Semana 3 - Cap 5 Técnicas de Proyección Del Mercado PDF

Capítulo 5
Técnicas de proyección
del mercado
En el capítulo anterior se analizaron los principales componentes del estudio de mercado de
un proyecto. La estimación del comportamiento futuro de algunas de estas variables puede rea-
lizarse utilizando diversas técnicas de pronóstico, cuyo estudio constituye el objetivo de este
capítulo.
Generalmente, las técnicas de proyección se asocian a la proyección de demanda; sin recuerde

embargo, su alcance es mucho mayor que eso, pues permiten proyectar el comporta- y reflexione
miento de cualquier variable, donde la demanda es solo una de ellas, si bien para la
preparación y evaluación de proyectos es una de las más importantes por su efecto en
la rentabilidad.
Cada técnica de proyección tiene una aplicación de carácter especial que hace de su selección
un problema decisional influido por diversos factores, como la validez y disponibilidad de los
datos históricos, la precisión deseada del pronóstico, el costo del procedimiento, los beneficios
del resultado, los periodos futuros que se desee pronosticar y el tiempo disponible para hacer
el estudio, entre otros. Tan importante como estos es la etapa del ciclo de vida en la que se
encuentra el producto cuyo comportamiento se desea pronosticar.
En una situación estable la importancia de los pronósticos es menor. Pero a medida que
crece el dinamismo y complejidad de la situación, más necesaria se torna la proyección de las
variables del mercado, pues el nivel de incertidumbre y ambigüedad es mayor.
La dificultad mayor al pronosticar comportamientos radica en la posibilidad de la ocurren-
cia de eventos que no hayan sucedido anteriormente, como el desarrollo de nuevas tecnologías,
la incorporación de competidores con sistemas comerciales no tradicionales, las variaciones en
las políticas económicas gubernamentales, etcétera. Los antecedentes históricos serán, por lo
tanto, variables referenciales para el analista de proyecto, quien deberá usar los métodos de
proyección como técnicas complementarias antes que como alternativas estimativas certeras. Por
ello, no siempre la existencia de información histórica es garantía de una proyección confiable.
El capítulo que aquí se inicia se concentra tanto en la presentación y el análisis de las téc-
nicas más importantes para la proyección del mercado como en sus alcances y aplicabilidad.
5.1. El ámbito de la proyección

La multiplicidad de alternativas metodológicas existentes para estimar el comportamiento futuro
de alguna de las variables del proyecto obliga al analista a tomar en consideración un conjunto de
elementos de cada método con el fin de seleccionar y aplicar correctamente aquel que sea más
adecuado para cada situación en particular.
Para que el producto resultante de la proyección permita su uso óptimo, la información
deberá expresarse de la manera en la que sea más valiosa para el preparador del proyecto; por
ejemplo, en algunos casos la información deberá expresarse desglosada por zona geográfica o
en función de algún atributo de los clientes, como sexo o edad.
www.fullengineeringbook.blogspot.com
68 Capítulo 5 Técnicas de proyección del mercado
recuerde
y reflexione La validez de los resultados de la proyección está íntimamente relacionada con la ca-
lidad de los datos de entrada que sirvieron de base para el pronóstico. Las fuentes de
información de uso más frecuente son las series históricas oficiales de organismos
públicos y privados, las opiniones de expertos y el resultado de encuestas especiales,
entre otras.
Internet ha multiplicado exponencialmente la información disponible, tanto de buena como

de mala calidad, así como el grado de confiabilidad de quien ha generado; por lo anterior es
muy importante validar la fuente y metodología de dicha información; de lo contrario, por muy
bien que se aplique la metodología de proyección, el resultado será erróneo.
recuerde
La elección del método correcto dependerá principalmente de la cantidad y calidad de
y reflexione
los antecedentes disponibles, así como de los resultados esperados, del tiempo y del
nivel de precisión deseados. La efectividad del método elegido se evaluará en función
de su precisión, sensibilidad y objetividad.
Precisión, porque cualquier error en su pronóstico tendrá asociado un costo. Aunque obvia-
mente no podrá exigirse una certeza total a alguno de los métodos, sí podrá exigírsele que
garantice una reducción al mínimo del costo del error en su proyección.
Sensibilidad, porque al situarse en un medio cambiante, debe ser lo suficientemente estable
para enfrentar una situación de cambios lentos, así como dinámica para enfrentar cambios agudos.
Objetividad, porque la información que se tome como base de la proyección debe garantizar
su validez y oportunidad en una situación histórica.
Los resultados que se obtienen de los métodos de proyección del mercado son solo indicado-
res de referencia para una estimación definitiva, la cual, aunque difícilmente será exacta, deberá
complementarse con el juicio y las apreciaciones cualitativas del análisis, por parte de quien pro-
bablemente trabajará con más de un método en la búsqueda de la estimación más certera.
5.2. Métodos de proyección

conceptos En el apartado anterior se mencionó que el preparador de proyectos dispone de varias alterna-
claves tivas metodológicas para proyectar el mercado, y que la selección y uso de una o más de estas
dependía de una serie de variables. Una manera de clasificar las técnicas de proyección consiste
Métodos de carácter
en hacerlo en función de su carácter: métodos de carácter cualitativo, modelos causales y mode-
cualitativo (o subjeti-
vos): técnica de proyec- los de series de tiempo.
ción que se basa princi- Los métodos de carácter cualitativo, también denominados subjetivos, se basan principal-
palmente en opiniones mente en opiniones de expertos. Su uso es frecuente cuando el tiempo para elaborar el pronós-
de expertos. Se usa
cuando el tiempo para
tico es escaso, cuando no se dispone de todos los antecedentes mínimos necesarios —lo que
elaborar el pronóstico es frecuentemente ocurre cuando se trata de proyectos de innovación— o cuando los datos dispo-
escaso, cuando no se nibles no son confiables para predecir algún comportamiento futuro. Aunque la gama de méto-
dispone de todos los an- dos predictivos cualitativos es bastante amplia, resulta prácticamente imposible emitir algún
tecedentes mínimos ne-
cesarios o cuando los da-
juicio sobre la eficacia de sus estimaciones finales.
tos disponibles no son Los modelos de pronóstico causales parten del supuesto de que el grado de influencia de las
confiables para predecir variables que afectan el comportamiento del mercado permanece estable, para luego construir
algún comportamiento un modelo que relacione ese comportamiento con las variables que se estima que son las cau-
futuro.
santes de los cambios que se observan en el mercado. Por ello su nombre, pues lo que se busca
Modelos de pronóstico
causales: técnica de pro-
es predecir el comportamiento de una variable en función de relaciones causa-efecto observadas.
yección que busca pre- Dervitsiotis1 señala tres etapas para el diseño de un modelo de proyección causal: a) la identi-
decir el comportamiento ficación de una o más variables respecto a las que pueda presumirse que influyen sobre la
de una variable en fun-
ción de relaciones causa-
efecto observadas. 1
Kostas N. Dervitsiotis, Operations Management, McGraw-Hill, Nueva York, 1981, pp. 447-452.
5.3 Métodos cualitativos 69
demanda, por ejemplo, el producto nacional bruto, la renta disponible, la tasa de natalidad o
los permisos de construcción; b) la selección de la relación que vincule a las variables causales
con el comportamiento del mercado, normalmente en la forma de una ecuación matemática de
primer grado, y c) la validación del modelo de pronósticos, de manera que satisfaga tanto el concepto
sentido común como las pruebas estadísticas, mediante la representación adecuada del proceso clave
que describa. Modelos de series de
Los modelos de series de tiempo se utilizan cuando el comportamiento que asume el mercado tiempo: técnica de pro-
yección que se utiliza
a futuro puede determinarse en gran medida por lo sucedido en el pasado, y siempre que esté
cuando el comportamien-
disponible la información histórica de manera confiable y completa. Cualquier cambio en las to que asume el mercado
variables que caracterizaron un determinado contexto en el pasado, como una recesión económica, a futuro puede determi-
una nueva tecnología o un nuevo producto sustituto de las materias primas, entre otros, hace que narse en gran medida por
lo sucedido en el pasado,
los modelos de este tipo pierdan validez. Sin embargo, es posible ajustar, con algún criterio lógico, y siempre que esté dispo-
una serie cronológica para incluir aquellos hechos no reflejados en datos históricos. nible la información his-
tórica de manera confia-
ble y completa.
5.3. Métodos cualitativos
La importancia de los métodos cualitativos en la predicción del mercado se manifiesta cuando
los métodos cuantitativos basados en información histórica no pueden explicar por sí solos el
comportamiento futuro esperado de alguna de sus variables, cuando no existen suficientes datos
históricos o cuando se trata de investigar aspectos del comportamiento del consumidor que ni concepto
siquiera él mismo sabe, sobre todo cuando se trata de proyectos de innovación. clave
Los métodos de investigación basados en la etnografía son muy útiles para ello. La etnogra- Etnografía: el estudio del
fía es el estudio del comportamiento de las personas o grupos de personas durante un cierto comportamiento de las
personas o grupos de
periodo, utilizando como principal herramienta la observación de los participantes para cono- personas durante un cier-
cer su comportamiento social. El objetivo de la investigación etnográfica es poder descubrir y to periodo, utilizando co-
revelar los significados que determinan las acciones de un determinado grupo de personas, mo principal herramienta
observando e interpretando las decisiones, acciones y comportamientos de este. La etnografía la observación de los par-
ticipantes para conocer
es una herramienta muy útil para poder contrastar lo que la gente dice que hace con lo que su comportamiento so-
realmente hace. cial.
Para ello existen diversas técnicas, como grabar el comportamiento de las personas en un
contexto determinado y observar su conducta, fotografiar situaciones, seguir a las personas
para observar qué hacen en el contexto de sus vidas, pues el tiempo, al ser un recurso muy escaso,
es muy revelador respecto de las preferencias de las personas. Asimismo, observar los elementos
de su hábitat, sus pertenencias, su círculo de amistades en las redes sociales, los lugares a los
que asiste, etcétera, resulta muy revelador de sus gustos y preferencias.
La opinión de los expertos es una de las formas subjetivas más comúnmente usadas para
estudiar el mercado. Generalmente se complementa con cualquier otro método. Para ello es
necesario determinar el universo de expertos que se desea entrevistar y establecer el conjunto
de variables que se quieren investigar mediante una conversación abierta. Por ejemplo, en el
estudio de implementación de bicicletas públicas para Santiago de Chile, realizado por nuestra concepto
empresa consultora, se diseñó una investigación basada principalmente en la opinión de exper- clave
tos, en la que se incluyeron diversos actores relevantes, tomando en consideración que se trataba
Método Delphi: técnica
de un proyecto urbano intermodal e intercomunal. Se entrevistó a organismos gubernamenta- de proyección subjetiva
les, municipios, potenciales auspiciadores, operadores potenciales, al operador de las bicicletas que consiste en reunir a
públicas de la comuna, a directores del Metro, a ejecutivos del sistema de transporte público un grupo de expertos en
un panel para someterlos
citado y directores de las principales ONG dedicadas a la cultura de la bicicleta. Las opiniones a una serie de cuestiona-
recogidas, en conjunto con el diagnóstico del mercado realizado en una etapa previa, permitie- rios, con un proceso de
ron diseñar la estrategia de negocio y la estrategia comercial y sentar las bases de proyección retroalimentación contro-
con las que se evaluó el proyecto tanto privada como socialmente. lada después de cada se-
rie de respuestas. Se ob-
Dentro de las técnicas subjetivas, el método Delphi es quizá el más conocido. Este consiste tiene información que
en reunir a un grupo de expertos en un panel, a quienes se les somete a una serie de cuestiona- entrega una convergen-
rios, con un proceso de retroalimentación controlada después de cada serie de respuestas. Se cia en la opinión grupal,
obtiene así información que, tratada estadísticamente, entrega una convergencia en la opinión de la que nace una pre-
dicción.
grupal, de la que nace una predicción.
recuerde
y reflexione El método Delphi se fundamenta en que el grupo es capaz de lograr un razonamiento
mejor que el de una sola persona, aunque esta sea experta en el tema.
Con el objetivo de no inhibir a los participantes en el panel, el cuestionario se contesta

