Guía Pronosticos de Ventas - Sartori

Cátedra: Aplicaciones y Formulación de Proyectos de Inversión Material preparado por el Prof. Juan José P. Sartori – Año 2006 1. EL ESTUDIO DEL MERCADO ETAPAS DEL ESTUDIO DEL MERCADO "Al evaluar un proyecto de inversión deberá tenerse en cuenta la estructura de funcionamiento del mercado, sus condiciones, sus limitaciones y sus proyecciones, a fin de poder entregar oportuna y correctamente los antecedentes que se requieren para la construcción de las proyecciones royecciones de demanda". demanda". Sapag Sapag Chain, (1993) (1993) pág. 42.

EL MERCADO DEL PROYECTO Estudio de los submercados: 1. MERCADO PROVEEDOR 2. MERCADO COMPETIDOR 3. MERCADO DISTRIBUIDOR 4. MERCADO CONSUMIDOR 5. MERCADO EXTERNO EXISTEN PROYECTOS QUE POR SU DEPENDENCIA HACEN QUE SE ESTUDIE PRIMERO UN PROYECTO NO SOLICITADO. Ej.: papel de bagazo de caña de azúcar, caso de Lima (Perú) proyecto royecto de fabricación de pectinas que usaba como como materia prima la cáscara del del limón que resulta como residuo de la fabricación de aceites derivados del limón fresco.

1. El estudio del mercado proveedor. proveedor. Es complejo e implica el estudio de la obtención de: MATERIAS PRIMAS COSTOS DE MATERIAS PRIMAS ==> precio de insumos CONDICIONES CONDICIONES DE COMPRA NECESIDAD DE DE INFRAESTRUCTURA INFRAESTRUCTURA DE ALMACENAMIENTO SUSTITUTOS PERECIBILIDAD OPORTUNIDAD Y DEMORAS EN LA RECEPCIÓN SEGURIDAD EN LA RECEPCIÓN 2. El estudio del mercado competidor Competidores directos en la venta del producto Competidores en la compra de insumos Competidores potenciales 3. El mercado distribuidor Disponibilidad de un sistema que garantice la entrega oportuna de los productos al consumidor. 4. El mercado consumidor Necesidad de de proyectar proyectar consumo de de productos Modelos de pronóstico 5. El mercado externo 1

Cátedra: Aplicaciones y Formulación de Proyectos de Inversión Material preparado por el Prof. Juan José P. Sartori – Año 2006 Recurrir a fuentes externas de abastecimiento de materias primas, obliga a estudios especiales. Por ej., la demora en la recepción de la materia prima puede no compensar ahorros de costo obtenidos importándola. La calidad puede compensar menores precios internos. Salidas de la convertibilidad pueden hacer menos conveniente la importación de productos o insumos, etc. ETAPAS DEL ESTUDIO DEL MERCADO En función de la cronología de la información que se analiza, tres etapas: 1. ANÁLISIS HISTÓRICO DEL MERCADO 2. ANÁLISIS DE LA SITUACIÓN VIGENTE 3. ANÁLISIS DE LA SITUACIÓN PROYECTADA ===> MÁS IMPORTANTE VARIABLES IMPORTANTES A CONSIDERAR EN CADA ETAPA: . ESTRUCTURA DEL MERCADO . LA EXPERIENCIA DE EMPRESAS DEL MERCADO . CONDICIONANTES LEGALES . PARTICIPACIÓN DE EMPRESAS EN EL MERCADO (PASADO Y ACTUAL) . CARACTERÍSTICAS Y EVOLUCIÓN DE OFERTA DE PRODUCTOS SIMILARES Y SUSTITUTOS . COMPOSICIÓN Y EVOLUCIÓN DE LA DEMANDA

EL CONSUMIDOR Sus características influyen en la ESTRATEGIA COMERCIAL, como así también influye secundariamente el competidor. Distinguir entre: CONSUMIDOR INSTITUCIONAL decisiones más racionales, basadas en características técnicas del producto, calidad, CONSUMIDOR INDIVIDUAL toma decisiones de compra basado en consideraciones emocionales, como por ej., moda, la exclusividad del producto o el prestigio de la marca. Segmentación de mercados: es la agrupación de consumidores de acuerdo con algún comportamiento similar en el acto de compra. Segmentación del mercado institucional ===> responde a rubro de actividad, región geográfica, tamaño y volumen, etc. Segmentación del mercado de los consumidores individuales según: variables geográficas; variables demográficas (edad, sexo, tamaño del grupo familiar, nivel ocupacional), clasificación por nivel de ingresos, patrones de gasto, clasificación por variables psicosociológicas, grado de autonomía en decisión de compra, conservadurismo, clase social.

