Anda di halaman 1dari 23

Herramientas para la interpretacin

de Estudio de mercados
M.I.A. Gabriel Ruiz Contreras
gabriel2306@prodigy.net.mx

COMPETENCIA ESPECIFICA
Clasifica y aplica las principales herramientas para la interpretacin
eficiente del estudio de mercado, delimitando la ubicacin adecuada
de los puntos de contacto con el cliente.

CONTENIDO
1. Pronostico de ventas
2. Modelos economtricos de venta
3. Anlisis multivariante
4. AWARENESS
5. BRIEF de la Investigacin de mercados
6. Organismos de informacin y basificacin (actividad en el aula).

1. Pronsticos de ventas
Los pronosticos o la previsin, es el proceso mediante el cual se predicen acontecimientos futuros.
Puede suponer la toma de datos histricos y su proyeccin hacia el futuro con algn tipo de modelo
matemtico. Puede ser una prediccin subjetiva o intuitiva del futuro. O puede englobar una
combinacin de estas, es decir, un modelo matemtico ajustado al buen juicio del directivo.

Tipos de pronosticos
Cualitativos:

Cuantitativos:

Fuerza de ventas: observacin directa


Opinin ejecutiva: experiencia de la direccin
Analoga histrica: productos o servicios
similares
Delphi: opiniones de expertos
Investigaciones de mercado: cuestionarios y
paneles

Enfoque sencillo
Promedio mvil simple y ponderado
Suavizado exponencial
Proyeccin de tendencia
Modelos causales de regresin lineal

Los ocho pasos de un sistema de pronsticos


Independientemente del mtodo adoptado los pronosticos siguen los siguientes pasos:

1.
2.
3.
4.
5.
6.
7.
8.

Determinar la utilizacin del pronstico. Qu objetivo perseguimos?


Seleccionar los artculos de los que se va a realizar el pronstico.
Determinar el horizonte temporal del pronstico, es decir, corto, mediano o largo plazo.
Seleccionar el(los) modelo(s) de previsin.
Recogida de los datos necesarios.
Validar el modelo de previsin.
Realizar la previsin.
Implementar los resultados.

1.1 Series de tiempo (ST)


Los modelos de series de tiempo predicen bajo la premisa de que el futuro es una funcin del pasado.
En otras palabras, observan lo que ha ocurrido a lo largo de un periodo de tiempo y utilizan una serie
de datos pasados para realizar un pronstico. Si estamos prediciendo las ventas semanales de
podadoras de csped, utilizaremos las ventas de podadoras de semanas anteriores al realizar el
pronstico.

Se utilizan bsicamente cuatro tipos de series de tiempo:


Enfoque sencillo
Promedio mvil simple
Suavizado exponencial
Proyeccin de tendencia

Ejemplo de aplicacin: se utilizar Minitab para los clculos


La empresa Ctricos de Veracruz ha exportado las cantidades siguientes durante los pasados
11 aos:
Ao Toneladas
1
2
2
3
3
6
4
10
5
8
6
7
7
12
8
14
9
14
10
18
11
19
12
???

Pronostique las toneladas a


exportar para el ao 12, aplicando :
a)
b)
c)
d)

El enfoque sencillo
Promedio mvil simple
Suavizacin exponencial
Proyeccin de tendencia

Solucin del ejemplo


a) Enfoque sencillo
La forma ms simple de pronosticar es suponer que la demanda del prximo periodo es
justamente igual a la demanda del ltimo periodo.
Es decir para nuestro ejemplo, la demanda del ao 12 ser la demanda del ao 11:
19 toneladas de ctricos a exportar.

Solucin del ejemplo


b) Promedio mvil simple
El promedio mvil simple utiliza un
grupo de recientes valores de los datos
para generar una previsin. Los
promedios mviles son tiles si
podemos suponer que las demandas del
mercado sern estables a lo largo del
tiempo.

Matemticamente, la media mvil simple (que


sirve como estimador de la demanda del prximo
periodo) se expresa como:
PM = X / n
Donde:
X=demanda en n periodos previos
n=nmero de periodos en el promedio mvil

Aplicando Minitab con periodos de 3, 4 y 5 aos tenemos que el para el ao 12 el


pronostico de toneladas de ctricos a exportar ser:
17, 16 y 15 toneladas respectivamente.

