 2 3 3 6 4 10 5 8 6 7 7 12 8 14 9 14 10 18 11 19 12 ???
Pronostique las toneladas a exportar para el año 12, aplicando : a) El enfoque sencillo b) Promedio móvil simple c) Suavización exponencial d) Proyección de tendencia
Solución del ejemplo
a) Enfoque sencillo La forma más simple de pronosticar es suponer que la demanda del próximo periodo es justamente igual a la demanda del último periodo. Es decir para nuestro ejemplo, la demanda del año 12 será la demanda del año 11: 19 toneladas de cítricos a exportar.
Solución del ejemplo
b) Promedio móvil simple El promedio móvil simple utiliza un grupo de recientes valores de los datos para generar una previsión. Los promedios móviles son útiles si podemos suponer que las demandas del mercado serán estables a lo largo del tiempo.
Matemáticamente, la media móvil simple (que sirve como estimador de la demanda del próximo periodo) se expresa como: PM = ΣX / n Donde: ΣX=demanda en n periodos previos n=número de periodos en el promedio móvil
Aplicando Minitab con periodos de 3, 4 y 5 años tenemos que el para el año 12 el pronostico de toneladas de cítricos a exportar será: 17, 16 y 15 toneladas respectivamente.
Los promedios móviles, tienen los inconvenientes siguientes: 1. Al incrementar el número de periodos promediados el
alisado es mejor, pero hace que el método sea menos sensible a cambios reales en los datos.
2. Los promedios móviles no son muy buenos a la hora de captar tendencias. Esto es debido a que son promedios y por ello siempre estarán entre los valores históricos.
Solución del ejemplo
c) Suavización exponencial simple Es una técnica de pronósticos de promedio móviles que utiliza una ponderación exponencial para los datos históricos, de modo que los datos más recientes tienen mayor peso al calcular el promedio móvil.
La ecuación puede ser expresada matemáticamente como: Ft = Ft-1 + α (At-1 – Ft-1) Donde: Ft =Nueva previsión Ft-1 =Previsión anterior (última) α = Constante de alisado o suavizado (0 ≤ α ≤ 1) At-1 =Demanda real del periodo anterior
Aplicando Minitab con un α de 0.10 y 0.5 tenemos que para el año 12 el pronostico de toneladas de cítricos a exportar será: 10 y 17 toneladas respectivamente.
• El valor apropiado de α puede marcar la diferencia entre una previsión precisa o una imprecisa. • Para el caso con un α=0.1 y α=0.5 es más preciso el pronostico con la segunda constante de alisado y suavizado, ya que los valores de la Desviación Absoluta Media (MAD), Desviación cuadrática media (MSD), y el Error porcentual absoluto medio (MAPE) son más pequeños que los primeros.
Solución del ejemplo
d) Proyección de tendencia Esta técnica ajusta una línea de tendencia a la serie de datos históricos, y entonces proyecta la línea hacia el futuro para realizar pronosticos a mediano o largo plazo. Una recta de mínimos cuadrados queda definida por la siguiente ecuación:
Y = a + bX Donde: Y= valor de la variable a predecir (variable dependiente) a= ordenada en el origen b= pendiente de la recta X= variable independiente (el tiempo en este caso).
Para hallar los valores de a y b: Donde: b=pendiente de la recta de regresión Σ=signo de sumatorio x=valores de la variable independiente y=valores de la variable dependiente x ̅=media de los valores de x y ̅=media de los valores de y n= número de datos Una vez calculado b se puede hallar el punto de corte con el eje Y de la siguiente forma:
Aplicando Minitab para el año 12 el pronostico de toneladas de cítricos a exportar será: 20 toneladas.
Con Minitab: • Series de tiempo • Análisis de tendencia
¿Cuál pronostico seleccionamos?
Veamos una pauta:
Pronostico de toneladas de exportación de cítricos
Enfoque sencillo Promedio móvil
simple
Suavización exponencial
simple
Proyección de tendencia
19 toneladas 17 toneladas 17 toneladas 20 toneladas
MAPE= 28.9219 MAD=3.6250 MSD=15.8194
MAPE=43.3799 MAD=3.0758 MSD=12.2853
MAPE=12.9609 MAD=1.0628 MSD=2.2140
Los tres números son más bajos para el modelo de tendencia lineal en comparación con el método de PMS y SES; por tanto, el modelo de tendencia lineal parece proporcionar el mejor ajuste. El enfoque sencillo solo es un punto de partida o referencia.
