TÉCNICAS DE PROYECCIÓN DEL

MERCADO

EL ÁMBITO DE LA PROYECCIÓN:

La multiplicidad de alternativas metodológicas existentes para estimar el comportamiento

futuro de alguna de las variables del proyecto obliga al analista a tomar en
consideración un conjunto de elementos de cada método, con el fin de seleccionar y
aplicar correctamente aquel que sea más adecuado para cada situación particular.

Para que el producto resultante de la proyección permita su uso óptimo, la información

deberá expresarse de la manera que sea más valiosa para el preparador del proyecto. Las
fuentes de información de uso más frecuente son las series históricas oficiales de
organismos públicos y privados, las opiniones de expertos y el resultado de encuestas
especiales, entre otras.

La elección del método correcto dependerá principalmente tanto de la cantidad y

calidad de los antecedentes disponibles, como de los resultados esperados. La efectividad
del método elegido se evaluará en función de su precisión, sensibilidad y
objetividad.

 Precisión, porque cualquier error en su pronóstico tendrá asociado un costo. Aunque

obviamente no podrá exigirse una certeza total a alguno de los métodos, sí podrá
exigírsele que garantice una reducción al mínimo del costo del error en su proyección.

 Sensibilidad, porque al situarse en un medio cambiante, debe ser lo suficientemente

estable para enfrentar una situación de cambios lentos, así como dinámica para enfrentar
cambios agudos.
 Objetividad, porque la información que se tome como base de la proyección debe
garantizar su validez y oportunidad en una situación histórica. Los resultados que se
obtienen de los métodos de proyección del mercado son sólo indicadores de referencia
para una estimación definitiva, la cual, aunque difícilmente será exacta, deberá
complementarse con el juicio y las apreciaciones cualitativas del análisis, por parte de
quien probablemente trabajará con más de un método en la búsqueda de la estimación
más certera.

MÉTODOS DE PROYECCIÓN:

Una manera de clasificar las técnicas de proyección consiste en hacerlo en función de su

carácter, esto es, aplicando métodos de carácter cualitativo, modelos causales y modelos de
series de tiempo.

Los métodos de carácter cualitativo, se basan principalmente en opiniones de expertos.

Su uso es frecuente cuando el tiempo para elaborar el pronóstico es escaso, cuando no se
dispone de todos los antecedentes mínimos necesarios o cuando los datos disponibles no
son confiables para predecir algún comportamiento futuro.

Los modelos de pronóstico causales, parten del presupuesto de que el grado de influencia
de las variables que afectan el comportamiento del mercado permanece estable, para luego
construir un modelo que relacione ese comportamiento con las variables que se estima son
las causantes de los cambios que se observan en el mercado.

Dervitsiotis señala tres etapas para el diseño de un modelo de proyección causal:

a) La identificación de una o más variables respecto a las que se pueda presumir que
influyen sobre la demanda.

b) La selección de la relación que vincule a las variables causales con el comportamiento

del mercado, normalmente en la forma de una ecuación matemática de primer grado.
c) La validación del modelo de pronósticos, de manera que satisfaga tanto el
sentido común como las pruebas estadísticas, mediante la representación adecuada
del proceso que describa.

Los modelos de series de tiempo se utilizan cuando el comportamiento que asume el

mercado a futuro puede determinarse en gran medida por lo sucedido en el pasado, y
siempre que esté disponible la información histórica de manera confiable y completa.

MÉTODOS CUALITATIVOS

La importancia de los métodos cualitativos en la predicción del mercado se manifiesta

cuando los métodos cuantitativos basados en información histórica no pueden explicar por
sí solos el comportamiento futuro esperado de alguna de sus variables, o cuando no existen
suficientes datos históricos.

La opinión de los expertos es una de las formas subjetivas más comúnmente usadas
para estudiar el mercado. Dentro de ésta, el método Delphi es quizá el más conocido.

Método Delphi: Este método consiste en reunir a un grupo de expertos en calidad de

panel, a quienes se les somete a una serie de cuestionarios, con un proceso de
retroalimentación controlada después de cada serie de respuestas.

El método Delphi se fundamenta en que el grupo es capaz de lograr un razonamiento mejor

que el de una sola persona, aunque ésta sea experta en el tema.