anónimamente. La retroalimentación controlada sobre el panel se hace efectiva cada vez que se
completa una ronda del cuestionario. Este proceso interactivo se repite hasta lograr la conver-
gencia de opiniones de todos los expertos. El procedimiento del método evita las distorsiones
que producen la presencia de individuos dominantes, la existencia de comunicaciones irrelevan-
tes y la presión por parte del grupo para llegar a un consenso forzado, entre otros factores.
Aunque durante el transcurso del experimento se producen fugas inevitables entre los
expertos, es importante intentar minimizarlas para evitar los efectos de la discontinuidad en el
proceso. De igual manera, debe intentarse que el lapso entre dos cuestionarios, así como el número
conceptos
de ellos, sea lo más reducido posible, para evitar un intercambio de opiniones que origine dis-
claves
torsiones en las respuestas individuales.
Consenso de panel: téc- Una técnica similar al método Delphi es la conocida como consenso de panel, que se dife-
nica de proyección sub-
rencia de aquella en que no existen secretos sobre la identidad del emisor de las opiniones y en
jetiva que se basa en la
suposición de que varios que no hay retroalimentación dirigida desde el exterior. Este método “se basa en la suposición
expertos serán capaces de que varios expertos serán capaces de producir un pronóstico mejor que una sola persona.
de producir un pronósti- No existen secretos y se estimula la comunicación. Algunas veces ocurre que los factores socia-
co mejor que una sola
persona. No existen se-
les influyen en los pronósticos y por ello estos no reflejan un consenso verdadero”.2 El peligro
cretos y se estimula la del método reside en la posibilidad de que emerja un grupo dominante que anule la interacción
comunicación entre los adecuada y de que se logre un consenso por la capacidad de argumentación de este grupo y no
expertos. por la validez de la interacción.
Investigación de merca- Un método más sistemático y objetivo, que se vale del método científico, es la investigación
do: técnica de proyec-
ción de mercado que re-
de mercado, la cual se utiliza principalmente en la recolección de información relevante para
colecta información ayudar a la toma de decisiones o para aprobar o refutar hipótesis sobre un mercado específico,
relevante para ayudar a mediante encuestas, experimentos, mercados-prueba u otras formas.
la toma de decisiones o Este método constituye, quizás, un paso necesario para la aplicación y el uso de cualquiera
para aprobar o refutar un
mercado específico.
de los restantes métodos, dada la información sistematizada y objetiva que entrega.
La principal característica del método es su flexibilidad para seleccionar e incluso para
diseñar la metodología que más se adecue al problema en estudio, ya sea una investigación
exploratoria, descriptiva o explicativa.3
Un tipo de investigación de mercados es el de encuestas de intenciones de compras. Su apli-
cación comienza con la selección de la unidad de análisis adecuada para cuantificar la intención
de compra, sigue con la toma correcta de la encuesta por muestreo y finaliza con el análisis de
los antecedentes recopilados. El peligro del método radica en que depende mucho de las variables
de contexto; si estas son dinámicas, las condiciones imperantes pueden llevar a modificar la
intención de compra de la unidad de análisis o quizá sus respuestas a las encuestas, aunque ello
no afecte la decisión, e inducir a conclusiones erróneas. Otro de los peligros de este método es la
veracidad de la información expresada por el individuo, pues no siempre revela sus verdaderas
preferencias, ya sea por temor a transparentarse o porque simplemente no sabe; además, la
encuesta se aplica al individuo fuera de su contexto social, perdiendo de vista cómo actúa y cómo
reacciona dentro de un grupo. Es por ello que la etnografía como metodología de investigación
es más fidedigna, pues se observa lo que el individuo hace más que lo que dice que hace.
Además de lo anterior, la encuesta coloca al encuestado en un papel pasivo, donde el indi-
viduo se siente examinado por un ser extraño; por consiguiente, es esperable que responda de
manera diferente a como lo haría si estuviera dentro de una discusión con personas y en un
entorno conocido, observándose diferencias entre lo que dice y lo que hace.
Las encuestas no son efectivas cuando se trata de consumidores muy heterogéneos, o bien,
cuando se pretende investigar un producto o servicio de innovación, pues al no saber de qué se
2
J. Chambers, S. Mullick y D. Smith, Cómo elegir la técnica de pronóstico correcta, Biblioteca Harvard.
3
Para el estudio de este método, T. Kinnear y J. Taylor, Investigación de mercados, McGraw-Hill, Bogotá, 1998.
5.3 Métodos cualitativos 71
trata, no resulta posible preguntar. En este sentido, el desarrollo de prototipos, acompañados

de videos conceptuales, ayudan mucho a entender la propuesta y a recibir feedback de parte del
cliente. Cuando se trata de desarrollar productos de innovación, las encuestas tienen un aporte
muy escaso, por no decir nulo.
Cuando se trata de investigar aspectos cotidianos más íntimos, como los hábitos de higiene
bucal, no puede preguntarse si la persona se cepilla los dientes a diario y cuántas veces al día lo
hace, pues lo más probable es que responda que lo hace la mayor cantidad de veces cuando en
la práctica no lo hace; en ese sentido, las técnicas basadas en terceras personas o las preguntas
indirectas pueden inducir al entrevistado a cierto comportamiento más fidedigno.
La investigación de mercados estudia características de productos, empresas y consumido- conceptos
res. Para realizar el muestreo existen dos métodos: el probabilístico, en el que cada elemento claves
elegible tiene la misma probabilidad de ser muestreado, y el no probabilístico, en el que la pro- Muestreo probabilístico:
babilidad de ser elegible no es igual para toda la población muestral. De la observación de casos cada elemento elegible
tiene la misma probabili-
reales puede afirmarse que el último tiene más aplicación que el primero. dad de ser muestreado.
En este sentido, se requiere una estratificación previa a la toma de encuesta para determinar Muestreo no probabilísti-
el espacio muestral. Por ejemplo, si se desea determinar las características del usuario de Twit- co: la probabilidad de ser
ter, primero deberá averiguarse si la persona es usuaria del sistema y luego consultar acerca de elegible no es igual para
lo que se desea averiguar. Esto es distinto a investigar el porcentaje de la población que usa toda la población mues-
tral.
Twitter, lo que sería diferente a una investigación de mercados. La estratificación consiste en
encuestar a aquellos que efectivamente usan Twitter, ya que quienes no lo hacen o no lo cono-
cen difícilmente podrían opinar sobre sus beneficios o sobre otras variables. El muestreo no
probabilístico corresponde a una investigación de mercados basada en encuestas sobre una
estratificación preliminar.
recuerde
El cálculo del tamaño de la muestra es fundamental para la confiabilidad de los resul-
y reflexione
tados.
Por ello, deberán tomarse en consideración algunas propiedades de la muestra y el grado

