FINANZAS CORPORATIVAS UNIDAD 3 PRONOSTICOS FINANCIEROS SEMANA 6. TEMA: 6.

. MTODOS DE PRONSTICOS1 Los mtodos de pronstico se pueden clasificar en dos grupos: mtodos cualitativos y mtodos cuantitativos CUALITATIVOS Mtodo Delphi Consenso de un panel Estudio o mercado investigacin CUANTITATIVOS Anlisis de series de tiempo: Promedios mviles Suavizacin exponencial Mtodo de Box-Jenkins de Descomposicin de series de tiempo Modelos causales o explicativos Modelos de regresin o Tasa de crecimiento Crecimiento exponencial Modelos economtricos Modelos de insumo-producto o entrada-salida

Analoga histrica Pronstico visionario construccin de escenarios.

6.1 MTODOS CUALITATIVOS Se basan en el criterio, las creencias, las expectativas y los juicios subjetivos de quien elabora el pronstico para obtener estimaciones cuantitativas del comportamiento de una variable a partir de informacin cualitativa. Se utilizan cuando no existen datos suficientes para elaborar un pronstico o cuando stos son difciles de manipular numricamente. Los elementos que intervienen en los pronsticos cualitativos son: el pensamiento intuitivo, el juicio y la acumulacin de conocimientos,2 por lo que para elaborar este tipo de pronsticos es comn recurrir a especialistas de diversas disciplinas que puedan aportar juicios basados en la experiencia que sean tiles para los fines del pronstico. Los principales mtodos cualitativos de pronsticos son los siguientes: Mtodo Delphi

Tomado y adaptado de Alemn Castilla mara, Gonzlez Zabaleta Edmundo, MODELOS FINANCIEROS EN EXCEL, CECSA, ITM; Edic. 1, Mxico, 2003 2 Ob, cit, Stoner: pg. 211.

Se utiliza para pronosticar variables a largo plazo y para pronsticos tecnolgicos. Para aplicar este mtodo se requiere un grupo de expertos relacionados con el pronstico que se desea realizar y un coordinador del grupo que enva a los expertos una serie de cuestionarios diseados para obtener informacin sobre el pronstico deseado. Los expertos no tienen contacto personal pero a partir de las respuestas a cada cuestionario llegan a un contacto y generan el pronstico Consenso de un panel

Se utiliza para elaborar pronsticos de ventas de productos nuevos, pronsticos a largo plazo y pronsticos tecnolgicos y consiste en formar un panel de expertos para que dialogue sobre el tema de estudio hasta llegar a un consenso que equivale al pronstico. Una de las desventajas del mtodo es que ciertos factores sociales como la falta de disposicin de las personas para escuchar a los dems, la resistencia a ceder, as como las jerarquas entre los miembros de panel, pueden impedir que se llegue al consenso. Estudio o investigacin de mercado

Es un procedimiento formal para validar una hiptesis sobre el comportamiento de un producto nuevo en el mercado. Se basa en el uso de encuestas y cuestionarios para obtener informacin de los consumidores y en el anlisis estadstico de las variables del mercado. Para Merdenhall, Reinmuth y Beaver, el mtodo consiste en identificar a la poblacin de compradores potenciales de un producto, seleccionar una muestra representativa de dicha poblacin y, a travs de encuestas de opinin, encontrar la proporcin p de la muestra que estara dispuesta a comprar el producto. El pronstico de ventas se obtiene multiplicando N*p, donde N es el nmero de compradores potenciales del producto.3 Generalmente las encuestas de opinin utilizan una forma de respuesta que permite obtener informacin probabilstica de los encuestados, quienes para responder a las preguntas seleccionan una palabra descriptiva como poco probable, medianamente probable o altamente probable, entre otras, que manifieste su intencin de compra del producto. Cada palabra se encuentra asociada a una probabilidad de compra y el promedio de las probabilidades de compra se utiliza como estimador de p, la proporcin de los que compraran el producto. Analoga histrica