Una técnica similar al método Delphi es la conocida como consenso de panel, que se
diferencia de aquella en que no existen secretos sobre la identidad del emisor de las
opiniones, y en que no hay retroalimentación dirigida desde el exterior. Este método “se
basa en la suposición de que varios expertos serán capaces de producir un pronóstico mejor
que una sola persona.
Un método más sistemático y objetivo, que se vale del método científico, es la
investigación de mercado, la cual se utiliza principalmente en la recolección de información
relevante para ayudar a la toma de decisiones o para aprobar o refutar hipótesis sobre un
mercado específico, mediante encuestas, experimentos, mercados-prueba u otra forma.

La principal característica del método es su flexibilidad para seleccionar e incluso para

diseñar la metodología que más se adecue al problema en estudio, requiriendo una
investigación exploratoria, descriptiva o explicativa.

Un tipo de investigación de mercados es el de encuestas de intenciones de compras. Su

aplicación comienza con la selección de la unidad de análisis adecuada para cuantificar la
intención de compra, siguiendo con la toma correcta de la encuesta por muestreo y
finalizando con el análisis de los antecedentes recopilados. La investigación de mercados
estudia características de productos, empresas o consumidores.

El cálculo del tamaño de la muestra es fundamental para la confiabilidad de los resultados.

Por ello, deberán tomarse en consideración algunas propiedades de la muestra y el grado de

error máximo permisible de sus resultados. Para calcular el tamaño de la muestra puede

utilizarse la siguiente fórmula:

n= σ2 Z2
e2

Donde n es el tamaño de la muestra, σ2 es la desviación estándar (que puede calcularse

en referencia con otros estudios o sobre la base de una prueba piloto), Z el valor crítico de

la distribución normal para un nivel de confianza deseado y e2 el nivel de error máximo

permitido, que puede interpretarse como la mayor diferencia permitida entre la medida de

la muestra y la media de la población. El valor de Z se obtiene de una tabla de

probabilidades de una distribución normal y se conoce como el número de errores

estándar asociados con el nivel de confianza.

Por ejemplo, para tener un nivel de confianza del 95%, la tabla de probabilidades de

distribución normal muestra un valor de Z = 1,96. Así, si una empresa fabricante de aceite

comestible tradicional evalúa un proyecto para colocar un nuevo producto en el mercado,

como el aceite combinado de oliva y maíz, puede estimar el tamaño de la muestra

basándose en el promedio histórico de consumo medio anual. Si la media histórica ha

sido 12 litros, si la desviación estándar de la muestra, obtenida mediante una prueba

piloto, es 3 y si el error máximo permitido es 0,3 (lo que supone que ningún consumidor

compraría más de 12,3 litros, ni menos de 11,7 litros), el tamaño de la muestra para un

nivel de confianza de 95% se calcula por:

n = 32 *1,962 = 385
0, 32

MODELOS CAUSALES:

Los modelos causales, a diferencia de los métodos cualitativos, intentan proyectar el

mercado sobre la base de antecedentes cuantitativos históricos; para ello, suponen que los
factores condicionantes de los comportamientos históricos de alguna o todos las variables
del mercado permanecerán estables.

Los modelos causales de uso más frecuente son el modelo de regresión, el modelo
econométrico y el modelo de insumo-producto, llamado también método de los coeficientes
técnicos.

Las causales 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. El análisis de regresión permite elaborar un modelo de pronóstico basado en
estas variables, el cual puede tener desde una hasta n variables independientes.

Existen dos modelos básicos de regresión: el modelo de regresión simple o de dos

variables, y el modelo de regresión múltiple. El primero indica que la variable dependiente
se predice sobre la base de una variable independiente, mientras que el segundo indica que
la medición se basa en dos o más variables independientes. En ambos casos, aunque los
valores de la variable independiente pueden ser asignados, es decir que están dados para el
analista, los de la variable dependiente deben obtenerse por medio del proceso de muestreo.

Por ejemplo, supóngase que los antecedentes históricos de producción y ventas de un

determinado producto son los que se muestran en el cuadro . No obstante, es necesario
aclarar que se debe contar con un número significativo de observaciones para que la
estimación sea veraz y las conclusiones derivadas de la relación entre variables sean
consistentes.

AÑO 1997 1998 1999 2000 2001 2002 2003 2004 2005 2006 2007
DEMANDA 10 20 30 45 70 90 125 150 180 220 270

La línea de regresión puede determinarse a partir del siguiente cálculo, donde la variable

x se puede entender como un indicador temporal.

