La planificación empresarial tiene sus cimientos en la capacidad de predecir eventos futuros. Una forma de lograr esta noble tarea es mediante la construcción de modelos causales de pronóstico. Pero, ¿qué son realmente estos modelos? En este artículo exploraremos a fondo el concepto y su aplicación en el mundo de la investigación de operaciones.
En términos simples, los modelos causales de pronóstico desarrollan un modelo de causa y efecto entre la demanda y otras variables, como la población y la cantidad de fertilizante utilizado. Son más poderosos que los métodos de serie de tiempo, ya que consideran variables relacionadas con la variable de interés.
Para ello, se utiliza un modelo estadístico que busca predecir la variable de interés en función de otras variables relacionadas. Uno de los métodos causales más comunes es el análisis de regresión, que utiliza variables numéricas para explicar la variable dependiente e independiente.
Es el trabajo del administrador desarrollar la mejor relación estadística entre la variable dependiente, como las ventas de un producto, y las variables independientes, como el presupuesto de publicidad de la empresa, los precios de los competidores, las estrategias promocionales, o incluso las tasas económicas y de desempleo.
El pronóstico es la estimación anticipada del valor de una variable, y su finalidad es predecir el desarrollo futuro y ayudar en la toma de decisiones de planificación en empresas de áreas como la producción y el suministro. Pero, ¿cómo se construyen estos modelos?
La construcción del modelo de pronóstico causal comienza con la identificación de las variables independientes y dependientes. Las variables independientes son aquellas que afectan la variable dependiente, como en el caso anterior, donde la tasa de desempleo afecta la tasa de ventas.
Una vez identificadas las variables, se realiza el análisis estadístico para determinar la relación entre las variables independientes y la variable dependiente. En el caso del análisis de regresión, se utiliza una ecuación para representar la relación entre las variables.
La ecuación de regresión se construye utilizando los datos históricos y se puede utilizar para predecir el valor futuro de la variable dependiente en función de los valores futuros de las variables independientes. Algunas de las técnicas para validar el modelo son la división de los datos en conjuntos de entrenamiento y prueba, el análisis de las tasas de error y la sensibilidad del modelo a los cambios en las variables independientes.
Ejemplo de análisis de regresión
Para ilustrar cómo se construye un modelo causal mediante análisis de regresión, presentaremos un ejemplo de la compañía Carvajal que desea establecer una relación matemática para predecir ventas utilizando regresión por mínimos cuadrados.
En este ejemplo, enumeraremos los datos de ventas y nómina de los trabajadores asalariados en Colombia durante los años 2004-2005. Luego, encontraremos una ecuación de regresión con los datos enumerados.
Los datos de ventas son (en millones de pesos): 900, 1200, 1300, 1400, 1550, 1650, y los datos de la nómina son (en miles de pesos): 59, 78, 80, 90, 97, 100.
La ecuación de regresión estimada es “Ventas = 1.75 + 0.25nómina”. Es decir, por cada unidad monetaria gastada en nómina, se espera un aumento de 0.25 unidades monetarias en ventas.
Hay varios métodos de proyección, cada uno con sus ventajas y desventajas. Los métodos subjetivos se basan en la opinión de expertos y se utilizan cuando los métodos cuantitativos no pueden explicar por sí solos el comportamiento futuro esperado de alguna variable.
El método Delphi consiste en reunir a un grupo de expertos y someterlos a una serie de cuestionarios, con un proceso de retroalimentación controlada después de cada serie de respuestas, para lograr la convergencia de opiniones.
La investigación de mercado es un método más sistemático y objetivo que el método Delphi, que consiste en recolectar información relevante para ayudar a la toma de decisiones o para probar o refutar hipótesis sobre un mercado específico, utilizando encuestas, experimentos, entre otros.
El consenso de panel es una técnica similar al método Delphi, pero sin secretos sobre la identidad del emisor de las opiniones y sin retroalimentación dirigida. Se estimula la comunicación y los factores sociales influyen en los pronósticos.
Para ejercitar la comprensión de los modelos causales de pronóstico, propondremos algunos ejercicios de repaso:
– Pronosticar temperaturas máximas diarias en Barranquilla utilizando una relación matemática con la variación estacional, el promedio de temperatura, la variación de temperatura con respecto al mes anterior y la media de la temperatura de los últimos 20 años.
– Desarrollar un pronóstico de promedios móviles de tres meses para datos de ventas de autos utilizando el precio promedio, la cantidad de Financiación, el PIB y el índice de precios al consumidor.
– Desarrollar un pronóstico de demanda de promedios móviles de tres años para datos de demanda utilizando la tasa de interés, el ingreso per cápita, la inflación y el precio del producto.
Conclusiones
En conclusión, los modelos causales de pronóstico son herramientas poderosas para la planeación empresarial, ya que permiten predecir eventos futuros en función de relaciones estadísticas entre variables dependientes e independientes.
La construcción del modelo de pronóstico causal comienza identificando las variables independientes y dependientes, y luego utilizando un modelo estadístico para determinar la relación entre ellas.
Existen varios métodos de proyección disponibles, dependiendo de la validez y disponibilidad de los datos históricos, la precisión deseada, el costo del procedimiento, los beneficios del resultado, entre otros.
Finalmente, los modelos causales son esenciales para la investigación de operaciones y ayudan a los administradores y líderes empresariales a tomar decisiones informadas basadas en datos precisos y confiables.
