Introduccion a tecnicas proyectuales

6. ESTRUCTURA DE ANÁLISIS DEL MERCADO DE UN PROYECTO MERCADO CONSUMIDOR MERCADO PROVEEDOR ANALISIS DEL MERCADO ANÁLISIS DE LA OFERTA ANÁLISIS DE LA DEMANDA ANÁLISIS DE LOS PRECIOS ANÁLISIS DE LA COMERCIALIZACIÓN CONCLUSIONES DEL ANÁLISIS DEL MERCADO MERCADO COMPETIDOR ESTRUCTURA DEL MERCADO MERCADO DISTRIBUIDOR MERCADO EXTERNO VARIABLES MACROECONOMICAS ENTORNO DEL MERCADO

12. Ciclo de vida del producto Mejor periodo para incrementar participación en el mercado Factible cambiar precio y calidad Fortalecer nicho No factible cambiar precio o calidad Cuidar la participación del mercado Crítico control de costos Introducción Crecimiento Madurez Declive Estrategias de la compañia Internet LCD Ventas DVD CD-ROM Fax 3 1/2” Floppy disks

23. Componente de una serie temporal Tendencia Estacionalidad Ciclo Irregularidad

24. Componentes de la demanda Figure 4.1 Demanda por producto o servicio | | | | 1 2 3 4 Años Demanda media en cuatro años Picos estacionales Componente de tendencia Demanda actual Variación aleatoria

31. Ejemplo de media móvil (12 + 13 + 16)/3 = 13 2 / 3 (13 + 16 + 19)/3 = 16 (16 + 19 + 23)/3 = 19 1 / 3 Enero 10 Febrero 12 Marzo 13 Abril 16 Mayo 19 Junio 23 Julio 26 Ventas reales Media móvil de 3 Meses del artículo meses 10 12 13 ( 10 + 12 + 13 )/3 = 11 2 / 3

33. Media móvil ponderada [(3 x 16) + (2 x 13) + (12)]/6 = 14 1 / 3 [(3 x 19) + (2 x 16) + (13)]/6 = 17 [(3 x 23) + (2 x 19) + (16)]/6 = 20 1 / 2 Enero 10 Febrero Marzo 13 Abril 16 Mayo 19 Junio 23 Julio 26 Ventas media móvil ponderada Meses Actuales de 3 meses 10 12 13 [(3 x 13 ) + (2 x 12 ) + ( 10 )]/6 = 12 1 / 6 Peso aplicado Periodo 3 último mes 2 2 meses atrás 1 3 meses atrás 6 Suma de pesos

35. Media móvil y media móvil ponderada 30 – 25 – 20 – 15 – 10 – 5 – Demanda | | | | | | | | | | | | E F M A M J J A S O N D Ventas reales Media móvil media móvil ponderada

37. Alisado Exponencial Nueva previsión = previsión del último periodo +  (demanda real del útlimo periodo – previsión del último periodo) F t = F t – 1 +  (A t – 1 - F t – 1 ) Donde F t = Nueva previsión F t – 1 = previsión anterior  = Cte. de alisado (o ponderación) constante (0    1) A t – 1 = Demanda real anterior

38. Ejemplo de alisado exponencial Demanda prevista = 142 Ford Mustangs Demanda actual = 153 Constante de alisado  = 0.20

39. Ejemplo de alisado exponencial Demanda prevista = 142 Ford Mustangs Demanda actual = 153 Constante de alisado  = .20 Nueva previsión= 142 +0.2(153 – 142) = 142 + 2.2 = 144.2 ≈ 144 autos

40. Impacto de diferentes  225 – 200 – 175 – 150 – | | | | | | | | | 1 2 3 4 5 6 7 8 9 Trimestres Demanda  = .1 Demanda actual  = 0.5

41. Elección de la constante  El fin es obtener la previsión mas exacta sin importar cual sea su técnica La exactitud puede determinarse comparando los valores previstos con los reales Error de previsión = Demanda actual - Previsión = A t - F t

42. Proyección de tendencia Ajusta una línea de tendencia a una serie de datos históricos La linea de tendencia puede ser hallada utilizando el método de los mínimos cuadrados y = a + bx ^ donde y = Valor calculado de la variable (variable dependiente) a = Corte en el eje x b = Pendiente de la recta de regresión x = Variable independiente (tiempo) ^

43. Método de mínimos cuadrados Periodo de tiempo Valores de la variable dependiente Desvío 1 Desvío 5 Desvío 7 Desvío 2 Desvío 6 Devío 4 Desvío 3 Observación real (valor de y) Tendencia, y = a + bx ^

44. Métodos de mínimos cuadrados Figure 4.4 El método minimiza los desvíos cuadráticos Periodo de tiempo Valores de la variable dependiente Deviation 1 Deviation 5 Deviation 7 Deviation 2 Deviation 6 Deviation 4 Deviation 3 Observación real (valor de y) Tendencia, y = a + bx ^