2

Cátedra: Aplicaciones y Formulación de Proyectos de Inversión Material preparado por el Prof. Juan José P. Sartori – Año 2006 2. PROYECCIÓN D E L A D EM AND A E I NGRESOS DEL PROYECTO

MÉTODOS DE PROYECCION DE VENTAS !

!

!

MÉTODOS CUALITATIVOS. Utilizando el juicio, la intuición o técnicas comparativas. Se trata de métodos no científicos. A la hora de predecir los resultados de un nuevo producto, los cambios en la política gubernamental o el impacto de una nueva tecnología, puede que éstos sean los únicos métodos de previsión disponibles. Sin embargo, existen métodos avanzados que permiten obtener resultados adecuados con un cierto grado de confianza predeterminado. Dentro de estos métodos se encuentran las encuestas de preferencias de los consumidores, que permiten estimar por ejemplo, el porcentaje de consumidores que comprará un nuevo producto una vez que se lance al mercado. La herramienta utilizada para la recolección de los datos es la encuesta a los consumidores y los pronósticos se realizan con métodos causales de estimación. Ejemplos de métodos cualitativos: Método Delphi: un panel de expertos responden a una serie de cuetionarios en los que las respuestas a un cuestionario se emplean para producir el siguiente cuestionario. Cualquier información disponible para unos expertos y no para otros se difunde entre ellos de forma que todos los expertos dispongan de la misma información. Panel de consenso: panel de expertos que comparten información y realizan predicciones ante diferentes escenarios futuros, hasta que se llega a una decisión unánime. Previsión visionaria. Análisis subjetivo que desemboca en pronósticos para diferentes escenarios del futuro. Analogía histórica: Análisis comparativo de la introducción y desarrollo de nuevos productos similares. Supone que productos parecidos se comportan de manera similar. PROYECCIÓN HISTÓRICA: Para realizar pronósticos basados en información histórica de niveles de venta por ejemplo, será necesario contar con: una cantidad razonable de datos (100 por lo menos), tendencias y variaciones estacionales estables, hábitos futuros que se mantendrán siguiendo el patrón histórico. Para la estimación de ventas futuras en este caso se utilizan métodos estadístico-matemáticos de estimación, regresiones temporales. En general, estos métodos arrojan buenas previsiones para periodos de 6 meses a un año, debido a que en condiciones económicas estables existe cierta estabilidad de la demanda a corto plazo. Ejemplos de la aplicación de estos métodos son: los promedios móviles, técnicas de suavizado exponencial y proyecciones de tendencia entre otras. MÉTODOS CAUSALES. La premisa básica aquí es que el nivel de la variable a estimar (variable dependiente) se deriva del nivel de otros factores relacionados con ella (variables independientes). Ej: Relación de Ventas con el nivel de servicio al cliente. Se obtienen previsiones de gran precisión a medio y largo plazo. Se utilizan modelos econométricos de estimación y modelos de simulación. Pero muchas veces no resulta fácil encontrar variables causales o de alta asociación con las variables a explicar. Ejemplos: Modelos de regresión múltiple, modelos econométricos, estudios de intención de compra, modelos matemáticos de input-output, modelos econométricos de inputoutput, análisis de ciclo de vida, simulación dinámica.

3

Cátedra: Aplicaciones y Formulación de Proyectos de Inversión Material preparado por el Prof. Juan José P. Sartori – Año 2006

4


A) MÉTODOS CAUSALES DE PRONÓSTICOS DE VENTAS: ANÁLISIS DE REGRESIÓN El análisis de regresión es utilizado para pronosticar ventas en función de una serie de variables determinantes de la demanda de un producto o servicio. La expresión matemática de una función de ventas puede estar dada por:

Y t = α + β ⋅ X 1 +

X 2

⋅

+

δ ⋅ X 3

donde Y: ventas por unidad de tiempo X1: precio del producto X2: ingreso de los consumidores X3: precio de un bien sustituto

De este modo, las ventas del producto o servicio, (en este caso la variable dependiente o explicada: Y), serán una combinación de las demás variables X’s, denominadas variables independientes o explicativas.