Los promedios mviles, tienen los inconvenientes siguientes:


1. Al incrementar el nmero de periodos promediados el
alisado es mejor, pero hace que el mtodo sea menos
sensible a cambios reales en los datos.
2. Los promedios mviles no son muy buenos a la hora de
captar tendencias. Esto es debido a que son promedios y
por ello siempre estarn entre los valores histricos.

Solucin del ejemplo


c)

Suavizacin exponencial simple

Es una tcnica de pronsticos de


promedio mviles que utiliza una
ponderacin exponencial para los datos
histricos, de modo que los datos ms
recientes tienen mayor peso al calcular
el promedio mvil.

La
ecuacin
puede
matemticamente como:

ser

expresada

Ft = Ft-1 + (At-1 Ft-1)


Donde:
Ft =Nueva previsin
Ft-1 =Previsin anterior (ltima)
= Constante de alisado o suavizado (0 1)
At-1 =Demanda real del periodo anterior

Aplicando Minitab con un de 0.10 y 0.5 tenemos que para el ao 12 el pronostico de


toneladas de ctricos a exportar ser:

10 y 17 toneladas respectivamente.

El valor apropiado de puede marcar la diferencia entre una previsin precisa o una imprecisa.
Para el caso con un =0.1 y =0.5 es ms preciso el pronostico con la segunda constante de alisado y
suavizado, ya que los valores de la Desviacin Absoluta Media (MAD), Desviacin cuadrtica media (MSD),
y el Error porcentual absoluto medio (MAPE) son ms pequeos que los primeros.

Solucin del ejemplo

Para hallar los valores de a y b:

d) Proyeccin de tendencia
Esta tcnica ajusta una lnea de tendencia a
la serie de datos histricos, y entonces
proyecta la lnea hacia el futuro para realizar
pronosticos a mediano o largo plazo.
Una recta de mnimos cuadrados queda
definida por la siguiente ecuacin:

Y = a + bX
Donde:
Y= valor de la variable a predecir (variable
dependiente)
a= ordenada en el origen
b= pendiente de la recta
X= variable independiente (el tiempo en este caso).

Donde:
b=pendiente de la recta de regresin
=signo de sumatorio
x=valores de la variable independiente
y=valores de la variable dependiente
x =media de los valores de x
y =media de los valores de y
n= nmero de datos
Una vez calculado b se puede hallar el punto
de corte con el eje Y de la siguiente forma:

Con Minitab:
Series de tiempo
Anlisis de tendencia

Aplicando Minitab para el ao 12 el pronostico


de toneladas de ctricos a exportar ser:
20 toneladas.

Cul pronostico seleccionamos?


Veamos una pauta:
Pronostico de toneladas de exportacin de ctricos
Enfoque sencillo

Promedio mvil
simple

Suavizacin
exponencial
simple

Proyeccin de
tendencia

19 toneladas

17 toneladas

17 toneladas

20 toneladas

MAPE=43.3799
MAD=3.0758
MSD=12.2853

MAPE=12.9609
MAD=1.0628
MSD=2.2140

MAPE= 28.9219
MAD=3.6250
MSD=15.8194

Los tres nmeros son ms bajos para el modelo de tendencia lineal en comparacin
con el mtodo de PMS y SES; por tanto, el modelo de tendencia lineal parece
proporcionar el mejor ajuste. El enfoque sencillo solo es un punto de partida o
referencia.

2. Modelos economtricos de venta


Un modelo es una: representacin simplificada y en smbolos matemticos de cierto
conjunto de relaciones es decir un modelo formulado en trminos matemticos.
Un modelo economtrico es: una representacin simplificada y en smbolos
matemticos de cierto conjunto de relaciones econmicas.
Ejemplos de modelos economtricos:
Las ventas de cemento de una empresa depender de variables indicativas de la
actividad constructora.
Las exportaciones de un pas sern funcin de la renta de los pases que las importen y
de los precios relativos entre pases (esto mismo se puede aplicar a una empresa).
El consumo privado depende de la renta disponible y los tipos de inters reales.
Determinar si el gasto de una campaa publicitaria tiene relacin con el xito de las
ventas de cierta marca de autos.