45. Métodos de mínimos cuadrados Ecuaciones para calcular la recta b =  xy - nxy  x 2 - nx 2 y = a + bx ^ a = y - bx

46. Mínimos cuadrados ejemplo b = = = 10.54 ∑ xy - nxy ∑ x 2 - nx 2 3,063 - (7)(4)(98.86) 140 - (7)(4 2 ) a = y - bx = 98.86 - 10.54(4) = 56.70 Periodo de Energía eléctrica Año Tiempo (x) demanda x 2 xy 1999 1 74 1 74 2000 2 79 4 158 2001 3 80 9 240 2002 4 90 16 360 2003 5 105 25 525 2004 6 142 36 852 2005 7 122 49 854 ∑ x = 28 ∑y = 692 ∑x 2 = 140 ∑xy = 3,063 x = 4 y = 98.86

47. Mínimos cuadrados eje mplo b = = = 10.54  xy - nxy  x 2 - nx 2 3,063 - (7)(4)(98.86) 140 - (7)(4 2 ) a = y - bx = 98.86 - 10.54(4) = 56.70 Periodo de Energía eléctrica Año Tiempo (x) demanda x 2 xy 1999 1 74 1 74 2000 2 79 4 158 2001 3 80 9 240 2002 4 90 16 360 2003 5 105 25 525 2004 6 142 36 852 2005 7 122 49 854  x = 28  y = 692  x 2 = 140  xy = 3,063 x = 4 y = 98.86 La linea de tendencia es y = 56.70 + 10.54x ^

48. Mínimos cuadrados ejemplo | | | | | | | | | 1999 2000 2001 2002 2003 2004 2005 2006 2007 160 – 150 – 140 – 130 – 120 – 110 – 100 – 90 – 80 – 70 – 60 – 50 – Años Demanda de energía Linea de tendencia, y = 56.70 + 10.54x ^

51. Ejemplo de índice de estacionalidad Enero 80 85 105 90 94 Feb 70 85 85 80 94 Mar 80 93 82 85 94 Abr 90 95 115 100 94 May 113 125 131 123 94 Jun 110 115 120 115 94 Jul 100 102 113 105 94 Ago 88 102 110 100 94 Sept 85 90 95 90 94 Oct 77 78 85 80 94 Nov 75 72 83 80 94 Dic 82 78 80 80 94 Demanda Promedio Promedio Índice Mes 2003 2004 2005 2003-2005 Mensual estacional

52. Ejemplo de índice de estacionalidad 0.957 Enero 80 85 105 90 94 Feb 70 85 85 80 94 Mar 80 93 82 85 94 Apr 90 95 115 100 94 May 113 125 131 123 94 Jun 110 115 120 115 94 Jul 100 102 113 105 94 Ago 88 102 110 100 94 Sept 85 90 95 90 94 Oct 77 78 85 80 94 Nov 75 72 83 80 94 Dic 82 78 80 80 94 Demanda Promedio Promedio Indice Mes 2003 2004 2005 2003-2005 Mensual estac ional Indice estacional = promedio 2003-2005 demanda mensual Promedio mensual de demanda = 90/94 = .957

53. Ejemplo de índice de estacionalidad Ene 80 85 105 90 94 0.957 Feb 70 85 85 80 94 0.851 Mar 80 93 82 85 94 0.904 Abr 90 95 115 100 94 1.064 May 113 125 131 123 94 1.309 Jun 110 115 120 115 94 1.223 Jul 100 102 113 105 94 1.117 Ago 88 102 110 100 94 1.064 Sept 85 90 95 90 94 0.957 Oct 77 78 85 80 94 0.851 Nov 75 72 83 80 94 0.851 Dic 82 78 80 80 94 0.851 Demanda Promedio Promedio índice Mes 2003 2004 2005 2003-2005 Mensual estacional

54. Ejemplo de índice de estacionalidad Demanda anual prevista= 1,200 Enero 80 85 105 90 94 0.957 Feb 70 85 85 80 94 0.851 Mar 80 93 82 85 94 0.904 Abr 90 95 115 100 94 1.064 May 113 125 131 123 94 1.309 Jun 110 115 120 115 94 1.223 Jul 100 102 113 105 94 1.117 Ago 88 102 110 100 94 1.064 Sept 85 90 95 90 94 0.957 Oct 77 78 85 80 94 0.851 Nov 75 72 83 80 94 0.851 Dic 82 78 80 80 94 0.851 Demanda Promedio Promedio Índice Mes 2003 2004 2005 2003-2005 Mensual estacional Enero x .957 = 96 1,200 12 Febrero x .851 = 85 1,200 12 Previsión para 2006

55. Ejemplo de índice de estacionalidad 140 – 130 – 120 – 110 – 100 – 90 – 80 – 70 – | | | | | | | | | | | | J F M A M J J A S O N D Time Demanda 2006 Previsión 2005 Demanda 2004 Demanda 2003 Demanda