La ecuación anterior corresponde a un ajuste lineal, en el que los coeficientes β

, y δ

muestran el cambio que experimentarán las ventas ante cambios unitarios en las variables X1, X2 y X3.

La ecuación estadística (o función de regresión muestral) queda como:

Y t = α + β ⋅ X 1 + γ ⋅ X 2

+

δ ⋅ X 3 + ε t

En este caso, ε t hace referencia a los errores muestrales de predicción del modelo.

5

Cátedra: Aplicaciones y Formulación de Proyectos de Inversión Material preparado por el Prof. Juan José P. Sartori – Año 2006 Esta función se estima a través del procedimiento de Mínimos Cuadrados Ordinarios, que es un método estadístico que proporciona el valor de los coeficientes β , γ y δ y nos permite pronosticar las ventas futuras en función de los valores que asuman X 1, X2 y X3 en el futuro.

Como aplicación podemos citar un ejemplo. Si la función de ventas estimada de un producto es:

Y t = 2,5 − 1,2 ⋅ X 1 + 0,6 ⋅ X 2

+

1,8 ⋅ X 3

Siendo: Y: ventas por unidad de tiempo (en miles de unidades) X1: precio del producto (promedio mensual) X2: ingreso de los consumidores (promedio familiar para los consumidores habituales) X3: precio de un bien sustituto (competencia)

Si se espera que las variables explicativas asuman en el primer mes del año que viene los siguientes valores: X1: $ 12 X2: $ 1.200 X3: $ 14

Entonces, las ventas pronosticadas para el primer mes del año que viene serán:

Y t = 2,5 − 1,2 ⋅ 12 + 0,6 ⋅ 1.200 + 1,8 ⋅ 14 = 733,33 ⋅ miles ⋅ de ⋅ unidades

6

Cátedra: Aplicaciones y Formulación de Proyectos de Inversión Material preparado por el Prof. Juan José P. Sartori – Año 2006 Ejercicios: 1.U tilizando el módulo de regresión del programa Cash Flow Analysis o con la planilla de cálculo Excel, estime la función de ventas y realice los pronósticos que se piden a continuación. Dada la siguiente tabla que muestra la cantidad demandada de un artículo, Y, su precio de mercado, X1 y el ingreso promedio de los consumidores, X2, desde 1981 hasta 1995 y X3, los costos de un insumo de la producción de ese bien y X4 es la variable tiempo (que resume la incidencia del paso del tiempo en la demanda del producto) o tendencia temporal.

Año

Y

X1

X2

X3

X4

1981 1982 1983 1984 1985 1986 1987 1988 1989 1990 1991 1992 1993 1994 1995

40 45 50 55 60 70 65 65 75 75 80 100 90 95 85

9 8 9 8 7 6 6 8 5 5 5 3 4 3 4

400 300 450 600 550 500 480 470 490 500 580 620 710 720 750

1.5 2.3 1.8 1.9 2.3 2.1 1.7 1.7 2.4 2.5 2.4 2.7 2.8 1.9 2.4

1 2 3 4 5 6 7 8 9 10 11 12 13 14 15

a) Estime el modelo planteado, colocando los resultados en la siguiente tabla: Variable

Coef. Beta

t (student)

Prob. 2 colas

R2 = R2 ajust = F= DW =

b) Pronostique las ventas de los años 1996, 1997 y 1998 en función de los siguientes valores: En 1996 se espera que el precio de mercado del producto sea de $ 6 y el ingreso promedio de los consumidores de $ 1.200. En 1997 se espera que el precio de mercado del producto sea de $ 7 y el ingreso promedio de los consumidores de $ 1.300. En 1996 se espera que el precio de mercado del producto sea de $ 5 y el ingreso promedio de los consumidores de $ 1.100. Ventas 1996: …………… Ventas 1997: …………… Ventas 1998: ……………