Este mtodo supone que el comportamiento futuro de una variable se puede determinar a partir de su comportamiento histrico. Se utiliza para conocer la
Mendenhall, William; Reinmuth, James; Beaverm Robert J. Statistics for Management and Economics, 7 ed. Ed. Duxbury Press. California, U:S:A: 1978. Pg. 709.
3

probabilidad de que un producto nuevo tenga xito, tomando como parmetro las ventas histricas de un producto similar introducido en el pasado, por lo que slo se puede aplicar paras analizar productos pertenecientes a ambientes de mercado similares. Pronstico visionario o construccin de escenarios

Consiste en desarrollar hiptesis sobre la ocurrencia de eventos futuros que permitan anticipar las consecuencias de diversos acontecimientos, respondiendo a sientonces. Sin embargo, cuando la construccin de escenarios se basa nicamente en la intuicin personal, el mtodo puede ser muy subjetivo y poco til; pero cuando existe informacin relevante que respalde la construccin de los escenarios, se pueden obtener pronsticos confiables. La siguiente tabla relaciona los parmetros de exactitud y costo de los mtodos cualitativos de pronstico. MTODO DE PRONSTICO Delphi Consenso de un panel Investigacin de mercado Analoga histrica Construccin de escenarios EXACTITUD Mala Regular Buena X X X X X COSTO Medio X

Bajo

Alto X X

X X

6. 2 METODOS CUANTITATIVOS Los mtodos cuantitativos son ms exactos que los cualitativos debido a que la informacin que utilizan se puede manipular de manera numrica, por lo que es conveniente aplicarlos cuando: Existen datos numricos referentes al comportamiento histrico de la variable que se desea pronosticar. b) Se cuenta con informacin estadstica que permite especificar las relaciones existentes entre las variables dependientes e independientes que son relevantes para el pronstico. c) Existe una suposicin de consistencia; es decir, se puede suponer que el patrn de comportamiento de una variable se repetir en el futuro. Los mtodos cuantitativos de pronstico se clasifican en anlisis de series de tiempo y modelos causales. 6.2.1. Anlisis de series de tiempo a)

Una serie de tiempo es un conjunto ordenado de observaciones cuantitativas de una misma variable registradas a lo largo del tiempo. En una serie de tiempo, la variable independiente es el tiempo y la dependiente es la variable cuyas observaciones se registran de manera sucesiva. Los anlisis de series de tiempo se basan en la extrapolacin; es decir, recurren a tendencias pasadas o presentes a fin de proyectar tendencias futuras.4 Por lo tanto se utilizan cuando se cuenta con datos histricos referentes al comportamiento de la variable que se desea pronosticar y cuando la tendencia de la misma es estable. A diferencia de los modelos causales, que pretenden explicar relaciones de causaefecto entre las variables, el objetivo de analizar series de tiempo es descubrir el patrn de variacin que sigue la serie de datos histricos y extrapolar o proyectar ese patrn hacia el futuro. 6.2.1.1 Componentes de una Serie de Tiempo

La variacin de una serie de tiempo est en funcin de cuatro componentes: Serie de tiempo = f (tendencia, ciclo, estacionalidad) + error Tendencia o variacin secular Es un movimiento ascendente o descendente que, a largo plazo y de manera sostenida, presenta una serie de tiempo. La tendencia u orientacin general de una serie de tiempo es explicada por el comportamiento de otra variable. Por ejemplo, la tendencia que sigue el Producto Interno Bruto (PIB) es resultado del crecimiento en la produccin nacional o de cambios tecnolgicos

Variacin cclica
4

Pb, cit. Stoner: pg. 209.

Es un movimiento oscilatorio no peridico que debido a fluctuaciones econmicas se registra a los largo de la tendencia en el mediano plazo; es difcil medir la duracin de los ciclos, aunque a veces es superior a un ao. Por ejemplo, los ciclos de auge y recesin que ocurren en los negocios se deben a variaciones en la oferta y la demanda de los productos.

Variacin estacional o peridica Es un cambio peridico o regular que se debe a factores fsicos, como el clima, econmicos o de mercadotecnia ya que se registra en la serie de tiempo en el corto plazo; casi nunca es mayor a un ao y dada su regularidad, es posible precisar cundo ocurrir una variacin estacional. El auge que se presenta en la venta de juguetes en la poca navidea es un ejemplo de variacin estacional

Variacin irregular, aleatoria o error

Son cambios que se presentan en una serie de tiempo y que se atribuyen a factores especficos, impredecibles e incontrolables como las guerras, las tormentas o las huelgas .

