Planificación de Ventas mediante Series Temporales

Durante el proceso de Investigación de Mercados, es fundamental tener todos los factores que pueden determinar el éxito de nuestro negocio a corto, medio y largo plazo. Entre los factores más comunes y más importantes que se debe de tener en cuenta en la Investigación de Mercados es la Planificación de Ventas. ¿Conoces qué son las series temporales o la técnica delphi?

Existen dos métodos de previsión de ventas que son muy usados no solo en la Investigación de Mercados, sino también en otros ámbitos de la empresa, como la Investigación Operativa, Finanzas y la Planificación de Recursos Humanos:

Por una parte existen los Métodos Cualitativos, que se basan en suposiciones o proyecciones futuras. La técnica más usada es la Técnica Delphi.

Por otra parte, los Métodos Cuantitativos se basan en datos agregados a lo largo de un periodo de tiempo. Existen diversas Técnicas Cuantitativas de Previsión de Ventas, por lo que es imposible explicarlas todas en un solo artículo, pero una de las más usadas en la Investigación de Mercados son las Series Temporales.

¿Qué son las Series Temporales?

Las Series Temporales pueden definirse como una sucesión de datos de carácter cuantitativo, que se encuentran ordenados en periodos equidistantes, y representan un determinado fenómeno (ventas anuales, clientes mensuales, vistas a nuestra web en el último trimestre, etc.).

Estas series temporales suelen estar presentadas en un diagrama cartesiano donde se representan los datos del fenómeno en el eje de ordenadas y el tiempo (semanas, meses, años) en el eje de abscisa.

Cada dato se representa en el diagrama haciendo coincidir el valor del dato del fenómeno estudiado y el periodo de tiempo que representa, mostrando de forma concisa una línea temporal de datos a lo largo del tiempo.

Elementos a identificar en una Serie Temporal

– Tendencia: Representa si los valores crecen o decrecen a largo plazo. Ejem: crecimiento del número de visitantes en nuestra página web. Quizá te interese leer: Usabilidad web, un test que te dará grandes resultados.

– Variaciones cíclicas: Representa las variaciones de tendencia producidas en períodos mayores a un año. Ejem: Los beneficios anuales de la empresa.

– Variaciones estacionales: Representa las variaciones de tendencia producidas en periodos menores a un año. Ejem: Ventas producidas antes y después de verano.

– Variaciones residuales: Representan las variaciones de tendencia producidas de forma aleatoria, ya sea por acontecimientos inesperados o por falta datos. Ejem: Una perturbación meteorológica inesperada.

¿Qué tipos de análisis se pueden hacer?

Adicionalmente de ofrecer un análisis descriptivo, los datos permiten una gran variedad de tipos de análisis que pueden ser muy útiles para la investigación de mercados que se está llevando a cabo. Entre los tipos de análisis más utilizados, se encuentran:

– Medias Móviles: Se trata de un tipo de análisis que detecta la tendencia de una Serie Temporal con muchas variaciones mediante un “suavizado” de la serie.

Para ello, se calcula el promedio entre el número de datos en ambos lados de un determinado punto en la serie, quedando de la siguiente forma:

y1+y2+y3…

p

serie original

serie suavizada

– Función de Autocorrelación: Este tipo de análisis analiza la estacionalidad de una serie, midiendo la correlación entre dos o más datos de una serie, separados por un determinado tiempo. El Coeficiente de Correlación entre unos determinados datos se debe calcular por parejas, teniendo en cuenta la siguiente fórmula:

Si el Coeficiente de Correlación se sitúa entre 0 y 1, habrá correlación, por lo que se podrá considerar un cierto grado de estacionalidad en la Serie Temporal. Si por lo contrario, el Coeficiente de Correlación es 0, significará que no hay correlación y por lo tanto, se debe rechazar la hipótesis de que la serie es estacional.

– ARIMA: Son las siglas de un modelo Autoregresivo, Integrado de Media Móvil (Autoregressive Integrated Moving Average). Se trata de un modelo matemático basado en variaciones y regresiones de datos estadísticos, que permite encontrar los patrones que sigue la Serie Temporal y hacer proyecciones futuras. Estas proyecciones vienen dadas por estimaciones en base a datos pasados (Regresiones) y “suavizado” de datos (Media Móvil). Los parámetros ARIMA se expresan en números enteros no negativos de la siguiente forma:

ARIMA (3,1,0)

En este modelo en cuestión, el componente de Autoregresión es 3, mientras que el componente de Integración es 1 y el componente Media Móvil es 0. También se puede expresar como ARI (3,1).

T.A.M: Son las siglas Total Anual Móvil. Se trata de un modelo muy utilizado en la previsión de ventas anuales. Este modelo absorbe las variaciones estacionales de una Serie Temporal, para mostrar las ventas realizadas de forma más precisa. Para calcular el T.A.M, se suma las ventas del mes actual más las ventas acumuladas los 12 meses anteriores, y a le restamos las ventas del mismo mes del año anterior.

Ejemplo:

Ventas Enero 2017: 3.000 $

Ventas Enero 2016: 2.600 $

Ventas Totales 2016: 12.000 $

T.A.M= (3.000 + 12.000) – 2.600 = 12.400 $

Los sucesivos cálculos que se obtienen a partir de ésta fórmula se pueden plasmar de forma gráfica (Gráfico Z), por lo que los datos quedan de manera más ordenada y separada siendo así un método bastante fiable de previsión de ventas.

previsión de ventas

FUENTE: Artículo de Germán Udiz en Blog SAGE

Este modelo también puede ser utilizado para prever ventas mensuales, utilizando los datos las ventas de cada mes, en lugar de las anuales.

Ventajas e Inconvenientes de las Series Temporales

Entre las principales ventajas, cabe destacar que las Series Temporales permiten un análisis bastante amplio de datos cuantitativos acumulados a lo largo de un determinado periodo de tiempo, además de hacer pronósticos muy útiles que permiten una mejor planificación de las ventas e incorporar mejoras en el plan de marketing.

Sin embargo, cabe señalar que en muchas ocasiones las Series Temporales no suelen ser muy útiles, ya que no siempre se dispone de datos longitudinales y en la mayoría de los casos puede haber variaciones residuales que dificulten nuestro análisis.

Por ello, es recomendable disponer de la mayor información disponible y detectar cualquier variación residual que nos pueda perjudicar en nuestro análisis. Por ello es importante que la fase de recolección de datos sea de la manera más eficiente posible.

Quizá te interese leer: Recolección de datos para investigación. ¡Utiliza la técnica correcta!

¡COLABORA CON NOSOTROS!

En QuestionPro necesitamos tu talento, si quieres colaborar en nuestro blog da click aquí


Bibliografía

AGUIRRE A. (1994) Introducción al tratamiento de series temporales. Aplicación a

las Ciencias de la Salud. Madrid. Ed. Díaz de Santos

ALAMINOS A. (2011) Huellas en el Tiempo. Apuntes de Series Temporales. Ed. Universidad de Alicante. Observatorio Europeo de Tendencias Sociales.

VERDOY P.J. y BELTRÁN M.J. (2015) “Unidad 4: Series Temporales” en Problemas resueltos de estadística aplicada a las ciencias sociales. Ed. Universidad Jaume I


Sobre el autor

Pablo Colomina. Graduado en Sociología, carrera que despertó su interés por el análisis y la interpretación del comportamiento social mediante datos cuantitativos y cualitativos. Máster en Dirección de Empresas, especializado en el marketing online y el e-commerce.

LinkedlIn: Pablo Colomina

Correo. pablo.colomina@hotmail.com

Crea tu primera encuesta online completamente gratis