56. Hospital de San Diego Figure 4.6 Línea de tendencia 10,200 – 10,000 – 9,800 – 9,600 – 9,400 – 9,200 – 9,000 – | | | | | | | | | | | | Ene Feb Mar Abr May Jun Jul Ago Sept Oct Nov Dic 67 68 69 70 71 72 73 74 75 76 77 78 Mes Días de hospitalización 9530 9551 9573 9594 9616 9637 9659 9680 9702 9723 9745 9766

57. Hospital de San Diego Indices estacionales 1.06 – 1.04 – 1.02 – 1.00 – 0.98 – 0.96 – 0.94 – 0.92 – | | | | | | | | | | | | Ene Feb Mar Abr May Jun Jul Aug Sept Oct Nov Dic 67 68 69 70 71 72 73 74 75 76 77 78 Mes Índice para días pacientes 1.04 1.02 1.01 0.99 1.03 1.04 1.00 0.98 0.97 0.99 0.97 0.96

58. Hospital de San Diego Combinando tendencia y estacionalidad 10,200 – 10,000 – 9,800 – 9,600 – 9,400 – 9,200 – 9,000 – | | | | | | | | | | | | Ene Feb Mar Abr May Jun Jul Ago Sept Oct Nov Dic 67 68 69 70 71 72 73 74 75 76 77 78 Mes Dias de hospitalización 9911 9265 9764 9520 9691 9411 9949 9724 9542 9355 10068 9572

59. Previsiones causales Usado cuando cambios en una o mas variables independientes pueden usarse para producir cambios en la variable dependiente La técnica mas comun es la recta de regresión lineal Esta técnica se aplica de la misma manera que el modelo causal

60. Previsión causal Se basa en la minimización de los desvíos cuadráticos y = a + bx ^ Donde y =Variable dependiente a = Ordenada al origen b = Pendiente de la recta de regresión x = Variable Independiente ^

61. Ejemplo de previsión causal Ventas Nómina local ($000,000), y ($000,000,000), x 2.0 1 3.0 3 2.5 4 2.0 2 2.0 1 3.5 7 4.0 – 3.0 – 2.0 – 1.0 – | | | | | | | 0 1 2 3 4 5 6 7 ventas Nóminas

62. Ejemplo de previsión causal Ventas, y Nómica, x x 2 xy 2.0 1 1 2.0 3.0 3 9 9.0 2.5 4 16 10.0 2.0 2 4 4.0 2.0 1 1 2.0 3.5 7 49 24.5 ∑ y = 15.0 ∑x = 18 ∑x 2 = 80 ∑xy = 51.5 x = ∑x/6 = 18/6 = 3 y = ∑y/6 = 15/6 = 2.5 b = = = .25 ∑ xy - nxy ∑ x 2 - nx 2 51.5 - (6)(3)(2.5) 80 - (6)(3 2 ) a = y - bx = 2.5 - (.25)(3) = 1.75

63. Ejemplo de previsión causal Ventas = 1.75 + . 25(Nómina) Si las nóminas se estiman en 600 millones entonces: Ventas = 1.75 + .25(6) Ventas= $325,000 4.0 – 3.0 – 2.0 – 1.0 – | | | | | | | 0 1 2 3 4 5 6 7 Ventas Nóminas y = 1.75 + .25x ^ 3.25

65. Error estándar de la estimación Donde y = valor de y para cada dato y c = valor de la variable dependiente, calculado a partir de la ecuación de regresión n = número de datos S y,x = ∑ (y - y c ) 2 n - 2

66. Error estándar de la estimación Para el cálculo esta fórmula es mas fácil de utilizar Ambas fórmulas proporcionan la misma respuesta y pueden utilizarse para fijar los intervalos de predicción alrededor de la estimación puntual S y,x = ∑ y 2 - a∑y - b∑xy n - 2

67. Error estándar de la estimación S y,x = .306 El error estándar de la estimación es de $ 30.600 en las ventas 4.0 – 3.0 – 2.0 – 1.0 – | | | | | | | 0 1 2 3 4 5 6 7 Ventas Nóminas 3.25 S y,x = = ∑ y 2 - a∑y - b∑xy n - 2 39.5 - 1.75(15) - .25(51.5) 6 - 2

69. Coeficiente Correlación r = n  xy -  x  y [n  x 2 - (  x) 2 ][n  y 2 - (  y) 2 ]

70. Correlation Coefficient r = n∑xy - ∑x∑y [n∑x 2 - (∑x) 2 ][n∑y 2 - (∑y) 2 ] y x (a) Perfecta correlación positiva: r = +1 y x (b) Correlación positiva: 0 < r < 1 y x (c) Sin correlación: r = 0 y x (d) Perfecta correlación positiva: r = -1

72. Análisis de regresión múltiple Si se usa mas de una variable independiente, la recta de regresión puede ser extendida a un regresión múltiple El cálculo es un poco complejo y se hace generalmente con la computadora y = a + b 1 x 1 + b 2 x 2 … ^