de error máximo permisible de sus resultados. Para calcular el tamaño de la muestra puede
utilizarse la siguiente fórmula:
s2Z2
5.1 n⫽
e2
donde n es el tamaño de la muestra, s2 es la desviación estándar (que puede calcularse en refe-
rencia con otros estudios o sobre la base de una prueba piloto), Z es el valor crítico de la dis-
tribución normal para un nivel de confianza deseado y e2 es el nivel de error máximo permitido,
que puede interpretarse como la mayor diferencia permitida entre la medida de la muestra y la
media de la población.
El valor de Z se obtiene de una tabla de probabilidades de una distribución normal y se
conoce como el número de errores estándar asociados con el nivel de confianza. Por ejemplo,
para tener un nivel de confianza de 95%, la tabla de probabilidades de distribución normal
muestra un valor de Z ⫽ 1.96.
Así, si una empresa fabricante de aceite comestible tradicional evalúa un proyecto para
colocar un nuevo producto en el mercado, como el aceite combinado de oliva y maíz, puede
estimar el tamaño de la muestra basándose en el promedio histórico de consumo medio anual.
Si la media histórica ha sido 12 litros, si la desviación estándar de la muestra, obtenida mediante
una prueba piloto, es tres y si el error máximo permitido es 0.3 (lo que supone que ningún
consumidor compraría más de 12.3 litros, ni menos de 11.7 litros), el tamaño de la muestra para
un nivel de confianza de 95% se calcula por:
32 · 1.962
5.2 n⫽ ⫽ 385
0.32
conceptos La aplicación de un cuestionario a la muestra busca medir actitudes y comportamientos

claves esperados del mercado. Para ello, es conveniente aplicar lo que se denomina técnica estructurada,
que consiste en facilitar respuestas breves, simples, específicas y con opciones limitadas.
Técnica estructurada:
facilita respuestas bre-
La teoría ofrece cuatro formas básicas para elaborar escalas o mediciones en ciencias socia-
ves, simples, específicas les: nominal, ordinal, de intervalos y proporcional.
y con opciones limitadas. La escala nominal consiste en solicitar al encuestado que, por ejemplo, mencione la marca
Escala nominal: método que usa de un determinado producto, el medio de difusión donde vio la publicidad o el estable-
de muestreo probabilísti- cimiento comercial donde lo compró. La medición de los resultados se expresa como un por-
co que solicita al encues-
tado que mencione la
centaje sobre el total de la muestra, como: 44% de encuestados usa aceite marca A; 37%, marca
marca que usa de un de- B, etcétera.
terminado producto, el La escala ordinal consiste en solicitar al encuestado que ordene datos de acuerdo con su
medio de difusión donde preferencia personal, calificando distintas variables, como tamaño, envase y sabor, en una escala
vio la publicidad o el es-
tablecimiento comercial que puede ir de uno (peor) a cinco (mejor).
donde lo compró. Se mi- La escala de intervalos permite hacer comparaciones cuando se pregunta acerca de la edad,
de en porcentaje. los ingresos o cuando el encuestado tiene una visión clara pero no exacta de su respuesta. Por
Escala ordinal: método ejemplo, si fuma entre uno y cinco cigarrillos diarios, entre seis y 10, entre 11 y 20 o más de 20.
de muestreo probabilísti- La escala proporcional se aplica cuando se desea explicitar mediciones, como volumen, peso
co que solicita al encues-
tado que ordene datos de o distancia. Generalmente, se aplica en la confirmación de respuestas, para lo cual en una pre-
acuerdo con su preferen- gunta inicial se le pide al encuestado que señale si considera un determinado atributo de un
cia personal, calificando producto en el momento de decidir su compra y, varias preguntas más adelante, se le reitera la
distintas variables, como
pregunta de manera diferente. Por ejemplo, si se está midiendo la intencionalidad de cambiar
tamaño, envase y sabor.
Se mide en escala. sus hábitos de compra, podría preguntarse si tiene alguna crítica al producto actual. Si la res-
Escala de intervalos: puesta es afirmativa, se le pide que la señale mediante una escala nominal. Más adelante, en el
método de muestreo pro- cuestionario puede pedírsele que, en una escala ordinal, asigne una calificación a una lista de
babilístico que hace com- dificultades que se le presenta y cuya respuesta tiene que coincidir con la entregada anterior-
paraciones cuando se
pregunta acerca de la
mente.
edad, los ingresos o En general, las encuestas se emplean en la medición de volúmenes esperados de venta,
cuando el encuestado preferencias de calidad y precio, hábitos de compra, etcétera.
tiene una visión clara pe-
ro no exacta de su res-
puesta. Se mide en inter-
valos. La investigación de mercados basada en muestreo no probabilístico puede tipificarse
Escala proporcional: mé- en tres categorías: muestreo de estratos, de conveniencia de sitio y de bola de nieve.
todo de muestreo proba-
bilístico que se aplica
cuando se desea explici-
tar mediciones —como En el muestreo de estratos se predetermina un estrato de la población según los intereses
volumen, peso o distan- particulares de la investigación. Por ejemplo, estratos de ingresos, edad, sexo, región u otro.
cia— y confirmar res-
puestas haciendo una En el muestreo de conveniencia de sitio se predetermina el lugar donde se aplicará la encuesta,
pregunta inicial que más según el lugar donde se estima que estará presente el consumidor objeto del interés del estudio.
adelante, en la encuesta, Por ejemplo, si se desea investigar un nuevo instrumento médico, deberá dirigirse la encuesta a
se le reitera de manera hospitales, clínicas, consultorios y otros centros de concentración de profesionales de la salud.
diferente.
En el muestreo de bola de nieve se encuesta en una primera instancia al azar, usando las
Muestreo de estratos:
método no probabilístico respuestas obtenidas como elementos referenciales para una encuesta posterior más dirigida.
en el que se predetermi- Otro método, el de pronósticos visionarios, se utiliza como alternativa de los ya señalados
na un estrato de la pobla- cuando se dispone de personal interno de la empresa a la que se le evalúa el proyecto y dicho
ción según los intereses
personal tiene experiencia y conocimiento de sus clientes, por lo que es capaz de emitir opinio-
particulares de la investi-
gación. nes respecto a reacciones y comportamientos posibles de esperar en el futuro. La proyección del
Muestreo de convenien- mercado se hará tomando el resultado de la estimación directa del personal y corrigiéndola por
cia de sitio: método no antecedentes recopilados de una variable de fuentes atinentes al comportamiento de la economía,
probabilístico en que se la competencia, etcétera.
predetermina el lugar
donde se aplicará la en-
Aunque este método presenta ventajas por costo y rapidez, sin requerir destrezas especiales,
cuesta, según el lugar conlleva algunas insuficiencias derivadas de la influencia dominante de las experiencias más
donde se estima que es- recientes y de la falta de unidades de medida que den exactitud a la estimación.
tará presente el consumi- El método de la analogía histórica supone que el mercado del proyecto que se estudia puede
dor objeto del interés del
estudio.
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 en otra región geo-
5.4 Modelos causales 73
gráfica, o para un producto diferente, aunque con un mercado consumidor similar. La desven- conceptos
taja que manifiesta es la de suponer que las variables determinantes en el comportamiento claves
pasado del mercado tomado como referencia se mantendrán en el futuro y, además, que tendrán
Muestreo de bola de nie-
el mismo efecto sobre el mercado del proyecto en estudio. ve: método no probabilís-
tico en el que encuesta
una primera instancia al
5.4. Modelos causales4 azar, usando las respues-
tas obtenidas como ele-
mentos referenciales pa-
Los modelos causales, a diferencia de los métodos cualitativos, intentan proyectar el mercado ra una encuesta posterior
sobre la base de antecedentes cuantitativos históricos; para ello, suponen que los factores con- más dirigida.
dicionantes del comportamiento histórico de alguna o de todas las variables del mercado per- Muestreo de pronósticos
manecerán estables. visionarios: método no
Los modelos causales de uso más frecuente son el modelo de regresión, el modelo economé- probabilístico en el que
personal de la empresa a
trico y el modelo de insumo producto, llamado también método de los coeficientes técnicos. A la que se le evalúa el pro-
continuación se analiza cada uno de ellos por separado. yecto tiene experiencia y
Es frecuente encontrar en los estudios empíricos y en la teoría microeconómica la afirmación conocimiento de sus
de que la demanda de un bien o servicio depende de muchas causas o factores que explicarían clientes, por lo que es ca-
paz de emitir opiniones
su comportamiento a través del tiempo o en un momento específico. respecto a reacciones y
Las causales explicativas se definen como variables independientes y la cantidad demandada comportamientos posi-
—u otro elemento del mercado que se desea proyectar—, como variable dependiente. Esta bles de esperar en el fu-
última, en consecuencia, se explica por la variable independiente. El análisis de regresión5 per- turo.
mite elaborar un modelo de pronóstico basado en estas variables, el cual puede tener desde una Modelos causales: técni-
ca de proyección del mer-
hasta n variables independientes. Sin embargo, la elección del número de variables independien- cado que intenta proyec-
tes depende del total de observaciones obtenidas para la variable dependiente y de cada una de tar el mercado sobre la
las causales explicativas. base de antecedentes
Existen dos modelos básicos de regresión: el modelo de regresión simple o de dos variables, cuantitativos históricos.
y el modelo de regresión múltiple. El primero indica que la variable dependiente se predice sobre Modelo de regresión sim-
ple o de variables: técni-
la base de una variable independiente, mientras que el segundo indica que la medición se basa ca de proyección del mer-
en dos o más variables independientes. En ambos casos, aunque los valores de la variable inde- cado que indica que la
pendiente pueden ser asignados, es decir, están dados para el analista, los de la variable depen- variable dependiente se
diente deben obtenerse por medio del proceso de muestreo. predice sobre la base de
una variable indepen-
De la observación de las variables se deriva un diagrama de dispersión que indica la relación diente.
entre ambas. Gráficamente se representa la variable independiente, x, en relación con el eje Modelo de regresión múl-
horizontal, y el valor de la variable dependiente, y, en relación con el eje vertical. Cuando las tiple: técnica de proyec-
relaciones entre ambas no son lineales, es usual determinar un método de transformación de ción del mercado que in-
valores para lograr una relación lineal. dica que la medición se
basa en dos o más varia-
El paso siguiente es determinar la ecuación lineal que mejor se ajuste a la relación entre las bles independientes.
variables observadas. Para ello se utiliza el método de los mínimos cuadrados. En forma gráfica, el
diagrama de dispersión y la línea de tendencia pueden representarse como lo muestra el figura 5.1.
Los puntos de la figura representan las distintas relaciones observadas entre las variables
x y y.
Matemáticamente, la forma de la ecuación de regresión lineal es:
5.3 y(x) ⫽ a ⫹ bx
4
La metodología y las fórmulas que se exponen a continuación con fines explicativos se entienden mejor recu-
rriendo al uso de una planilla electrónica como Excel. Así, para el cálculo de una regresión, en Menú / Herramien-
tas / Análisis de datos / Regresión, el trabajo se simplifica a solo poblar información. Asimismo, para los modelos
de series de tiempo que se exponen en el punto 5.5, opcionalmente puede recurrirse al Menú Insertar gráfico,
aunque la información que proporciona es sustancialmente menor a la que entrega la herramienta Regresión de
análisis de datos.
5
El modelo de regresión se basa en tres supuestos básicos, los cuales, si son transgredidos, invalidan automá-
ticamente cualquier proyección. El primer supuesto es que los errores de la regresión tienen una distribución
normal, con media cero y varianza s2 constante. El segundo supuesto es que los errores no están correlacionados
entre ellos. Este fenómeno se denomina autocorrelación. El último supuesto es que todas las variables analizadas
se comportan en forma lineal o son susceptibles de linealizarse.
X
Figura 5.1 Diagrama de dispersión y de la línea de tendencia.
donde y(x) es el valor estimado de la variable dependiente para un valor específico de la varia-
ble independiente x; a es el punto de intersección de la línea de regresión con el eje y,6 b es la
pendiente de la línea de regresión y x es el valor específico de la variable independiente. Dado
que la línea de regresión se entiende como el valor esperado que toma la variable y, dados los
valores esperados de la variable x, el término constante a también puede entenderse como el
valor promedio de y cuando x es cero. Igualmente, b puede entenderse como el cambio en y ante
un cambio marginal en x.
El criterio de los mínimos cuadrados permite que la línea de regresión de mejor ajuste
minimice la suma de las desviaciones cuadráticas entre los valores reales y los estimados de la
variable dependiente para la información muestral. Así, al minimizar la sumatoria de errores al
cuadrado, se derivan las siguientes expresiones para la pendiente y el intercepto, respectivamente:
n⌺xy ⫺ (⌺x)(⌺y)
5.4 b⫽
n⌺x2 ⫺ (⌺x)2
5.5 a ⫽ y– ⫺ bx–
donde x– y y– son las medias de las variables y n es el número de observaciones. Alternativamente,

