TÉCNICAS PARA PROYECTAR MERCADOS

Análisis de datos históricos

Ejemplo de demanda de salchichas

Un estudio realizado por una empresa que analiza las posibilidades de ofrecer salchichas en el mercado nacional, la cual arrojo los siguientes datos acerca del comportamiento de la demanda de esta producto desde el año 2002:

El análisis de la tendencia de los datos en los años, se hace en EXCEL de la siguiente forma:

TÉCNICAS DE PROYECCIÓN DE MERCADOS

Hola estimados estudiantes para finalizar el curso usted debe apropiarse de los temas pertinentes para realizar la Proyección de Mercados, como son el concepto de pronóstico, la correlación y los modelos matemáticos de regresión, los pronósticos se utilizan en diversos ámbitos de la empresa, sin embargo para este curso nos enfocaremos en la parte comercial. Con el dominio de estos temas usted obtendrá habilidades y destrezas para desempeñarse óptimamente en el desarrollo de pronósticos. Para iniciar es necesario conocer el concepto de Pronóstico y enseguida lo que significa la correlación, lo cual permitirá saber el grado de afinidad entre las variables que se van a estudiar

El Pronóstico de Ventas

Los pronósticos de ventas son uno de los elementos claves para planeación de las actividades de las empresas, desde el punto de vista financiero permite determinar el ingreso de efectivo y crédito para un periodo determinado, presupuestalmente contribuye a la planeación de los recursos necesarios para darle un impulso a la parte operativa en la consecución de las actividades. Desde el punto de vista gerencial y directivo es importante en la toma de decisiones en la planeaciones estratégica de generación de valor. Permite determinar con claridad los objetivos cuantitativos en ventas, lo cual es el punto de partida para el desarrollo de los planes de acción de la compañía.

Las empresas por lo general elaboran pronósticos para cada producto o por líneas de productos, también se tienen en cuenta en algunos casos las referencias, con el fin de tener decisiones más acertadas y reales.

Podríamos definir un pronóstico como la estimación de las ventas esperadas, para la empresa, esto puede ser para una línea de productos o para una marca determinada. El periodo estándar que puede abarcar un pronóstico es de un año, aunque dependiendo del comportamiento de los productos teniendo en cuenta las temporadas podría ser más corto..

En este apartado observaremos de forma de síntesis las diversas formas que existen para la elaboración de pronósticos, es muy interesante ¡¡mucho ánimo!!

Las técnicas generalmente aceptadas para la elaboración de pronósticos se dividen en cinco categorías: juicio ejecutivo encuestas, análisis de series de tiempo, análisis de regresión y pruebas de mercado. La elección del método o métodos dependerá de los costos involucrados, del propósito del pronóstico, de la confiabilidad y consistencia de los datos históricos de ventas, del tiempo disponible para hacer el pronóstico, del tipo de producto, de las características del mercado, de la disponibilidad de la información necesaria y de la pericia de los encargados de hacer el pronóstico. Lo usual es que las empresas combinen varias técnicas de pronóstico.

Juicio Ejecutivo: Se basa en la intuición de uno o más ejecutivos experimentados con relación a productos de demanda estable. Su inconveniente es que se basa solamente en el pasado y está influenciado por los hechos recientes.

Encuesta de Pronóstico de los Clientes: Útil para empresas que tengan pocos clientes. Se les pregunta que tipo y cantidades de productos se proponen comprar durante un determinado período. Los clientes industriales tienden a dar estimados más precisos. Estas encuestas reflejan las intenciones de compra, pero no las compras reales.

Encuesta de Pronóstico de la Fuerza de Ventas: Los vendedores estiman las ventas esperadas en sus territorios para un determinado período. La sumatoria de los estimados individuales conforma el pronóstico de la Empresa o de la División. El inconveniente es la tendencia de los vendedores a hacer estimativos muy conservadores que les facilite la obtención futura de comisiones y bonos.

El Método Delfos (Delphi): Se contrata expertos que hacen pronósticos iniciales que la empresa promedia y les devuelve para refinar los estimados individuales. El procedimiento puede repetirse varias veces hasta cuando los expertos - trabajando por separado - lleguen a un consenso sobre los pronósticos. Es un método de alta precisión.

Análisis de Series de Tiempo: Se utilizan los datos históricos de ventas de la empresa para descubrir tendencias de tipo estacional, cíclico y aleatorio o errático. Es un método efectivo para productos de demanda razonablemente estable. Por medio de los promedios móviles determinamos primero si hay presente un factor estacional. Con un sistema de regresión lineal simple determinamos la línea de tendencia de los datos para establecer si hay presente un factor cíclico. El factor aleatorio estará presente si podemos atribuir un comportamiento errático a las ventas debido a acontecimientos aleatorios no recurrentes.