2.1 Modelos causales


Los modelos causales, como la regresin lineal, incorporan variables o factores que
pueden influir sobre el pronstico.
Por ejemplo, un modelo causal para las ventas de podadoras de csped podra incluir
factores como el nmero de viviendas nuevas, el presupuesto de publicidad y los precios
de la competencia.
A diferencia de las previsiones de series temporales, los modelos de previsin causual
consideran diferentes variables que estn relacionadas con la cantidad de la que se est
haciendo la prediccin. Una vez que estas variables relacionadas han sido halladas, se
construye el modelo estadstico para realizar la previsin.
El modelo cuantitativo de previsin causual ms comn es el analisis de regresin
lineal.
Para la regresin lineal se utiliza el mismo modelo matemtico empleado en el mtodo
de mnimos cuadrados de proyeccin de tendencia.

Anlisis de regresin lineal simple


El modelo de regresin lineal simple tiene la
forma:
Yc = a + bX

Ejemplo. Una empresa estudia la posible


relacin que existe entre los permisos de
construccin emitidos por las autoridades
municipales y la demanda del conglomerado
que vende.

donde Yc es la variable dependiente (embarques)


y X la variable independiente (permisos).

La empresa tiene datos del trimestre


anterior.

Los valores de la pendiente b y la interseccin a se


obtiene de las siguientes ecuaciones:

Donde:

Permisos de
construccin
15
9
40
20
25
25
15
36

Embarques de
conglomerado
6
4
16
6
13
9
10
16

Solucin del problema con Minitab


Estime los embarques cuando existan 30 permisos de construccin= (13 embarques).

2.2 Los pronosticos y el ciclo de vida del producto


Despus de haber analizado los principales tipos de pronosticos, seguramente la pregunta
es: Cul mtodo de pronstico debo seleccionar?
El ciclo de vida del producto y sus cuatro
etapas son una excelente referencia para
seleccionar el tipo de pronstico a usar;
Por tres razones: los datos con que se
cuenta, el horizonte de tiempo previsible
para pronosticar y el mtodo a usar que
depende bsicamente de los dos aspectos
anteriores.

Los datos histricos solo existen cuando el


producto est en su desarrollo y es
abundante cuando ingresa en la etapa de
madurez.
El siguiente cuadro presenta el resumen
de las tcnicas que se deben utilizar en las
diferentes etapas del ciclo de vida del
producto.

Ciclo de
vida del
producto
Datos
Tiempo
Mtodo

Tcnicas

Introduccin
Ninguno
Largo
Cualitativo

Juicio
Delphi
Analoga
Histrica
Investigacin
de mercados

Crecimiento y
desarrollo
Algunos
Mediano
Cualitativo
+
Algo cuantitativo
Histrico
Simulacin
Causal

Madurez
Muchos
Corto
Cuantitativo

Series
de
tiempo
Regresin
Correlacin

Declinacin
Muchos
Muy corto
Cuantitativo
+
Algo cualitativo
Regresin
Series
de
tiempo

3. Anlisis multivariante
El anlisis multivariante (AM) es la parte de la estadstica y del anlisis
de datos que estudia, analiza, representa e interpreta los datos que
resultan de observar ms de una variable estadstica sobre una muestra
de individuos.
El AM es un mtodo estadstico utilizado para determinar la
contribucin de varios factores en un simple evento o resultado.
Las variables observables son homogneas y correlacionadas, sin que
alguna predomine sobre las dems.

Tcnicas multivariantes
Regresin Lineal Multiple
Regresin Logit y Probit
Anlisis Anova
Anlisis de Componentes principales
Anlisis factorial
Anlisis discriminante
Anlisis de Correlacin Cannica
Anlisis Cluster
Anlisis de Escalamiento Dimensional
Anlisis de correspondencias
Anlisis factorial confirmatorio
Modelo de Ecuaciones Estructurales (SEM), anlisis causal.
Anlisis conjunto
Escalamiento ptimo
PDF