Los mtodos de pronstico basados en el anlisis de series de tiempo se dividen a su vez en dos grupos; el primero est integrado por el mtodo de promedios mviles, la suavizacin exponencial y el mtodo de Box-Jenkins, los cuales parten de la identificacin del patrn completo que sigue la serie de tiempo para despus proyectarlo hacia el futuro y pronosticar el comportamiento de la variable de estudio, y el segundo grupo que incluye al mtodo de descomposicin de series de tiempo, el cual, a diferencia de los mtodos que integran el grupo anterior, consiste en aislar los cuatro componentes de la serie de tiempo, analizar por separado el patrn de movimiento de cada uno y finalmente integrar los patrones en un modelo para pronosticar el comportamiento de la variable. 6.2.1.2. Mtodos de pronsticos basados en el anlisis de series de tiempo 1. Mtodo de promedios mviles Consiste en calcular el promedio de un conjunto de valores recientes de una variable y utilizarlo como estimacin del valor que tendr la variable en el siguiente periodo. Se utiliza el trmino de promedios mviles porque cada vez que se tiene disponible una nueva observacin, puede calcularse un promedio nuevo, eliminado la observacin ms antigua e incluyendo la ms reciente para realizar el pronstico. De esta manera, el nmero de datos que incluye el pronstico es siempre constante y contiene las observaciones ms recientes.5 El nmero de observaciones incluidas en el promedio y denotadas por N se debe determinar de tal manera que se eliminen las variaciones estacionales o aleatorias que presenta la serie de tiempo. Sin embargo, si el nmero de observaciones incluidas en el promedio es muy grande, el pronstico ser poco sensible a las variaciones presentadas en los datos y la serie proyectada al futuro seguir un
5

Ob, cit. Burs; pg. 21

patrn horizontal; por el contrario, si el valor de N es muy pequeo, la serie proyectada seguir el mismo patrn que la serie actual pero retrasado algunos periodos. Por lo tanto, se recomienda realizar pruebas con diferentes tamaos de N para encontrar el nmero de observaciones que permitan obtener un pronstico ms preciso. El mtodo de promedios mviles tiene la desventaja de que slo permite pronosticar el valor de la variable para un periodo y cada valor pronosticado se debe incluir en el promedio para estimar el valor del siguiente periodo, por lo que este mtodo se utiliza comnmente para elaborar pronsticos a corto plazo y para hacer estimaciones de ventas futuras. La frmula general para calcular un promedio mvil es la siguiente:

Pt +1 =
donde:: Pt+1 Xt N

( X 1 + X t 1 + X t 2 + ... X t N +1 ) N

= valor pronosticado para el periodo t + 1 (periodo futuro) = valor de la variable en el periodo t (periodo actual) = nmero de valores de la variable incluidos en el promedio

2. Mtodo de suavizacin exponencial La suavizacin exponencial es similar al mtodo de promedios mviles, excepto en que a los datos ms recientes se les da mayor ponderacin. En este mtodo el pronstico nuevo es igual al pronstico del periodo anterior ms una correccin proporcional al ltimo error observado.6 De la misma manera que el periodo de promedios mviles, el mtodo de suavizacin exponencial se utiliza para realizar pronsticos de ventas a corto plazo, especialmente en industrial maduras. La frmula general en la que se basa este mtodo es la siguiente7:

Pt +1 = aX 1 + (1 a ) Pt
Donde: Pt+1 a
6
7

= valor pronosticado para el periodo t + 1 (periodo futuro) = alfa, constante de suavizacin; puede tomar valores entre 0 y 1

Ob, cit, Burs; pg. 22. Para poder utilizar esta frmula es necesario un valor de inicio, por lo que este mtodo parte del supuesto de que el pronstico del primer periodo es igual a la observacin registrada en ese mismo periodo; es decir P1 = X1.