7

Cátedra: Aplicaciones y Formulación de Proyectos de Inversión Material preparado por el Prof. Juan José P. Sartori – Año 2006 2.S egún una estimación de demanda realizada por una consultora de nuestro medio en base a las estadísticas de ventas de naranjas para el área de influencia de nuestra empresa productora de estos cítricos, la función de demanda de naranjas del mercado (ventas) sigue la siguiente fórmula: Dn. = 10,5 + 22,8 T + 9,5 PBI – 1,46 Pn (2,10) (3,15) (2,85) (-1,82)

t-student R 2= 0,72 2 R a justado = 0,71 DW = 2,04

donde: Dn: es el total de toneladas de naranjas vendidas por año T: es el periodo de tiempo considerado. PBI: es el índice de PBI para la ciudad de Córdoba (Base 1990=100). Pn: es el precio promedio anual de las naranjas. La estimación se ha realizado con datos de 24 años (periodo 1977-2000). Según datos pronosticados para el año 2001, el índice del PBI para la Ciudad de Córdoba ascenderá a 154 y se espera que crezca a una tasa anual promedio del 1,5% en los próximos 10 años. El precio de mercado mayorista de las naranjas es de $340/Tn, no existiendo más información con relación a posibles cambios en el precio en los próximos años.

Se pide: a) Pronostique la demanda de su empresa para el periodo de 5 años que dura el proyecto que se está evaluando de ampliación del área sembrada. Aplicación N° 2: Estimación y pronóstico de demanda (ventas) con estacionalidad. Modelo de regresión con variables ficticias. Un modelo de regresión lineal general puede expresarse de la siguiente forma:

ˆ1 X 1 + β ˆ2 X 2 + β ˆ3 X 3 Y t = α + β

+

... + ε

t

donde: Yt: es la variable dependiente que en el caso de un pronóstico de ventas serían las ventas realizadas por unidad de tiempo (un mes, un trimestre o un año, por ejemplo). Las Xs son variables independientes que explican la variabilidad de la variable dependiente. En el caso de una estimación de demanda (para pronosticar ventas), podrían ser, por ejemplo: X1: precio del producto vendido X2: precio de un bien sustituto o complementario X3: ingreso de los consumidores del bien Y. Incluso una variable explicativa o independiente podría ser una simple tendencia temporal formada por una sucesión de números enteros indicativos del periodo de cada medición. εtc orresponde a un término de error que explica la variabilidad de Y como resultado de todos los demás factores no considerados en la regresión estimada.

8

Cátedra: Aplicaciones y Formulación de Proyectos de Inversión Material preparado por el Prof. Juan José P. Sartori – Año 2006 En el caso que nos ocupa, el modelo de regresión que se utiliza para pronosticar las ventas con estacionalidad considerará además de las variables explicativas (independientes) un conjunto de variables ficticias que incorporarán al pronóstico de ventas una cantidad por exceso o por defecto de un promedio estimado para cada periodo de pronóstico. ¿Cómo se incluyen estas variables? Introduciendo tantas variables explicativas ficticias (también denominadas dummy) como el número de periodos en que se divide el año menos 1. La inclusión de una variable ficticia menos que el número de periodos en que se divide el año se realiza para evitar lo que se llama la “trampa de las variables ficticias”, ya que si se incorporaran tantas variables ficticias como periodos en los que se divide el año, el modelo de regresión no puede estimarse por un problema de multicolinealidad perfecta, y por lo tanto no tendríamos una estimación para realizar los pronósticos. Ejemplo: La empresa BETA SA, famosa por sus productos de la línea XV y XY, se encuentra abocada al proyecto de lanzamiento de su nuevo producto XV-19. Cada uno de sus productos le ha permitido un desarrollo creciente en la consecución de nuevos mercados desde 1968. El prestigio ganado le impide lanzarse en una aventura con el XV-19 que la haga perder la imagen ganada en estos 14 años, por lo cual le ha otorgado prioridad al estudio de mercado y a las proyecciones que de él resulten, antes de decidir su lanzamiento. Además, en el contexto económico actual resulta imprescindible realizar una buena estimación de las ventas futuras esperadas para organizar toda la cadena logística de la compañía y así conseguir minimizar costos. El XV-19 reemplazaría totalmente al antiguo XV-7, por lo cual se estima que el análisis de este último permitiría perfectamente pronosticar la demanda del primero. Los ejecutivos de BETA SA encargan a una consultora la proyección de la demanda. La empresa BETA SA provee la siguiente información histórica de las ventas del producto para los últimos once años, por trimestres y totales anuales. Año 1990 1991 1992 1993 1994 1995 1996 1997 1998 1999