b puede calcularse utilizando:
⌺(x ⫺ x–)(y ⫺ y–)

5.6 b⫽
⌺(x ⫺ x–)2
Por ejemplo, suponga que los antecedentes históricos de producción y ventas de un deter-
minado producto son los que se muestran en el cuadro 5.1. No obstante, es necesario aclarar
que debe contarse con un número significativo de observaciones para que la estimación sea
veraz y las conclusiones derivadas de la relación entre variables sean consistentes.
Cuadro 5.1
Año 2002 2003 2004 2005 2006 2007 2008 2009 2010 2011 2012
Demanda 10 20 30 45 70 90 125 150 180 220 270
6
En este punto la variable independiente x tiene un valor de cero.
Para efectos de estimación se realiza un reemplazo de la variable año como el número de

muestra, con el propósito de simplificar las estimaciones.
Cuadro 5.2
Número de muestra 1 2 3 4 5 6 7 8 9 10 11
Demanda 10 20 30 45 70 90 125 150 180 220 270
Actualmente, la metodología de estimación de una regresión puede desarrollarse con el apoyo

de herramientas computacionales, como Excel. De esta forma, para realizar una estimación lineal
es posible graficar los datos y, en función de ello, lograr la regresión, lo que se simplifica al soli-
citar como salida de la programación la línea de tendencia. Para ello, simplemente debe selec-
cionarse un punto en la figura y en el submenú seleccionar “Agregar línea de tendencia”.
Figura 5.2 Demanda.
Unidades
vendidas
300
y ⫽ 25.59x ⫺ 43.54
250
R2 ⫽ 0.958
200
150
100
Demanda
50
Lineal (demanda)
0
0 2 4 6 8 10 12
⫺50 Años
Figura 5.3 Estimación de líneas de tendencia, regresión lineal y r2.
Lo que entrega como resultado gráfico: la línea de tendencia, la ecuación respectiva —en
este caso lineal— y el indicador r2.
11(2.815) ⫺ (0)(1.210) 30.965

5.7 b⫽ ⫽ ⫽ 25.59
11(110) ⫺ (0)2 1.210
1.210 0
a⫽ ⫺ 25.69 ¢ ≤ ⫽ 110
11 11
De esta forma, la ecuación final de regresión es:
5.8 y(x) ⫽ ⫺43.54 ⫹ 25.59x̂
Para estimar la demanda esperada en 2013 (x ⫽ 12), se reemplaza:
5.9 ŷ ⫽ ⫺43.54 ⫹ 25.59*(12) ⫽ 263.54
Al ser el modelo de regresión un método estadístico, es posible determinar el nivel de pre-

cisión y confiabilidad de los resultados de la regresión.
El coeficiente de correlación r mide el grado de asociación lineal entre x y y. Sin embargo,
es más utilizado el coeficiente de determinación, r2, que indica cuán correcto es el estimado de
la ecuación de la regresión. Cuanto más alto sea el r2, más confianza podrá tenerse en el estimado
de la línea de regresión. Específicamente, representa la proporción de la variación total en y,
que se explica por la variación total en las variables independientes, pudiendo así asumir un
valor entre cero y uno. Se calcula por:
⌺(y ⫺ y(x))2
5.10 r2 ⫽ 1 ⫺
⌺x(y ⫺ y(x))2
o, en forma alternativa:
[n⌺xy ⫺ (⌺x)(⌺y)]2
5.11 r2 ⫽
[n⌺x2 ⫺ (⌺x)2][n⌺y2 ⫺ (⌺y)2]
Siguiendo con el ejemplo, se tiene que, al aplicar la fórmula 5.10, el coeficiente de determi-
nación es:
5.12 r 2 ⫽ [11(2.815) ⫺ (0)1.210)]2/[11(110) ⫺ (0)2][11(208.250) ⫺ (1.210)2] ⫽ 0.958
Esto significa que 96% de la variación total en la demanda es explicada por la variación
temporal y 4% por otras variables no incluidas en el modelo. Este es un caso típico de produc-
tos cuya demanda depende fuertemente de la población, ya que la tasa de crecimiento se expresa
como una función anual.
Como se mostrara anteriormente, al graficar puede hacerse que el software entregue direc-
tamente el coeficiente r2.
Con los antecedentes disponibles, es posible calcular el error “estándar” de una estimación
para determinar la desviación “estándar” de la variable dependiente y, así como un valor espe-
cífico de la variable independiente x. El error “estándar” del estimado, designado Se, se define
como la desviación “estándar” de la regresión y se calcula por:
⌺y2 ⫺ a⌺y ⫺ b⌺xy