Xt Pt

= valor de la variable en el periodo t (periodo actual) = valor pronosticado de la variable para el periodo t (periodo actual)

El grado de suavizacin que se produzca en la serie depender del valor que se le asigne a la constante de suavizacin. En general, mientras ms voltil sea una serie de tiempo, ms pequeo debe ser el valor de a. De manera similar, para series de tiempo ms estables deben utilizarse valores de a grandes.8 La principal desventaja del mtodo de suavizacin exponencial es que el valor de a se debe calcular por prueba y error. El mejor valor de a ser el que muestre la serie ms suavizada y arroje el menor error cuadrado medio o varianza, que es igual a la suma del cuadrado de los diferencias entre los valores reales de la variable y los valores pronosticados, dividido entre el nmero de observaciones menos uno. 3. Mtodo de Box-Jenkins Tambin se le conoce como Modelo ARIMA, por sus siglas en ingls (Autoregressive Integrated Moving Average Model). Consiste en encontrar por computadora el modelo matemtico que mejor se ajuste a la serie de tiempo; es decir, el que arroje el menor error cuadrado medio. Para encontrar el modelo ptimo, primero se debe eliminar por diferenciacin cualquier tendencia que presente la serie; el grado de diferenciacin requerido para estacionarizar una serie se denota por d. Posteriormente, se debe definir el nmero de trminos autorregresivos, denotaros por p,9 as como el nmero de trminos de promedios mviles, denotados por q,10 que incluir el modelo. Una vez definidos los parmetros p, d, q, el modelo resultante se conoce como Modelo ARIMA (p, d, q) y se utiliza para pronosticar valores futuros de la variable de estudio. El mtodo de Box-Jenkins se usa para pronosticar a corto plazo (de tres meses a un ao) aspectos como produccin, control de inventarios y datos financieros. Se caracteriza por su alto grado de exactitud pero es una tcnica compleja y de alto costo. 4. Descomposicin de series de tiempo Consiste en analizar individualmente cada uno de los componentes de la serie de tiempo (tendencia, ciclo, estacionalidad y error) para aislar e identificar el patrn de comportamiento de cada uno y construir un modelo matemtico que permita proyectar la serie hacia el futuro, considerando todos sus componentes. El anlisis separado de cada componente de la serie permite obtener pronsticos muy
Ob, cit. Mendenhall; pg. 635. Un modelo autorregresivo es aquel que tiene como variables independientes a las variables dependientes rezagadas. El nmero de trminos autorregresivos se refiere al nmero de variables dependientes rezagadas que deben incluirse como variables independientes en el modelo. 10 El nmero de trminos de promedios mviles se refiere al nmero de errores rezagados que deben incluirse como variables independientes en el modelo.
9 8

exactos; sin embargo, es un mtodo complejo y requiere personal especializado para realizarlo. 6.2.2. Modelos causales o explicativos Se utilizan cuando la variable que se va a pronosticar o variable dependiente, mantiene una relacin explicativa con una o ms variables independientes. Por ejemplo, el volumen de ventas (variable dependiente) puede explicarse por o estar en funcin del ingreso de los consumidores, de los gastos en publicidad o del precio de los productos (variables independientes). Los modelos causales permiten identificar la naturaleza de la relacin que guardan entre s las variables y la utilizan para obtener una ecuacin de prediccin a partir de la cual se puedan estimar los valores futuros de la variable dependiente. Los principales modelos causales son los siguientes: 1. Modelos de regresin Se utilizan para identificar la relacin que existe entre una variable dependiente y y una o ms variables independientes x. El modelo bsico de regresin es el siguiente:

Y = f(x) + E
Donde: y = variable dependiente (explicada por la variable independiente) x = variable independiente (explica a la variable dependiente) E = error o residuo (factores aleatorios que explican a la variable dependiente) El anlisis de regresin es una tcnica que permite estimar, mediante el mtodo de mnimos cuadrados, una ecuacin que se puede utilizar para pronosticar el valor de una variable dependiente a partir del valor de una o ms variables independientes. Las ecuaciones de prediccin que se obtienen con los modelos de regresin son como la siguiente:

y = + 1 x1 + 2 x2 + 3 x3 + ... n xn
Donde: y = variable dependiente que se desea pronosticar = ordenada al origen n = parmetro de estimacin; muestra la relacin que existe entre la variable independiente

