Este documento presenta una introducción a los métodos de pronósticos cuantitativos y cualitativos. Explica que los métodos cuantitativos se basan en el análisis de series de tiempo históricas y que los cualitativos se usan cuando los datos son escasos. Además, describe algunas técnicas específicas como la suavización exponencial, la descomposición de series de tiempo y el análisis de autocorrelación para identificar patrones en los datos.

1. Facultad de Administración y Negocios (FAyN)
Curso: PRONOSTICO DE NEGOCIOS
Tema: Patrones de Datos en la Serie de Tiempos
© Martín Soto-Córdova, 2013 Lima, 25-02-13
1

2. Métodos de Pronósticos
© Martín Soto-Córdova, 2013
2

3. Clasificación
 Los métodos de pronósticos de uso más frecuente pueden clasificarse en dos
grandes grupos:
CUALITATIVOS CUANTITATIVOS
Análisis de series de tiempo Modelos causales
 Método Delphi  Métodos de Suavización  Modelos de Regresión
 Estudios de Mercados  Descomposición de Series de  Modelos Econométricos
 Consenso de un Panel Tiempo  Encuestas de intenciones de
 Pronóstico Visionario  Metodología Box - Jenkins compra y anticipaciones
 Analogía Histórica  Modelos de Insumo Producto
 Las técnicas cualitativas: Cuando los datos son escasos.
 Criterio de la persona y ciertas relaciones para transformar información cualitativa en
estimados cuantitativos.
 Ejem. Introducción de un producto nuevo al mercado.
 Las técnicas cuantitativas: hacen uso de información histórica.
 Condiciones: Ǝ info del pasado, cuantificable en forma de datos, supone que se repetirá el
patrón (más probable a corto plazo).
© Martín Soto-Córdova, 2013
3

4. Métodos de Análisis de Series de Tiempo
 Serie de tiempo: Conjunto ordenado de observaciones cuantitativas tomadas
en puntos sucesivos en el tiempo.
 Tiempo: Variable independiente.
 Análisis <> Encontrar el patrón del pasado y proyectarlo al futuro.
 Generalmente no pueden predecir cuando la tasa de crecimiento de una
tendencia variará significativamente.
 Estos puntos de cambio poseen amplio interés para el administrador.
 Utilización cuando se dispone de datos sobre un producto o una línea de productos y cuando
las relaciones y tendencias son claras y relativamente estables.
 Objetivo: Descubrir el patrón subyacente en la serie de datos históricos y extrapolar ese patrón
al futuro.
© Martín Soto-Córdova, 2013
4

5.  Selección del método apropiado para hacer un análisis de una serie de tiempo
 Considerar los diferentes patrones que puede seguir una serie de tiempo.
 Hay 4 patrones básicos que son:
Horizontal Tendencia
(o estacionario)
Ventas
Tiempo
Los datos fluctúan alrededor Hay aumento o disminución a
de un valor constante largo plazo en los datos.
Ejemplo: ventas, PBI, …
© Martín Soto-Córdova, 2013
5

6. Estacional Cíclico
Ventas
Tiempo Tiempo
Fluctuaciones periódicas debido a factores físicos, económicos o Fluctuaciones que no se presentan con período
de mercadotecnia. Ejemplo: Trajes de baño, regalos. fijo, debido a fluctuaciones económicas a largo
plazo y a factores políticos.
1000
800
600
400
200
85 86 87 88 89 90 91 92
VENTAS TENDENCIA
© Martín Soto-Córdova, 2013
6

7. Series con varios patrones>
500
400
300
200
100
60 65 70 75 80 85 90
VENTAS
CICLO
TENDENCIA
© Martín Soto-Córdova, 2013
7

8. Exploración de Datos
 Los patrones de datos que incluyen componentes como tendencia,
estacionalidad e irregularidad se pueden estudiar usando el enfoque del
análisis de autocorrelación.
 Medición de una variable a través del tiempo: Coeficiente de autocorrelación.
 Autocorrelación: Es la correlación entre una variable desfasada uno o más periodos y la
misma variable.
El coeficiente de correlación
mide el grado al cual se
relacionan en forma lineal
dos variables entre si.
Relación neg. perfecta: r= -1
Sin correlación: r= 0
Relación pos. perfecta: r= 1
© Martín Soto-Córdova, 2013
8

9.  Para otros grados:
© Martín Soto-Córdova, 2013
9

10.  Una forma de saber si la serie tiene Tendencia, Estacionalidad, es una serie Aleatoria o
una serie Estacionaria es mediante la observación del Correlograma.
 Correlograma: gráfica que muestra los coeficientes de autocorrelación de la serie
© Martín Soto-Córdova, 2013
10

11. TENDENCIA
50000
40000
30000
20000
10000
0
55 60 65 70 75 80 85
SEARS
 Si la serie tiene Tendencia los coeficientes de autocorrelación son significativamente
distintos de cero en los primeros rezagos y caen gradualmente a cero.
© Martín Soto-Córdova, 2013
11

12. Ejemplo
 Se cuenta con datos sobre ventas de un producto del año anterior:
© Martín Soto-Córdova, 2013
12

13.  Se desfasan  Datos autocorrelacionados:
© Martín Soto-Córdova, 2013
13

14.  Cálculo del coeficiente de autocorrelación de 1er. Orden: r1

© Martín Soto-Córdova, 2013
14

15.  Cálculo del coeficiente de autocorrelación de 2do. Orden: r2
© Martín Soto-Córdova, 2013
15

16.  Selección de técnica de pronóstico
 Porqué se requiere?
 Quién utilizará?
 Cuáles son las características de los datos?
 Qué espacio de tiempo se pronosticará?
 Cuáles son los requerimientos mínimos?
 Cuál es la precisión deseada?
 Costo del pronóstico?
© Martín Soto-Córdova, 2013
16

17. La Correlación
 En una compañía, X representa el núrnero de cursos de capacitación en ventas
tomados e Y representa el número de días sin yenta por mes, de los cinco
vendedores.
Determine la relación que hay entre estos datos.
Dias sin ventas Cursos
Vendedor
(Y) (X)
© Martín Soto-Córdova, 2013
17

18.  Estos productos cruzados son de interés ya que la media de estos valores
corresponde al coeficiente de correlación.
 Resultados parciales:
© Martín Soto-Córdova, 2013
18

19. © Martín Soto-Córdova, 2013
19

20.  El supervisor de mantenimiento del Hotel Meliá, desea determinar si existe una
relación positiva entre el costo anual de mantenimiento de un automóvil y su
antiguedad.
Si existiera una relación, piensa que puede hacer un mejor trabajo de
predicción del presupuesto anual de mantenimiento de éstos. Para ello, reune
los siguientes datos:
Automóvil Costo de mantenimiento Antigüedad
(US $), y (años), x
 Calcule el coeficiente de correlación
© Martín Soto-Córdova, 2013
20