T1 1980 1343 2797 3049 2516 3344 4398 4686 5502 5240

T2 1744 3286 3576 3387 4364 3660 4454 3247 4836 5140

T3 2562 2978 3870 3285 3775 4043 4702 4385 5309 5513

T4 2468 2650 4160 3390 3873 4844 4528 4755 4871 5327

Total 8754 10257 14403 13111 14528 15891 18082 17073 20518 21220

Resolución: En este caso, el modelo de regresión puede expresarse en notación simbólica como:

ˆ1T + β ˆ2 D2 + β ˆ3 D3 + β ˆ4 D4 Y t = α + β

+

ε t

Donde: Yt: son las cantidades vendidas del producto XV-19. T: es una tendencia temporal

9

Cátedra: Aplicaciones y Formulación de Proyectos de Inversión Material preparado por el Prof. Juan José P. Sartori – Año 2006 D2: es una variable ficticia que asume el valor 1 si el dato de ventas corresponde al segundo trimestre del año. D3: es una variable ficticia que asume el valor 1 si el dato de ventas corresponde al tercer trimestre del año. D4: es una variable ficticia que asume el valor 1 si el dato de ventas corresponde al cuarto trimestre del año. De esta manera, si los coeficientes estimados (betas) de las variables ficticias independientes son significativos, adicionarán una cantidad igual a su valor a la ordenada al origen de la regresión estimada (sumarán esa cantidad si el coeficiente es positivo o la restarán si resulta negativo). Así, los pronósticos de ventas para el segundo trimestre de cada año se calcularían considerando la siguiente ecuación:

ˆt = α + β ˆ1T + β ˆ2 D2 Y para el tercer trimestre serán:

ˆt = α + β ˆ1T + β ˆ3 D3 Y y para el cuarto trimestre serán:

ˆt = α + β ˆ1T + β ˆ4 D4 Y Para ejemplificar mejor la metodología de estimación y los resultados, debemos cargar los datos en la planilla de cálculo del módulo de pronóstico de ventas por regresión lineal del programa Cash Flow Analysis, la planilla quedará como sigue:

10

Cátedra: Aplicaciones y Formulación de Proyectos de Inversión Material preparado por el Prof. Juan José P. Sartori – Año 2006 ! " # $ % Constante = 0 ! " # $ % Curva de regresión ajustada & Residuos % $ # " ! % Residuos Estándares $ # " ! & Gráfico de residuales % $ # " !

Volver

Estimación y proyección de la demanda Planilla para carga de datos

Calcular

Variables Dependiente Y

s e r o l a V

1980,00 1744,00 2562,00 2468,00 1343,00 3286,00 2978,00 2650,00 2797,00 3576,00 3870,00 4160,00 3049,00 3387,00 3285,00 3390,00 2516,00 4364,00 3775,00 3873,00 3344,00 3660,00 4043,00 4844,00 4398,00 4454,00 4702,00 4528,00 4686,00 3247,00 4385,00 4755,00 5502,00 4836,00 5309,00 4871,00 5240,00 5140,00 5513,00 5327,00

Independientes X1 X2 1,00 2,00 3,00 4,00 5,00 6,00 7,00 8,00 9,00 10,00 11,00 12,00 13,00 14,00 15,00 16,00 17,00 18,00 19,00 20,00 21,00 22,00 23,00 24,00 25,00 26,00 27,00 28,00 29,00 30,00 31,00 32,00 33,00 34,00 35,00 36,00 37,00 38,00 39,00 40,00

0,00 1,00 0,00 0,00 0,00 1,00 0,00 0,00 0,00 1,00 0,00 0,00 0,00 1,00 0,00 0,00 0,00 1,00 0,00 0,00 0,00 1,00 0,00 0,00 0,00 1,00 0,00 0,00 0,00 1,00 0,00 0,00 0,00 1,00 0,00 0,00 0,00 1,00 0,00 0,00