Análisis de Regresión: Se trata de encontrar una relación entre las ventas históricas (variable dependiente) y una o más variables independientes, como población, ingreso per-cápita o producto interno bruto (PIB). Este método puede ser útil cuando se dispone de datos históricos que cubren amplios períodos de tiempo. Es ineficaz para pronosticar las ventas de nuevos productos.

Prueba de Mercado: Se pone un producto a disposición de los compradores en uno o varios territorios de prueba. Luego se miden las compras y la respuesta del consumidor a diferentes mezclas de mercadeo. Con base en esta información se proyectan las ventas para unidades geográficas más grandes.

Es útil para pronosticar las ventas de nuevos productos o las de productos existentes en nuevos territorios. Estas pruebas son costosas en tiempo y dinero, además alertan a la competencia.

Para comenzar a trabajar el proceso matemático es necesario revisar la correlación de las variables, veamos en qué consiste.

Coeficiente de correlación (R)

Mide el grado de relación existente entre dos variables, el valor de la correlación (R) varía desde -1 a 1, pero en la práctica se trabaja tomándose como valor absoluto.

El valor del coeficiente de relación se interpreta de modo que a media que R se aproxima a 1, es más grande la relación entre los datos, por lo tanto R (coeficiente de correlación) mide la aproximación entre las variables. 1995 Cannavos G. Pag 30

El coeficiente de correlación se puede clasificar de la siguiente manera:

CORRELACIÓN VALOR O RANGO

1) Perfecta 1) R = 1

2) Excelente 2) R = 0.9 < = R < 1

3) Buena 3) R = 0.8 < = R < 0.9

4) Regular 4) R = 0.5 < = R < 0.8

5) Mala 5) R < 0.5

Ejemplos de variables que se pueden relacionar

• Cantidades vendidas Vs año • Utilidades Vs Costos • Costos Vs Cantidad Producida • Utilidades Vs Mes • Costos Vs Semanas • Ingresos Vs Año

Regresión

Usted ya comprendió la relación que puede existir entre las variables de estudio, comprendiente el concepto de coeficiente de correlación, A través de herramientas estadísticas de Excel se puede comprobar este coeficiente. A partir de aquí comenzamos a analizar el concepto de regresión para entender su modelo matemático. Observará que es sencillo

La extrapolación o proyección a partir de la tendencia histórica, se debe realizar teniendo en cuenta supuestos como; las condiciones existentes en el pasado tendrán efectos similares en el futuro; Los efectos se compensan reciproca y mutuamente; y las variables objetivas del trabajo son (consumo-tiempo) y (oferta-tiempo), todas las demás variables se hallan implícitas en los datos observados 1995. Marco Elías Contreras, pag 150.

También podemos afirmar que la regresión es una técnica estadística utilizada para simular la relación existente entre dos o más variables. Por lo tanto se puede emplear para construir un modelo que permita predecir el comportamiento de una variable dada.

Modelos matemáticos para regresión con dos variables

Para Proyectar existen dos modelos básicos de regresión, uno es el de dos variables o simple y el otro es de regresión múltiple, en el que se utilizan tres o más variables. Veamos en qué consisten y sus respectivos gráficos.

Para la regresión simple la demanda medida en pesos o en unidades es la variable dependiente y se predice sobre otras variables la cual e considera como independiente, En la regresión múltiple, se utilizan dos o más variables independientes y al demanda sigue siendo dependiente. Para graficar siempre (x) la variable independiente ira sobre el eje horizontal y la dependiente (y) siempre ira sobre el eje vertical. Cuando se ubican los datos como pares de puntos como se ve en la grafica se obtiene un diagrama de de dispersión de puntos, en el cual se puede ver al relación de las variables. Lo que se debe seguir es proceder a establecer la ecuación lineal que mejor se ajuste a la relación existente entre al variables, para lo cual se utiliza el método de mínimos cuadrados. 1995. Marco Elías Contreras, pag 151.

La curva de aproximación más corriente y sencilla de la línea recta, cuya ecuación matemática es la siguiente:

Apreciados aprendices del programa de VENTAS DE PRODUCTOS Y SERVICIOS, este es un espacio de transferencia de conocimiento, que le será de ayuda para que usted se apropie de temas de su interés alrededor del estudio de oferta y demanda, su análisis, comportamiento y tendencias del mercado, En esta oportunidad se publica los materiales pertinente para el desarrollo de su formación, entre las cuales se incluye la Guía de Aprendizaje, Instructivos de uso de Software para proyectar mercados y material sobre el Técnicas para Proyección.

Una vez usted analice este material debe realizar un ejercicio práctico de proyección para eso debe ubicar la Guía de Aprendizaje y el Instructivo para proyección utilizando herramientas estadísticas de Excel.

