1. TECNICAS DE PROYECCION DEL MERCADO
La proyección del comportamiento futuro de las variables definidas en el estudio
del mercado
La selección de la técnica de proyección esta influida por diversos factores:
• Validez y disponibilidad de los datos históricos
• La precisión deseada del pronóstico
• El costo del procedimiento
• Los períodos futuros que se desee proyectar.... se debe buscar: ü Precisión ü
Sensibilidad ü Objetividad
METODOS DE PROYECCION
Para realizar la proyección existen varias alternativas metodológicas:
• Métodos subjetivos
• Modelos causales
• Modelos de series de tiempo
METODOS SUBJETIVOS
Es utilizado cuando los métodos cuantitativos basados en información histórica no
pueden explicar por si solos el comportamiento futuro esperado de alguna de sus
variables, o cuando no existen suficientes datos históricos.
El método DELPHI
Es probablemente la técnica cualitativa que más se utiliza
Este método requiere el establecimiento de un grupo de expertos relacionados con
el tema a pronosticar
Este grupo debe ser anónimo
Fases del método:
Fase 1: Se desarrolla y envía una encuesta sobre el tema de interés a los expertos
y estos la devuelven al grupo coordinador para su análisis.
Fase 2: Se prepara una lista con información derivada de la primera encuesta
anterior y se retroalimenta al panel de expertos.
2. Fase 3: Similar al anterior con la salvedad que aquellos individuos que difieran de
la opinión dada por la mayoría deberán justificar sus apreciaciones.
Fase 4: Consolidar los pronósticos donde impera el consenso por parte del grupo
de expertos.
Desventajas:
• Escoger un grupo idóneo de expertos
• Ruido en la comunicación
• Sesgo en la coordinación
Otros métodos
• Consenso de panel
• Pronósticos visionarios
METODOS CAUSALES
Proyección del Mercado
en base a datos históricos buscando la causa del comportamiento de la variable
bajo estudio (variables explicativas).
Las variables explicativas se definen como variables independientes y la cantidad
demandada u otro elemento del mercado que se desea proyectar se define como
variable dependiente. La variable dependiente, en consecuencia, se explica por la
variable independiente.
Modelos de proyección
Los modelos causales de uso más frecuente son:
• Modelo de regresión
• Modelo econométrico
• Método de encuestas de intenciones de compra
• Modelo insumo producto
Modelo de regresión
Existen dos modelos básicos de regresión
• Modelo de regresión simple
3. |[pic]
|
• Modelo de regresión múltiple
|[pic] |
MODELO ECONOMETRICO
"Sistema de ecuaciones estadísticas que interrelacionan las actividades de
diferentes sectores de la economía y ayudan a evaluar la repercusión sobre la
demanda de un producto o servicio. En este respecto, es una prolongación del
análisis de regresión"(DERVITSIOTIS, K.)
|[pic] |
MODELOS DE SERIES DE TIEMPO
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 histórica es determinar un patrón
básico en su comportamiento, que posibilite la proyección futura de la variable
deseada.
En una serie histórica de datos existen cuatro patrones básicos que pueden o no
presentarse en dicha serie:
• La tendencia
• La estacionalidad
• El componente cíclico
4. • La componente no sistemática
|[pic]
|
Modelos de proyección
Los modelos de series de tiempo de uso más frecuente son:
• Promedios de móviles simple
• Alisamiento exponencial
• Método de descomposición
Notación
Xt, valor observado en el período t, t =1,2,3,...., n.
St, valor pronosticado para el período t, t =1,2,3,...., n.
et, error absoluto en el pronóstico del período t, t =1,2,3,...., n.
Se tiene que
|[pic] |
Promedios móviles simple
Esta es una técnica que se utiliza en pronósticos a corto plazo.
Es un método no estadístico que requiere de una serie histórica para obtener el
valor a pronosticar.
|[pic] |
Ejemplo: Pronóstico de venta de libro
|[pic]
|
5. |[pic] |
La exactitud del pronostico se evalúa buscando el error absoluto dado por:
|[pic] |t = 1,2,3, |
| |....,n |
con su respectivo valor medio y desviación estándar dados por:
|[pic] |
|[pic] |
Para el ejemplo anterior:
|[pic]
|
Esta técnica tiene algunas limitaciones:
• Requiere mucha información
• No se adapta rápidamente al cambio
Alisamiento exponencial
En el método de alisamiento exponencial se le asigna un peso a la información de
tal forma que se le dé importancia a las observaciones más recientes o a las más
antiguas.
6. El método de alisamiento exponencial pronostica en base a:
|[pic]
|
Donde (Xt - St ) es el error del pronóstico anterior y [pic]es un peso.
Si a es un valor cercano a la unidad, se le da mucha importancia a los valores
recientes y, sobre todo, al error del pronostico.
Ejemplo: Pronóstico de venta de libro
|[pic] |
|[pic] |
La exactitud de esta técnica es:
|[pic]
|
Por lo que se deduce que el valor de [pic]= 0.5 proporcionó el mejor de los tres
pronósticos.
La limitación de este método es determinar los valores apropiados de peso [pic].
Métodos de descomposición
Considera simultáneamente los patrones de una serie histórica de datos:
• La tendencia
• El componente cíclico
7. • El componente estacional
• Componente no sistemático
El método de descomposición considera que estos cuatro componentes se
relacionan a través de:
S=TxCxYxu
Donde:
|S = valor pronosticado |
|T = factor de tendencia |
|C = es el componente cíclico |
|u = la variación no sistemática |
El procedimiento es el siguiente:
Paso 1. Dada una serie histórica, se calcula el factor de estacionalidad, utilizando
el promedio móvil de los últimos 12 meses, sacando el cuociente de éste, con
respecto al valor observado.
Ejemplo: Pasajeros transportados por aerolínea
|[pic] |
|[pic]
|
Paso 2. Se calcula el índice promedio para cada período.
|[pic]
|
8. Paso 3. Se ajusta cada índice promedio, multiplicando por un factor de
estacionalidad K, calculado de:
|[pic] |
Para el ejemplo especifico tenemos:
|[pic] |
Calculando el índice de estacionalidad de la forma siguiente
Indice de estacionalidad = Factor promedio x K
Dando los siguientes resultados para nuestro ejemplo:
|[pic]
|
Paso 4. Para el cálculo de la tendencia, se ajusta a los datos una regresión simple
Para este caso la tendencia = 25,000
Paso 5. Se calcula el factor cíclico de la serie histórica a partir de la siguiente
expresión:
|[pic] |
Por ejemplo para el mes de Diciembre de 1993 se tiene:
|[pic] |
9. |[pic]
|
Paso 6. Se realiza el pronostico en base a la siguiente relación
St = ( Tendencia ) x ( Indice de estacionalidad ) x ( Factor cíclico ) + Fluctuación
Aleatoria
No considerando la fluctuación aleatoria se tiene que el valor pronosticado para
Diciembre del año 1994 es el siguiente:
St = ( 25.000 ) x ( 1,149 ) x ( 1,0277 )= 29.520 pasajeros
|[pic] |
[pic]
7c80af46-751c-49ac-b60c-cdbfa969849d
Y2:7c80af46-751c-49ac-b60c-cdbfa969849