5.13 Se ⫽
Ö n⫺2
Según los datos del ejemplo, se tendría:
(208.500) ⫺ (110)(1.210) ⫺ (25.59)(2.825)

5.14 Se ⫽ ⫽ 18.60
Ö 11 ⫺ 2
Si se desea que la predicción sea confiable en 95%, el intervalo de confianza sería la demanda
estimada ⫾ 2(18.60). Así, el error “estándar” permite encontrar el intervalo de confianza de la
estimación y el rango de valores dentro del que puede predecirse la variable dependiente con
diferentes grados de confianza estadística. Suponiendo que los términos del error están nor-
malmente distribuidos en torno a la línea de regresión, existe 68% de probabilidad de que las
observaciones futuras estén dentro de ŷ ⫾ Se, mientras que aumenta a 95% la probabilidad de
que estén dentro de ŷ ⫾ 2 Se y a 99% si se ubican entre ŷ ⫾ 3 Se. Esto deja de manifiesto que la
mayor precisión se asocia con los errores “estándares” más pequeños de la estimación.
En consecuencia, al estimar la demanda para 2008, se dirá que existe 95% de probabilidad
de que esto se ubique en el rango de 226.34 (263.54 – 2(18.60)) y 300.74 (263.54 ⫹ 2(18.60)).
En algunos casos, en vez de ajustar los datos a una línea recta para predecir la tendencia
histórica, deberá emplearse una función exponencial que muestre un cambio porcentual cons-
tante, más una variación constante en cada periodo, para expresar de mejor forma el ajuste de
la tendencia de los datos. La expresión de la ecuación de tendencia exponencial es:
5.15 y(x) ⫽ axg
lny ⫽ ln(a) ⫹ gln(x)
donde g es la tasa de crecimiento porcentual constante que se estima para el futuro.

El modelo de regresión múltiple, como se señaló, se aplica cuando hay dos o más variables
independientes que deben usarse para calcular el valor de la variable dependiente. En este caso,
la expresión 5.3 asume la forma:
5.16 Y ⫽ a ⫹ b1x1 ⫹ b2x2 ⫹ … ⫹ bnxn
La solución de la ecuación exige procedimientos bastante complejos para determinar el

valor de las constantes. Sin embargo, en la actualidad existen programas computacionales dis-
ponibles que facilitan su cálculo. En términos generales, la lógica de la solución es la que subyace
en los modelos de regresión lineal, es decir, haciendo uso del método de mínimos cuadrados
ordinarios o de máxima verosimilitud, pueden estimarse los parámetros, los cuales permiten
identificar las relaciones entre las variables.
Otro de los modelos causales es el econométrico, el cual, según Dervitsiotis, es un “sistema
de ecuaciones estadísticas que interrelacionan las actividades de diferentes sectores de la eco-
nomía y ayudan a evaluar la repercusión sobre la demanda de un producto o servicio. En este
sentido, es una prolongación del análisis de regresión”.
Lira, por su parte, define un modelo para estimar la demanda de un producto, que parte
de la base de que el precio se determina por la interacción de la oferta y la demanda. Su modelo
define una cantidad demandada (Qd) en función del precio del producto (P), el nivel de la acti-
vidad (NA), el precio de los productos sustitutos (PS) y otras variables, una cantidad ofrecida
(Qo) en función de P, la capacidad de producción (CA), el costo de los factores (c) y otras
variables, el cambio en el inventario de productos terminados (s) en función del cambio en la
cantidad ofrecida (q), P y el precio esperado del producto (PE), el nivel de importaciones (M)
en función del precio de importación (PM), P y otras variables, y el nivel de exportaciones (X) en
función del precio de exportación (PX), P y otras variables. Así, al igualar la oferta y la demanda,
se llega a la siguiente expresión que permitirá determinar el precio:
5.17 Qo ⫽ Qd ⫹ Δs ⫹ X − M
El modelo econométrico analizado no admite externalidades de ningún tipo, ni por even-

tuales cambios derivados de la expansión de la producción ni por rendimientos operativos
fluctuantes que afecten los niveles productivos. Por esto se señala que es esencialmente un modelo
de corto plazo.
Otro modelo causal es el denominado insumo producto, o método de los coeficientes téc-
nicos, que permite identificar las relaciones interindustriales que se producen entre sectores de
la economía, mediante una matriz que implica suponer el uso de coeficientes técnicos fijos por
parte de las distintas industrias.7
Para estimar la demanda de un sector específico, el modelo la descompone en bienes fina-
les e intermedios, y establece sus relaciones utilizando los denominados coeficientes técnicos.
Este método es adecuado cuando la demanda de un sector está en estrecha relación con el nivel
de actividad del mismo, y los demás elementos que pueden estar determinándola son de poca
significación. Lo que básicamente busca este modelo es determinar el grado de repercusión que
la actividad de un sector tiene sobre los restantes. Una metodología muy usada para determinar
los coeficientes técnicos de las funciones de producción de proporciones constantes es la del
análisis de regresión.
5.5. Modelos de series de tiempo8

Los modelos de series de tiempo se refieren a la medición de valores de una variable en el tiempo
a intervalos espaciados uniformemente. El objetivo de la identificación de la información his-
tórica es determinar un patrón básico en su comportamiento, que posibilite la proyección futura
concepto de la variable deseada.
clave En un análisis de series de tiempo pueden distinguirse cuatro componentes básicos que
Tendencia: técnica de se refieren a: una tendencia, un factor cíclico, fluctuaciones estacionales y variaciones no siste-
proyección del mercado máticas.
que se refiere al creci-
El componente de tendencia se refiere al crecimiento o declinación en el largo plazo del valor
miento o declinación en
el largo plazo del valor promedio de la variable estudiada, por ejemplo, la demanda. Su importancia se deriva de consi-
promedio de la variable derar fluctuaciones en el nivel de la variable en el tiempo, con lo cual el estudio del nivel promedio
estudiada. de la variable a lo largo del tiempo es mejor que el estudio de la misma en un momento específico.
Aunque es posible definir una tendencia de largo plazo para la variable, pueden darse
divergencias significativas entre la línea de tendencia proyectada y el valor real que exhiba la
variable. Esta divergencia se conoce como el componente cíclico y se admite entre sus causas el
comportamiento del efecto combinado de fuerzas económicas, sociales, políticas, tecnológicas,
culturales y otras existentes en el mercado que permiten identificar periodos de expansión y
contracción de la variable en estudio, para este caso, la demanda. La mayoría de estos ciclos no
tiene patrones constantes que permitan prever su ocurrencia, magnitud y duración.
Contrarios a los componentes cíclicos, existen otros componentes llamados estacionales,
que exhiben fluctuaciones que se repiten periódicamente y que normalmente dependen de fac-
tores como el clima (ropa de verano) y la tradición (tarjetas de Navidad), entre otros.
Aunque se conozcan los tres componentes señalados, una variable puede tener todavía un
comportamiento real distinto del previsible por su línea de tendencia y por los factores cíclicos
y estacionales. A esta desviación se le asigna el carácter de no sistemática y corresponde al
llamado componente aleatorio.
En la figura 5.4 se muestran los cuatro componentes de una serie cronológica. A largo plazo,
los componentes estacionales y aleatorios son menos relevantes que el componente cíclico. Sin
embargo, a medida que los pronósticos se van acortando, el componente no sistemático pasa a
ser primordial y la línea de tendencia, la menos importante.
Dervitsiotis9 plantea dos modelos que podrían explicar la forma de interacción de los com-
ponentes de las series de tiempo: a) el aditivo, que permite calcular el comportamiento de una
variable (demanda, por ejemplo) como la suma de los cuatro componentes, y b) el multiplicativo,
que dice que la variable puede expresarse como el producto de los componentes de la serie de
tiempo.
Existen diversos métodos que permiten estimar el comportamiento de una variable y que
aíslan, en general, el efecto tendencia. Estos son: el método de los promedios móviles, el de afi-
7
Supone funciones de producción de proporciones fijas, sin capacidad de sustitución de insumos.
8
El método de los promedios móviles se usa principalmente en proyecciones de corto plazo, como un presu-
puesto anual, por ejemplo, y tiene utilidad en uno de los métodos de cálculo de la inversión en capital de trabajo,
que se estudiará en el capítulo 12 (método de déficit acumulado máximo).
9
Dervitsiotis, op. cit.
5.5 Modelos de series de tiempo 79
Variable
estudiada
Componente
cíclico
Componente
de tendencia
Componente
no sistemático
Componente
estacional
Tiempo
Figura 5.4 Componentes de tendencia de una serie cronológica.
namiento exponencial y el de ajuste lineal por el criterio de los mínimos cuadrados, al que ya se
hizo referencia.
Una serie cronológica con fuerte efecto estacional hace recomendable el uso de un prome-
dio móvil simple de un número determinado de periodos, que normalmente es de los cuatro
últimos trimestres.10 El promedio móvil (Pm) se obtiene de:
n
⌺ Ti
i⫽1
5.18 Pm1 ⫽
n
donde Ti es el valor que adopta la variable en cada periodo i y n es el número de periodos

observados.
Así, si la demanda trimestral de un producto es en cada uno de los cuatro trimestres de 180,
250, 210 y 150, el valor de Pm1 sería de:
180 ⫹ 250 ⫹ 210 ⫹ 150