xn ya la variable dependiente. xn = variable independiente (pueden existir de 1 a n variables independientes) (.) Excel permite calcular automticamente el valor de la ordenada al origen y de los parmetros, as como generar la ecuacin de prediccin en la que deben sustituirse los valores futuros de las variables independientes para calcular el valor pronosticado de la variable dependiente. Las funciones estadsticas de Excel PRONSTICO y TENDENCIA, se pueden utilizar para generar ecuaciones de prediccin con el mtodo de mnimos cuadrados. Por lo general, los modelos de regresin se usan para pronosticar ventas y variables financieras como las tasas de inters. 2. Tasa de crecimiento Permite encontrar el valor futuro de una variable a partir de un valor inicial de dicha variable y de una tasa de crecimiento esperada, que generalmente se expresa en trminos porcentajes. La expresin matemtica que caracteriza a este mtodo de pronstico es la siguiente:

xn = x1(1 + r)n-1
Donde: xn = valor pronosticado de la variable para el periodo n x1 = valor inicial de la variable (periodo 1) r = tasa de crecimiento esperada para la variable n = periodo para el cual se realiza el pronstico Es muy comn utilizar la tasa de crecimiento para pronosticar niveles de ventas, costos y gastos. 3. Crecimiento exponencial Este mtodo utiliza observaciones histricas de la variable que se desea pronosticar para generar una ecuacin a partir de la cual puedan proyectarse sus valores futuros. A diferencia del mtodo de regresin lineal, el crecimiento exponencial supone que el patrn de comportamiento de la variable sigue una tendencia exponencial no lineal. En Excel existe la funcin estadstica CRECIMIENTO, que permite generar pronsticos con el mtodo de crecimiento exponencial a partir de la siguiente ecuacin:

y = aebx

Donde: y = variable dependiente que se desea pronosticar a, b = parmetros de estimacin e = base de los logaritmos naturales, su valor es 2.7182 x = variable independiente El mtodo de crecimiento exponencial se utiliza para hacer pronsticos poblacionales y de ventas. 4. Modelos economtricos Son sistemas que contienen mltiples ecuaciones de regresin interdependientes. Su principal objetivo es expresar las interrelaciones complejas que existen entre los factores que afectan la economa en su totalidad, o a las ventas de una empresa o industria en particular.11 Debido a la gran cantidad de variables y ecuaciones que involucran, estos modelos generan pronsticos muy exactos, aunque su desarrollo es muy costoso y requiere de mucho tiempo y de especialistas en la materia. 5. Modelos de insumo-producto o de entrada-salida Son matrices que muestran la relacin que existe entre las entradas y salidas de una industria y las entradas y salidas de otra; es decir, muestran los insumos requeridos por una industria para generar productos, que a su vez se convierten en insumos para otra industria, y as sucesivamente. Estos modelos son tiles para determinar el flujo de bienes y servicios interindustrial dentro de una economa, o interdepartamental dentro de una organizacin. El desarrollo de los modelos de insumo-producto es muy costoso y, dada su complejidad, requiere de especialistas pero permite generar pronsticos buenos a mediano y a largo plazos, especialmente para industrias como la automotriz, la qumica y la minera. La siguiente tabla muestra el grado de exactitud y la magnitud del costo que representa cada uno de los mtodos cuantitativos de pronstico.

Anderson, Rolph; Hair, Joseph; Bush, Alan. Administracin de Ventas y Publicidad. Tr. Ma. Guadalupe Cevallos Almada. 2 ed. Ed. McGraw-Hill. Mxico. 1995. Pg. 150.

11

MTODO DE PRONSTICO Mala Promedios mviles Suavizacin exponencial Box-Jenkins Descomposicin de series de tiempo Modelos de regresin Tasa de crecimiento Crecimiento exponencial Modelos economtricos Modelos de insumo-producto