Mucho ánimo y adelante

Y la gráfica es la siguiente

Modelos matemáticos para regresión múltiple

La regresión múltiple se utiliza para la predicción de respuestas a partir de variables explicativas. Hay ciertos requisitos y lineamientos que se requieren para utilizar esta técnica, una de ellas es la linealidad, la cual supone que la respuesta depende linealmente de las variables explicativas, si las respuestas no aparenta ser lineal se deben introducir en el modelo componentes no lineales. 2004 Baron Lopez /Tellez Montiel .Pag 35.

Dicho de otra forma esta regresión se aplica cuando existen dos o más variables independientes que se utilizan para calcular los valores de la variable dependiente. Aquí existen varios predictores para la variable dependiente, bien sea la demanda u la oferta. Aquí la ecuación de regresión lineal toma la siguiente forma

Y = a + b(1) X(1) + b(2)X(2) + …….b(n)X(n) , en la cual las variables predictoras _ independientes son X(1), X(2),……….X(n).

Además existen algunos procedimientos de correlación múltiple, que permiten interrelacionar una variable con la demás en forma simultánea.

Para tener en cuenta debemos decir que en este modelo se puede tener la tentación de incluir aspectos que se tengan en bases de datos, pensando que entre más variables se incluyan mejores posibilidades existan para que se llegue a un buen fin, pero finalmente se puede incurrir en errores de precisión.

Otra razón es que si se espera ajustar unas pocas observaciones, usando muchas variables lo más probable es que se finalice con un resultado muy artificial. 1995 Marco Elías Contreras Buitrago, pag 161.

Modelos matemáticos de ajuste para datos no lineales.

Hay que tener en cuenta que hasta el momento se ha utilizado un método pertinente para datos con tendencia lineal, es decir que los puntos se encuentran muy cerca de la línea recta en forma constante esto es lo que se ha explicado como dispersión. Esto se puede corroborar determinando el coeficiente de correlación, (La correlación nos indica que tan cerca se mueven dos variables juntas, es decir que tanto una explica a la otra)

Observemos en qué consisten los modelos para datos no lineales, tenga en cuenta que muchas veces las ventas de algunos productos o servicios tienen tendencias que no son uniformes, veamos de que se tratan.

Modelo matemático para ajuste exponencial

La ecuación de esta curva es Y = AeBX la gráfica correspondiente es la siguiente

En esta ecuación € es la base de los logaritmos naturales (e = 2.71182818…) A Y B son las constantes a determinar

Para poder trabajar la ecuación que acabamos de ver, utilizando el modelo de regresión lineal que ya hemos visto se debe someter a una transformación, mediante logaritmos quedando como sigue:

In (y) = In (A) + Bx, la cual se grafica en papel semilogaritmico da una recta de forma Y = a + b(x) y se tiene la siguiente fórmula:

Y = In (y) ; a = In (A)

En conclusión podemos decir que esta curva de ajuste se debe utilizar cuando la demanda tenga una tendencia de crecimiento acelerado. . ibid, pag 161

Modelo matemático para ajuste potencial

Es una de las que más se utilizan en los análisis de regresión de la demanda, se expresa con la ecuación que sigue:

En donde A y B son las constantes que se van a calcular, el modelo se viabiliza el modelo de regresión lineal transformándolo en: Log (y); = Log (A) + B . Log (x) , graficada y suavizada en papel logarítmico produce una recta de la forma : y = a + bx, en donde y = Log (y) ; a = Log (A); B = b; x = Log (x) . ibid, pag 161

Modelo matemático de ajuste logarítmico

Para esta situación el crecimiento de la demanda se presenta de una forma más lenta a medida que pasa el tiempo.

La ecuación para este modelo es la siguiente:

Y = A + B Inx

Tiene la característica que se expresa como una ecuación de una recta

y = a + bx, esto facilita el procedimiento de la regresion lineal. 1995 Marco Elías Contreras Buitrago, pag 163

Conclusión

Es importante tener en cuenta que la selección de la curva de ajuste se puede hacer a partir de las tendencias observadas, en el comportamiento histórico de la demanda. Una mayor certeza en la adecuada selección de la curva tiene que ver con el buen análisis de correlación, a medida que se obtiene un mayor ajuste, dicho coeficiente se aproximará a (1) uno.

Cuando dos variables tienen mucha correlación, es decir se explican en un alto grado, el coeficiente se acercara bastante a (1) uno y en el caso contrario se alejara. Ejemplo la variable cantidad demandada se correlaciona en un alto grado con el tiempo, en este caso la correlación se acercara a (1) uno.

Estimado estudiante la proyección es muy útil en todos los ámbitos comerciales, en este curso hemos visto aspectos fundamentales de esta tema, los cuales le darán a usted las destrezas necesarias para que sea un proyectista exitoso, lo invito a que continúe profundizando en el tema.