5.19 Pm1 ⫽ ⫽ 197.50
4
De acuerdo con este método, la demanda esperada para el trimestre siguiente es de 197.50.
Cuando se conozca el valor real de la demanda del quinto periodo, se proyectará el sexto periodo,
incorporando este valor en reemplazo del más antiguo que, en este caso, corresponde a 180
unidades. Así, Pm1 abarcará el periodo comprendido entre los trimestres 1 y 4, Pm2, entre 2 y
5, y así sucesivamente. Al generalizar:
t⫹n⫺1
⌺ Ti
i⫽1
5.20 Pm1 ⫽
n
El efecto estacional y algunas influencias no sistemáticas se determinan mediante el índice

estacional específico. Al definir los valores Pm1 y Pm2, por ejemplo, se está midiendo un inter-
10
A continuación se analiza un método de proyección basada en un comportamiento promedio, sin embargo,
esta tarea puede ser fácilmente sustituida mediante la utilización de herramientas computacionales. El alcance
del ejemplo que se presenta a continuación está expuesto únicamente con fines conceptuales.
valo en el cual Pm1 queda entre T2 y T3, y Pm2, entre T3 y T4. Por esto, ninguno de los dos es
representativo de estos trimestres. Se hace entonces necesario determinar un promedio móvil
centrado (PMC), calculando la media entre dos promedios móviles, de la siguiente forma:
Pm1 ⫹ Pmt⫹1
5.21 PMC1 ⫽
2
Con el objeto de aislar el efecto estacional correspondiente a un trimestre, T3 por ejemplo,

se divide la demanda real de ese periodo entre el PMC correspondiente. Así, el índice estacional
específico (IE3) podría expresarse:
T3
5.22 IE3 ⫽
PMC1
donde la suma de los IE de los cuatro trimestres debe ser igual a cuatro. Una vez calculados los
IE de los cuatro trimestres, se procede a ajustar la demanda trimestral promedio proyectada.
Considérese la siguiente demanda estacional para los datos del cuadro 5.3.
Cuadro 5.3
Año Invierno Primavera Verano Otoño Total
2002 2 3 4 1 10
2003 5 6 7 2 20
2004 7 10 10 3 30
2005 10 17 16 2 45
2006 13 20 28 9 70
2007 19 34 34 3 90
2008 27 39 48 11 125
2009 26 44 58 22 150
2010 38 51 70 21 180
2011 44 67 81 28 220
2012 51 79 107 33 270
El promedio móvil calculado de acuerdo con la ecuación 5.18, correspondería a:
2⫹3⫹4⫹1
5.23 PM1 ⫽ ⫽ 2.50
4
3⫹4⫹1⫹5
PM2 ⫽ ⫽ 3.25
4
PM1 se encuentra entre primavera y verano de 2002, y PM2, entre verano y otoño del mismo
año. Igual procedimiento se sigue hasta 2012, donde el último promedio móvil que puede calcu-
larse es el que considera las últimas cuatro observaciones, esto es, entre primavera y verano de
ese año.
Una vez calculados los promedios móviles, que se resumen en el cuadro 5.4, es posible
calcular los promedios móviles centrados, usando la ecuación 5.21. Así, los primeros promedios
móviles centrados serían:
Cuadro 5.4
Año Estación Demanda actual PM PMC IE

Invierno 2.00
Primavera 3.00
2002
Verano 4.00 2.50 2.88 1.39
Otoño 1.00 3.25 3.63 0.28
Invierno 5.00 4.00 4.38 1.14
Primavera 6.00 4.75 4.88 1.23
2003
Verano 7.00 5.00 5.25 1.33
Otoño 2.00 5.50 6.00 0.33
Invierno 7.00 6.50 6.88 1.02
Primavera 10.00 7.25 7.38 1.36
2004
Verano 10.00 7.50 7.88 1.27
Otoño 3.00 8.25 9.13 0.33
Invierno 10.00 10.00 10.75 0.93
Primavera 17.00 11.50 11.38 1.49
2005
Verano 16.00 11.25 11.63 1.38
Otoño 2.00 12.00 12.38 0.16
Invierno 13.00 12.75 14.25 0.91
Primavera 20.00 15.75 16.63 1.20
2006
Verano 28.00 17.50 18.25 1.53
Otoño 9.00 19.00 20.75 0.43
Invierno 19.00 22.50 23.25 0.82
Primavera 34.00 24.00 23.25 1.46
2007
Verano 34.00 22.50 23.50 1.45
Otoño 3.00 24.50 25.13 0.12
Invierno 27.00 25.75 27.50 0.98
Primavera 39.00 29.25 30.25 1.29
2008
Verano 48.00 31.25 31.13 1.54
Otoño 11.00 31.00 31.63 0.35
Invierno 26.00 32.25 33.25 0.78
Primavera 44.00 34.25 35.63 1.24
2009
Verano 56.00 37.00 38.50 1.45
Otoño 22.00 40.00 40.81 0.54
Invierno 38.00 41.75 43.50 0.87
Primavera 51.00 45.25 45.13 1.13
2010
Verano 70.00 45.00 45.75 1.53
Otoño 21.00 46.50 48.50 0.43
Invierno 44.00 50.50 51.88 0.85
Primavera 67.00 53.25 53.88 1.24
2011
Verano 81.00 54.50 55.38 1.46
Otoño 26.00 56.25 57.75 0.45
Invierno 51.00 59.25 62.50 0.82
Primavera 79.00 65.75 66.63 1.19
2012
Verano 107.00 67.50
Otoño 33.00
2.50 ⫹ 3.25
5.24 PMC1 ⫽ ⫽ 2.88
2
3.25 ⫹ 4.00
PMC2 ⫽ ⫽ 3.63
4
El cuadro 5.4 también muestra estos resultados para todo el periodo de análisis. El índice
estacional se obtiene aplicando la ecuación 5.22, la que en este caso daría:
4.00
5.25 IE1 ⫽ ⫽ 1.39
2.88
1.00
IE2 ⫽ ⫽ 0.28
3.63
En el cuadro 5.5 aparecen los resultados del análisis estacional histórico. La demanda tri-
mestral ajustada se obtiene de:
Cuadro 5.5
Año Invierno Primavera Verano Otoño
2002 — — 1.39 0.28
2003 1.14 1.23 1.33 0.33
2004 1.02 1.36 1.27 0.33
2005 0.93 1.49 1.38 0.16
2006 0.91 1.20 1.53 0.43
2007 0.82 1.46 1.45 0.12
2008 0.98 1.29 1.54 0.35
2009 0.78 1.24 1.45 0.54
2010 0.87 1.13 1.53 0.43
2011 0.85 1.24 1.46 0.45
2012 0.82 1.19 — —
Total 9.122 12.830 14.341 3.422
Promedio 0.912 1.283 1.434 0.342
Dado que la suma de los promedios alcanza a 3 972, el índice debe ajustarse por regla de
tres simple para que sume cuatro. El índice así ajustado da el siguiente resultado:
Invierno 0.918
Primavera 1.289
Verano 1.446
Otoño 0.347
4.000
Con esta información puede proyectarse la demanda estacional para el año 2013. Como se
recordará, se había proyectado que la demanda total para 2013 sería de 263 540 unidades. Dado
que la estacionalidad es trimestral, y se desea proyectar la demanda de los próximos trimestres,
el resultado obtenido deberá dividirse entre cuatro y multiplicarse por el índice estacional cal-
culado. Así, se tiene:
263.540
5.26 ⫽ 65.885
4
Invierno 65.885 ⫻ 0.918 ⫽ 60.482
Primavera 65.885 ⫻ 1.289 ⫽ 84.926
Verano 65.885 ⫻ 1.446 ⫽ 95.270
Otoño 65.885 ⫻ 0.347 ⫽ 22.862
263.540
Un método alternativo para el pronóstico de corto plazo es el de afinamiento exponencial,

que para pronosticar el valor de las ventas futuras, por ejemplo, toma un promedio ponderado
de las ventas reales durante el periodo y del pronóstico realizado para ese periodo. La expresión
que representa la forma de cálculo es la siguiente:
5.27 Ŷt⫹1 ⫽ a(Yt) ⫹ (1 ⫺ a)(Ŷt⬘)
donde Yt⫹1 representa el pronóstico para el próximo periodo de la constante de afinamiento,