EXACTITUD Regular Buena X X X X X X X X X

Bajo X X

COSTO Medio

Alto X X

X X X X X

Para incrementar el grado de exactitud de los pronsticos es conveniente utilizar los mtodos cualitativos en combinacin con los mtodos cuantitativos. 6.2.3 INDICES ESTACIONALES Algunas variables, como las ventas de determinados productos, tienen un comportamiento estacional durante el ao; existen meses en los que sus valores se incrementan considerablemente y meses en los que la tendencia se revierte y se presenta una disminucin. En ocasiones, los pronsticos que se realizan para conocer los valores que se espera que se tomen estas variables en el futuro se alejan de los valores reales que dichas variables adquieren porque no consideran sus variaciones estacionales. Por esta razn, cuando se trabaja con series de tiempo que presentan un comportamiento estacional es til calcular ndices estacionales que permitan ajustar los pronsticos al comportamiento estacional de las variables, de tal manera que los valores pronosticados reflejan la tendencia de la variable pero considerando su comportamiento estacional. Los ndices estacionales se pueden calcular a partir del comportamiento histrico de las variables. 6.2.3.1. Metodologa para calcular ndices estacionales12 Supngase que se desean pronosticar las ventas de juguetes para el ao 2003 y que se cuenta con datos histricos correspondientes a los aos 2001 y 2002, mostrados en la siguiente tabla.

Esta metodologa fue tomada de Render, Barry; Heizer, Jay. Principios de Administracin de Operaciones. Tr. Juan Purn Mier y Tern. Ed. Pearson Educacin. Mxico, 1996. 624 pp.

12

Mes

Ventas (en pesos)

2001 2002 Enero $1.700 $1.600 Febrero 800 600 Marzo 700 600 Abril 1.000 900 Mayo 900 800 Junio 800 700 Julio 700 600 Agosto 700 600 Septiembre 600 500 Octubre 700 700 Noviembre 1.200 1.300 Diciembre 1.900 2.000 Promedio de ventas promedio por mes

Ventas promedio por mes (2001-2002) $1.650 700 650 950 850 750 650 650 550 700 1.250 1.950 942

ndice Estacional 1.752 0.743 0.690 1.009 0.903 0.796 0.690 0.690 0.584 0.743 1.327 2.071

El primer paso consiste en utilizar los datos histricos para calcular las ventas promedios por mes, como se muestra en la tercera columna de la tabla. El segundo paso es calcular el promedio de las ventas promedio por mes:
mes12

Promedio de ventas promedio por mes =

mes1

ventas promedio
12

Promedio de ventas promedio por mes =

$11.300 = $942 12

Por ltimo, se utiliza la siguiente frmula para calcular los ndices estacionales correspondientes a cada mes del ao:

Indice estacional =

Ventas promedio del mes 2001 - 2002 Promedio de ventas promedio por mes

Por ejemplo, el ndice estacional correspondiente al mes de enero es igual a:

Indice estacional de enero =

$1.650 = 1.752 942

Los ndices estacionales se utilizan para ajustar los valores pronosticados de la variable. Por ejemplo, si se utiliza el mtodo de regresin lineal para estimar las ventas de juguetes para el ao 2003, los valores pronosticados pueden ajustarse

al comportamiento estacional multiplicando el pronstico obtenido para cada mes por el ndice correspondiente. La tabla, a continuacin, muestra los pronsticos de ventas ajustadas con los ndices estacionales. Mes Enero Febrero Marzo Abril Mayo Junio Julio Agosto Septiembre Octubre Noviembre Diciembre Pronstico13 de ventas 2003 (en pesos) $1.076 1.096 1.117 1.138 1.158 1.179 1.200 1.220 1.241 1.261 1.282 1.303 ndice estacional promedio 1.752 0.743 0.690 1.009 0.903 0.796 0.690 0.690 0.584 0.743 1.327 2.071 Pronstico de ventas ajustado 2003 (en pesos) $1.885 815 771 1.148 1.046 939 828 842 725 938 1.702 2.698

De esta manera los pronsticos han quedado ajustados y reflejan el comportamiento estacional de las ventas, como se puede apreciar en la grfica

Los ndices estacionales se pueden utilizar para ajustar los pronsticos obtenidos con los mtodos de promedios mviles y regresin lineal, lo cual incrementa la confiabilidad y exactitud de los valores estimados.
Estos pronsticos se obtuvieron utilizando el mtodo de regresin lineal y considerando como variable dependiente a las ventas promedio del mes (2001-2002). El clculo se hizo en Excel utilizando la funcin estadstica PRONSTICO.
13