2. Modelos econométricos de venta Un modelo es una: “representación simplificada y en símbolos matemáticos de cierto
conjunto de relaciones” es decir un modelo formulado en términos matemáticos. Un modelo econométrico es: “una representación simplificada y en símbolos
matemáticos de cierto conjunto de relaciones económicas”. Ejemplos de modelos econométricos:
Las ventas de cemento de una empresa dependerá de variables indicativas de la actividad constructora.
Las exportaciones de un país serán función de la renta de los países que las importen y de los precios relativos entre países (esto mismo se puede aplicar a una empresa).
El consumo privado depende de la renta disponible y los tipos de interés reales. Determinar si el gasto de una campaña publicitaria tiene relación con el éxito de las
ventas de cierta marca de autos.
2.1 Modelos causales
Los modelos causales, como la regresión lineal, incorporan variables o factores que pueden influir sobre el pronóstico.
Por ejemplo, un modelo causal para las ventas de podadoras de césped podría incluir factores como el número de viviendas nuevas, el presupuesto de publicidad y los precios de la competencia.
A diferencia de las previsiones de series temporales, los modelos de previsión causual consideran diferentes variables que están relacionadas con la cantidad de la que se está haciendo la predicción. Una vez que estas variables relacionadas han sido halladas, se construye el modelo estadístico para realizar la previsión.
El modelo cuantitativo de previsión causual más común es el analisis de regresión lineal.
Para la regresión lineal se utiliza el mismo modelo matemático empleado en el método de mínimos cuadrados de proyección de tendencia.
Análisis de regresión lineal simple
El modelo de regresión lineal simple tiene la forma:
Yc = a + bX donde Yc es la variable dependiente (embarques) y X la variable independiente (permisos). Los valores de la pendiente b y la intersección a se obtiene de las siguientes ecuaciones: Donde:
Ejemplo. Una empresa estudia la posible relación que existe entre los permisos de construcción emitidos por las autoridades municipales y la demanda del conglomerado que vende. La empresa tiene datos del trimestre anterior.
Permisos de construcción
Embarques de conglomerado
15 6
9 4
40 16
20 6
25 13
25 9
15 10
36 16
Solución del problema con Minitab
Estime los embarques cuando existan 30 permisos de construcción= (13 embarques).
2.2 Los pronosticos y el ciclo de vida del producto
•El ciclo de vida del producto y sus cuatro etapas son una excelente referencia para seleccionar el tipo de pronóstico a usar; •Por tres razones: los datos con que se cuenta, el horizonte de tiempo previsible para pronosticar y el método a usar que depende básicamente de los dos aspectos anteriores.
•Los datos históricos solo existen cuando el producto está en su desarrollo y es abundante cuando ingresa en la etapa de madurez. • El siguiente cuadro presenta el resumen de las técnicas que se deben utilizar en las diferentes etapas del ciclo de vida del producto.
Después de haber analizado los principales tipos de pronosticos, seguramente la pregunta es: ¿Cuál método de pronóstico debo seleccionar?
Ciclo de vida del
producto Introducción
Crecimiento y desarrollo
Madurez Declinación
Datos Tiempo Método
Ninguno Largo
Cualitativo
Algunos Mediano
Cualitativo +
Algo cuantitativo
Muchos Corto
Cuantitativo
Muchos Muy corto
Cuantitativo +
Algo cualitativo Técnicas Juicio
Delphi
Analogía Histórica
Investigación de mercados
Histórico
Simulación
Causal
Series de tiempo
Regresión
Correlación
Regresión
Series de tiempo
3. Análisis multivariante
El análisis multivariante (AM) es la parte de la estadística y del análisis de datos que estudia, analiza, representa e interpreta los datos que resultan de observar más de una variable estadística sobre una muestra de individuos.
El AM es un método estadístico utilizado para determinar la contribución de varios factores en un simple evento o resultado.
Las variables observables son homogéneas y correlacionadas, sin que alguna predomine sobre las demás.
Técnicas multivariantes
Regresión Lineal Multiple Regresión Logit y Probit Análisis Anova Análisis de Componentes principales Análisis factorial Análisis discriminante Análisis de Correlación Canónica Análisis Cluster Análisis de Escalamiento Dimensional Análisis de correspondencias Análisis factorial confirmatorio Modelo de Ecuaciones Estructurales (SEM), análisis causal. Análisis conjunto Escalamiento Óptimo
Recommended