Yt la demanda real del periodo vigente y Yt el pronóstico de la demanda realizado para el periodo
vigente.
El valor de a se determina mediante la aplicación del procedimiento que se explica más
adelante.
Cuando los periodos anteriores se consideran en el análisis, se les da una ponderación menor
al expresar a, que es menor o igual a uno, con una potencia que reduce su grado de influencia
a medida que se aleja en el tiempo.
Para determinar cuál promedio móvil o afinamiento exponencial conduce a una mejor
proyección, debe calcularse la desviación típica (DT) mediante la siguiente expresión para
cada proyección, optando por la que exhiba la menor desviación.
⌺ (Yx ⫹ Ŷx⬘)
n 2
5.28 DT ⫽
Ö x⫽1 n
Por ejemplo, si para los datos de demanda global del mercado, que se muestra en la segunda
columna del cuadro 5.6, se calcula el promedio móvil (PM) para proyectar la demanda del
mercado en el año 2012, con base en tres y cinco años, se obtiene:
Cuadro 5.6
Año Mercado Yx PM (3 años) Ŷ ⴕx Yx ⴚ Ŷ ⴕx (Yx ⴚ Ŷ ⴕx)2 PM (5 años) Ŷ ⴕx Yx ⴚ Ŷ ⴕx (Yx ⴚ Ŷ ⴕx)2
2004 38 —
2005 42 —
2006 45 —
2007 48 42 6.33 40.11
2008 38 45 −7.00 49.00
2009 45 44 1.33 1.78 42 2.80 7.84
2010 35 44 −8.67 75.11 44 −8.60 73.96
2011 29 39 −10.33 106.78 42 −13.20 174.24
2012 — 36 39
Total 272.78 256.04
Al calcular la desviación típica de ambas proyecciones, se aprecia que aquella con base en tres
años es mejor que la del promedio móvil con cinco años, ya que muestra la menor desviación.
272.78
5.29 DT3 años ⫽ ⫽ 7.39
Ö 5
256.04
5.30 DT5 años ⫽ ⫽ 9.24
Ö 3
Si el mismo ejemplo se resuelve con el método de afinamiento exponencial para dos casos (a
⫽ 0.30 y a ⫽ 0.40), se obtienen los resultados del siguiente cuadro, aplicando la expresión 5.27.11
Cuadro 5.7
Año Mercado Yx A ⴝ 0.30 Yx ⴚ Ŷ ⴕx (Yx ⴚ Ŷ ⴕx)2 A ⴝ 0.40 Yx ⴚ Ŷ ⴕx (Yx ⴚ Ŷ ⴕx)2
2004 38 40.00 −2.00 4.00 40.00 −2.00 4.00
2005 42 39.40 2.60 6.76 39.20 2.80 7.84
2006 45 40.18 4.81 23.23 40.32 4.68 21.90
2007 48 41.63 6.37 40.63 42.19 5.81 33.73
2008 38 43.54 −5.54 30.67 44.52 −6.52 42.45
2009 45 41.88 3.12 9.75 41.91 3.09 9.55
2010 35 42.81 −7.81 61.05 43.13 −8.15 66.35
2011 29 40.47 −11.47 131.55 39.89 −10.89 118.53
2012 37.03 35.53
Total 307.65 304.36
De acuerdo con la tabla anterior, la proyección que usa un a de 0.40 es mejor que la de 0.30,
ya que exhibe la menor desviación típica. Esto es:
307.65
5.31 DT0.3 ⫽ ⫽ 6.20
Ö 8
304.36
5.32 DT0.4 ⫽ ⫽ 6.17
Ö 8
11
Para obtener Yt⬘ se aplica la fórmula 5.27 como sigue:
Y⬘2005 ⫽ (0.30)(38) ⫹ (1 − 0.30)(40) ⫽ 39.40
Y⬘2005 se calculó como el promedio de los Yx observados.

Resumen
La somera presentación de las técnicas de pro- La posibilidad, real por cierto, de que en el
nóstico que se analizaron en este capítulo deja futuro se den combinaciones nuevas de las con-
de manifiesto la falta de control y confianza dicionantes de un proyecto hace muchas veces
en los hechos futuros. Cada técnica tiene carac- inadecuado el uso de técnicas cuantitativas. Sin
terísticas propias que hacen de su elección un embargo, el uso complementario de más de una
proceso especial de decisiones. técnica parece ser lo más recomendable.
Preguntas y problemas 85
Cualquiera que sea el método utilizado, Los modelos de pronóstico causales se

la validez de sus resultados dependerá de la basan en un supuesto de permanencia de las
calidad de los antecedentes considerados para condicionantes que influyeron en el compor-
el pronóstico. Por esto, la cantidad, oportuni- tamiento pasado de una o más de las variables
dad y veracidad de los datos disponibles serán que se han de proyectar. El pronóstico, en
determinantes en la selección del método. consecuencia, se basa en los antecedentes cuan-
En este capítulo, los métodos de proyec- titativos históricos. Los métodos causales ana-
ción se clasificaron en cualitativos, causales y lizados en este capítulo son el modelo de regre-
de series de tiempo. Los primeros se basan prin- sión, el modelo econométrico, el método de
cipalmente en opiniones de expertos y se utili- encuestas de intenciones de compra y el modelo
zan cuando el tiempo es escaso, cuando la de insumo producto, conocido también como
información cuantitativa no está disponible o método de los coeficientes técnicos.
cuando se espera que cambien las condiciones Los modelos de series de tiempo también
del comportamiento pasado de la variable que se usan cuando el comportamiento futuro
desea proyectarse. Los métodos más conocidos del mercado puede estimarse por lo sucedido
en este grupo son el Delphi, la investigación de en el pasado. Por esto mismo, cualquier cam-
mercados, el consenso de panel, los pronósticos bio en las variables que caracterizaron al
visionarios y el de analogía histórica. ambiente en el pasado, como el avance tecno-
Para realizar el muestreo existen dos méto- lógico, una recesión, la aparición de productos
dos: el probabilístico y el no probabilístico. sustitutos y otros, hace que estos modelos pier-
Para el método probabilístico, la teoría ofrece dan validez, a menos que subjetivamente se
cuatro formas básicas para elaborar escalas o ajuste una serie cronológica para incluir los
mediciones en ciencias sociales: nominal, ordi- hechos no reflejados en los datos históricos.
nal, de intervalos y proporcional. La investi- Los modelos de series de tiempo analizados
gación de mercados basada en muestreo no en este capítulo son el de promedios móviles
probabilístico puede tipificarse en tres catego- y el de afinamiento exponencial.
rías: de estratos, de conveniencia de sitio y de
bola de nieve.
Preguntas y problemas
1. Analice las variables más determinantes, a su juicio, para seleccionar una técnica de pro-
yección.
2. Explique de qué depende el grado de validez del resultado de una proyección.
3. Explique las principales debilidades de las encuestas y con qué métodos podrían subsanarse
de manera complementaria.
4. Explique los conceptos de precisión, sensibilidad y objetividad del método de pronóstico.
5. Explique las principales características y diferencias de los métodos cualitativos, causales
y de serie de tiempo.
6. ¿Qué validez tienen, a su juicio, los resultados que se derivan de los métodos Delphi y con-
senso de panel?
7. Defina la línea de tendencia del conjunto de observaciones de distancias, X, y tiempos de
entrega, Y, en la distribución de un producto, que se señalan en el siguiente cuadro:
Embarque Distancia Entrega Embarque Distancia Entrega

observado (km) (días) observado (km) (días)
1 146 1.0 4 582 3.5
2 1.167 6.5 5 675 4.0
3 328 2.0 6 173 1.0
Embarque Distancia Entrega Embarque Distancia Entrega

observado (km) (días) observado (km) (días)
7 786 4.5 9 637 3.5
8 534 3.0 10 270 1.5
8. Con los datos del problema anterior, calcule el error “estándar” de la estimación.
9. Con los datos del problema 7, calcule el coeficiente de correlación y explique el significado
del resultado.
10. Explique las características y el uso del modelo econométrico.
11. Analice en qué consisten y en qué se diferencian los componentes de tendencia, cíclicos,
estacionales y no sistemáticos.
12. Calcule por el método de los promedios móviles la demanda esperada para el primer tri-
mestre de 2013 si la demanda trimestral de 2012 fue la siguiente:
Invierno 340
Primavera 290
Verano 175
Otoño 245
13. Con los datos del ejercicio anterior, calcule la demanda estimada para el trimestre primavera
de 2012 si la demanda real del trimestre invierno inmediatamente anterior fue de 310 uni-
dades.
14. Calcule la demanda trimestral para el año 2012 que incorpore el efecto estacional, con los
siguientes datos:
Año Trimestre Demanda real
T1 371
T2 514
2010
T3 490
T4 312
T1 308
T2 485
2011
T3 500
T4 410
T1 390
T2 505
2012
T3 457
T4 427
15. Con los siguientes antecedentes, determine la línea de regresión, calcule y explique el coefi-
ciente de determinación y el error “estándar” de la estimación:
⌺x ⫽ 1.239
⌺y ⫽ 79
⌺xy ⫽ 1.613
⌺x2 ⫽ 17.322
⌺y2 ⫽ 293
Preguntas y problemas 87
16. En el estudio de un proyecto para la fabricación local de un producto que se adquiere en la