AÑO X DEMANDA (Y) XY X2 Y2

1997 -5 10 -50 25 100
1998 -4 20 -80 16 400
1999 -3 30 -90 9 900
2000 -2 45 -90 4 2025
2001 -1 70 -70 1 4900
2002 0 90 0 0 8100
2003 1 125 125 1 15625
2004 2 150 300 4 22500
2005 3 180 540 9 32400
2006 4 220 880 16 48400
2007 5 270 1350 25 72900
TOTAL 0 1210 2815 110 208250
 11 ( 2815 )−( 0 ) (1 210) 30 965
B= = = 25,59
11 ( 110 )−¿ ¿ 1210

1210 (0 )
A= −25,59 =110
11 ( 11 )

De esta forma, la ecuación final de regresión es:

y (x) = 110- 25,59x

Para estimar la demanda esperada en 2008 (x = 6), se reemplaza

y = 110 + 25,59 (6) = 263,54

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 un análisis de series de tiempo pueden
distinguirse cuatro componentes básicos que se refieren a: una tendencia, un factor cíclico,
fluctuaciones estacionales y variaciones no sistemáticas.

 El componente de tendencias se refiere al crecimiento o declinación en el largo plazo del

valor promedio de la variable estudiada, por ejemplo, la demanda. Su importancia se
deriva de considerar fluctuaciones en el nivel de la variable en el tiempo, con lo cual el
estudio del nivel promedio de la variable a lo largo del tiempo es mejor que el estudio de
esa variable en un momento específico.

 Aun cuando es posible definir una tendencia de largo plazo para la variable, pueden
darse divergencias significativas entre la línea de tendencia proyectada y el valor real
que exhiba la variable.
 Esta divergencia se conoce como el componente cíclico y se admite entre sus causas el
comportamiento del efecto combinado de fuerzas económicas, sociales, políticas,
tecnológicas, culturales y otras existentes en el mercado que permiten identificar
periodos de expansión y contracción de la variable en estudio, para este caso la
demanda.

 Contrarios a los componentes cíclicos, existen otros componentes llamados estacionales,

que exhiben fluctuaciones que se repiten periódicamente y que normalmente dependen
de factores como el clima (ropa de verano), la tradición (tarjetas de Navidad), entre
otros.

 Aunque se conozcan los tres componentes señalados, una variable puede tener todavía
un comportamiento real distinto del previsible por su línea de tendencia y por los
factores cíclicos y estacionales. A esta desviación se le asigna el carácter de no
sistemática y corresponde al llamado componente aleatorio.

Componentes de tendencia de una serie cronológica.

Dervitsiotis plantea dos

modelos que podrían explicar la forma de interacción
de los componentes de las series de tiempo:
a) El aditivo, que permite calcular el comportamiento de una variable.

b) El multiplicativo, que dice que la variable puede expresarse como el producto de los
componentes de la serie de tiempo.

Existen diversos métodos que permiten estimar el comportamiento de una variable y que
aíslan, en general, el efecto tendencia. Éstos son: el método de los promedios móviles, el de
afinamiento exponencial y el de ajuste lineal por el criterio de los mínimos cuadrados a que
ya se hizo referencia.

RESUMEN

La presentación de las técnicas de pronóstico que se analizaron en este capítulo deja de

manifiesto la falta de control y confianza en los hechos futuros. Cada técnica tiene

características propias que hacen de su elección un proceso especial de decisiones.

Cualquiera que sea el método utilizado, la validez de sus resultados dependerá de la

calidad de los antecedentes considerados para el pronóstico. Por esto, la cantidad,

oportunidad y veracidad de los datos disponibles serán determinantes en la selección del

método.
En este capítulo, los métodos de proyección se clasificaron en cualitativos, causales y de

series de tiempo. Los métodos más conocidos en este grupo son el Delphi, la

investigación de mercados, el consenso de panel, los pronósticos visionarios y el de

analogía histórica.

Para realizar el muestreo existen dos métodos: el probabilístico y el no probabilístico.

Los modelos de pronóstico causales se basan en un supuesto de permanencia de las

condicionantes que influyeron en el comportamiento pasado de una o más de las

variables que se han de proyectar. El pronóstico, en consecuencia, se basa en los

antecedentes cuantitativos históricos. Los métodos causales analizados en este capítulo

son el modelo de regresión, el modelo econométrico, el método de encuestas de

intenciones de compra y el modelo de insumo producto, conocido también como método

de los coeficientes técnicos.

Los modelos de series de tiempo analizados en este capítulo son el de promedios móviles

y el de afinamiento exponencial.