ciudad capital de un país, debe proyectarse la demanda esperada para el año 2013 con
la siguiente información disponible:
Año Unidades Año Unidades
2003 1.603 2008 1.450
2004 1.480 2009 1.115
2005 1.365 2010 1.682
2006 976 2011 1.501
2007 1.069 2012 1.712
Pronostique la demanda por el método de promedios móviles con tres y cinco años, y
determine en cuál se tendría mayor confianza.
17. Un empresario del rubro textil desea reorientar su línea de producción en vista del gran
éxito que han tenido sus colegas en el rubro de la comercialización de una determinada
línea de productos. El empresario le proporciona los siguientes antecedentes de ventas de
la competencia:
Año Ventas reales M$ Año Ventas reales M$
2008 $129 326 2011 $225 875
2009 $150 448 2012 $245 865
2010 $198 786
Con esta información le pide que estime la demanda para los próximos cuatro años. ¿Cómo
cree usted que será el comportamiento de la demanda esperada? ¿Qué propondría como
metodología de estimación? (No efectúe cálculos).
Comente las siguientes aﬁrmaciones:

a) La información histórica debidamente convalidada permite encontrar las variables que
explican el comportamiento pasado. Con estos antecedentes pueden proyectarse los mer-
cados, utilizando técnicas econométricas cuyos resultados siempre serán más confiables que
los de otros métodos de proyección.
b) Las técnicas de proyección de mercado son diferentes unas de otras, por lo que sus resul-
tados en un mismo proyecto deben ser distintos. Por otra parte, la decisión de utilizar uno
u otro método dependerá del costo de la investigación, puesto que el preparador y evalua-
dor de proyectos debe lograr su objetivo al menor desembolso posible para el inversionista.
c) La decisión de utilizar uno u otro método de proyección del mercado dependerá del tipo
de proyecto de que se trate, debiéndose optar por uno de ellos.
d) Cualquier cambio en las variables que caracterizaron a un determinado contexto en el
pasado hace perder validez a los modelos de serie de tiempo, sin que existan formas técni-
cas que resuelvan esta situación.
e) Las técnicas de proyección del mercado solo requieren disponer de información histórica
confiable para ejecutar los pronósticos que necesita el proyecto en el periodo de evaluación.
f) La elección del método más adecuado para proyectar el mercado dependerá de la informa-
ción básica disponible para cada uno de los mercados en el momento de proponer y evaluar
un proyecto.
g) La importancia relativa de la situación vigente del mercado es baja, ya que difícilmente
permitirá usar la información para algo más que conocer la participación actual del producto
en el mercado.
h) El modelo de regresión múltiple exige procedimientos matemáticos bastante complejos para

determinar el valor de las constantes en la proyección de la demanda. Este hecho garantiza
una mejor apreciación del comportamiento de la demanda futura, dada la exactitud de sus
resultados al considerar todas las variables importantes que inciden en su comportamiento.
Material complementario
Ejercicios recomendados del texto complementario: José Manuel Sapag, Evaluación de proyec-
tos, guía de ejercicios, problemas y soluciones, McGraw-Hill, 3a. ed., 2007:
11. Cementerio parque, 12. Bebidas y refrescos, 13. Forestal, 14. Supermercado, 15. Demanda
hotelera, 16. Compra de insumos, 61. Ferrocarriles del Sur.
Bibliografía
Anderson, D.R., D.J. Sweeney y T.A Williams, Lira, Ricardo, Modelos econométricos de
Essentials of Statistics for Business and Econo- demanda, Santiago, Universidad Católica de
mics, Cengage Learning, 2010. Chile-Instituto de Economía, 1976.
Chambers, J. Mullick, S. y D. Smith, Cómo Mahadevan, B., Operation Management:
elegir la técnica de pronóstico correcta, Theory and practice, Pearson Education India,
Biblioteca Harvard, Grupo Editorial Expansión, 2009.
1979-1982. Páramo, Dagoberto, La etnografía, una
Dervitsiotis, Kostas N., Operations Manage- aproximación antropológica al estudio del
ment, Nueva York, McGraw-Hill, 1981. comportamiento del consumidor, 2010.
Hanke, John E., Pronósticos en los negocios, Silvestre, J. y F. López, La economía en la
Pearson Education, 2006. empresa, McGraw-Hill/Interamericana, 2007.
Kinnear, T. y J. Taylor, Investigación de merca- Sweeney, D.J. y D.R. Anderson, Estadística
dos, Bogotá, McGraw-Hill, 1998. para administración y economía, Cengage
Lawrence, K.D. y R.K. Klimberg, Advances in Learning Latin America, 2008.
Business and Management Forecasting,
Volumen 7, Emerald Group Publishing, 2010.

Semana 3 - Cap 5 Técnicas de Proyección Del Mercado PDF

Cargado por

Copyright:

Formatos disponibles

Semana 3 - Cap 5 Técnicas de Proyección Del Mercado PDF

Cargado por

Información del documento

Título original

Derechos de autor

Formatos disponibles

Compartir este documento

Compartir o incrustar documentos

Opciones para compartir

¿Le pareció útil este documento?

¿Este contenido es inapropiado?

Copyright:

Formatos disponibles

Semana 3 - Cap 5 Técnicas de Proyección Del Mercado PDF

Cargado por

Copyright:

Formatos disponibles

Capítulo 5

Generalmente, las técnicas de proyección se asocian a la proyección de demanda; sin recuerde

5.1. El ámbito de la proyección

Internet ha multiplicado exponencialmente la información disponible, tanto de buena como

5.2. Métodos de proyección

Con el objetivo de no inhibir a los participantes en el panel, el cuestionario se contesta

trata, no resulta posible preguntar. En este sentido, el desarrollo de prototipos, acompañados

Por ello, deberán tomarse en consideración algunas propiedades de la muestra y el grado

conceptos La aplicación de un cuestionario a la muestra busca medir actitudes y comportamientos

donde x– y y– son las medias de las variables y n es el número de observaciones. Alternativamente,

⌺(x ⫺ x–)(y ⫺ y–)

Demanda 10 20 30 45 70 90 125 150 180 220 270

Para efectos de estimación se realiza un reemplazo de la variable año como el número de

Demanda 10 20 30 45 70 90 125 150 180 220 270

Actualmente, la metodología de estimación de una regresión puede desarrollarse con el apoyo

Figura 5.2 Demanda.

Figura 5.3 Estimación de líneas de tendencia, regresión lineal y r2.

11(2.815) ⫺ (0)(1.210) 30.965

De esta forma, la ecuación final de regresión es:

5.8 y(x) ⫽ ⫺43.54 ⫹ 25.59x̂

Para estimar la demanda esperada en 2013 (x ⫽ 12), se reemplaza:

5.9 ŷ ⫽ ⫺43.54 ⫹ 25.59*(12) ⫽ 263.54

Al ser el modelo de regresión un método estadístico, es posible determinar el nivel de pre-

5.12 r 2 ⫽ [11(2.815) ⫺ (0)1.210)]2/[11(110) ⫺ (0)2][11(208.250) ⫺ (1.210)2] ⫽ 0.958

⌺y2 ⫺ a⌺y ⫺ b⌺xy

Según los datos del ejemplo, se tendría:

(208.500) ⫺ (110)(1.210) ⫺ (25.59)(2.825)

5.15 y(x) ⫽ axg

lny ⫽ ln(a) ⫹ gln(x)

donde g es la tasa de crecimiento porcentual constante que se estima para el futuro.

5.16 Y ⫽ a ⫹ b1x1 ⫹ b2x2 ⫹ … ⫹ bnxn

La solución de la ecuación exige procedimientos bastante complejos para determinar el

El modelo econométrico analizado no admite externalidades de ningún tipo, ni por even-

5.5. Modelos de series de tiempo8

Figura 5.4 Componentes de tendencia de una serie cronológica.

donde Ti es el valor que adopta la variable en cada periodo i y n es el número de periodos

180 ⫹ 250 ⫹ 210 ⫹ 150

El efecto estacional y algunas influencias no sistemáticas se determinan mediante el índice

Con el objeto de aislar el efecto estacional correspondiente a un trimestre, T3 por ejemplo,

Año Invierno Primavera Verano Otoño Total

2012 51 79 107 33 270

El promedio móvil calculado de acuerdo con la ecuación 5.18, correspondería a:

Año Estación Demanda actual PM PMC IE

Año Invierno Primavera Verano Otoño

2002 — — 1.39 0.28

2003 1.14 1.23 1.33 0.33

2004 1.02 1.36 1.27 0.33

2005 0.93 1.49 1.38 0.16

2006 0.91 1.20 1.53 0.43

2007 0.82 1.46 1.45 0.12

2008 0.98 1.29 1.54 0.35

2009 0.78 1.24 1.45 0.54

2010 0.87 1.13 1.53 0.43

2011 0.85 1.24 1.46 0.45

2012 0.82 1.19 — —

Total 9.122 12.830 14.341 3.422

Promedio 0.912 1.283 1.434 0.342

Un método alternativo para el pronóstico de corto plazo es el de afinamiento exponencial,

5.27 Ŷt⫹1 ⫽ a(Yt) ⫹ (1 ⫺ a)(Ŷt⬘)