X3

X4

0,00 0,00 1,00 0,00 0,00 0,00 1,00 0,00 0,00 0,00 1,00 0,00 0,00 0,00 1,00 0,00 0,00 0,00 1,00 0,00 0,00 0,00 1,00 0,00 0,00 0,00 1,00 0,00 0,00 0,00 1,00 0,00 0,00 0,00 1,00 0,00 0,00 0,00 1,00 0,00

0,00 0,00 0,00 1,00 0,00 0,00 0,00 1,00 0,00 0,00 0,00 1,00 0,00 0,00 0,00 1,00 0,00 0,00 0,00 1,00 0,00 0,00 0,00 1,00 0,00 0,00 0,00 1,00 0,00 0,00 0,00 1,00 0,00 0,00 0,00 1,00 0,00 0,00 0,00 1,00

X5

X6

X7

X8

X9

X10

Luego, presionando el botón calcular, obtenemos el resultado de la estimación que aparecerá en una planilla de cálculo nueva generada automáticamente y que muestra el siguiente grupo de tablas de resultados: Resumen Estadísticas de la regresión

Coeficiente de correlación múltiple Coeficiente de determinación R^2 R^2 ajustado Error típico Observaciones

0,897884524 0,806196618 0,78404766 503,4417737 40

AN LISIS DE VARIANZA Grados de libertad

Regresión Residuos Total

Suma de cuadrados

4 35 39 Coeficientes

Intercepción X1 X2 X3 X4

1947,889015 80,92689394 202,9731061 394,8462121 358,3193182

36901682,09 8870876,681 45772558,78 Error típico

206,5775717 6,928389383 225,2525837 225,5720156 226,1033991

Promedio de los cuadrados

F

Valor crítico de F

9225420,523 36,39885097 5,10556E-12 253453,6195 Estadístico t

9,429334459 11,68047716 0,901091134 1,750421971 1,584758653

Probabilidad

3,85528E-11 1,25297E-13 0,373698877 0,088808071 0,122016295

Inferior 95% Superior 95%

1528,513737 66,86149854 -254,314509 -63,0898846 -100,695546

2367,264294 94,99228934 660,2607208 852,7823088 817,3341822

Con estos resultados podemos proceder a enunciar nuestro modelo estimado como: 11

Cátedra: Aplicaciones y Formulación de Proyectos de Inversión Material preparado por el Prof. Juan José P. Sartori – Año 2006 Yt = 1947,88 + 80,92 * T + 202,97 * D 2+ 394,84 * D 3 + 358,31 * D 4 (9,42) (11,68) (0,90) (1,75) (1,58)

R2 = 0,806 Los valores entre paréntesis debajo de los coeficientes estimados corresponden a los estadísticos t de student. Como sabemos, un valor del estadístico t mayor a 2 en valor absoluto indica que el coeficiente es significativo con un 5% de nivel de significación o un nivel de confianza del 95%. Con estos niveles de confianza los parámetros estimados para las variables ficticias resultan todos “no significativos”. Si utilizáramos un nivel de confianza del 10%, entonces las variables significativas serían la tendencia temporal y la variable ficticia indicativa del tercer trimestre (D3) junto con la ordenada al origen. A los fines de realizar el pronóstico de las ventas para los cuatro trimestres del año 2000, utilizaremos este nivel de confianza del 90%. Así tendremos que los pronósticos a realizar se basarán en la siguiente ecuación estimada: Yt = 1947,88 + 80,92 * T + 394,84 * D (9,42) (11,68) (1,75)

3

y los pronósticos de ventas de los cuatro trimestres del año 2000 serían: YT1,2000 = 1947,88 + 80,92 * 41 + 394,84 * 0 = 5265,60 YT2,2000 = 1947,88 + 80,92 * 42 + 394,84 * 0 = 5346,52 YT3,2000 = 1947,88 + 80,92 * 43 + 394,84 * 1 = 5822,28 YT4,2000 = 1947,88 + 80,92 * 44 + 394,84 * 0 = 5508,36

12

Cátedra: Aplicaciones y Formulación de Proyectos de Inversión Material preparado por el Prof. Juan José P. Sartori – Año 2006 2.1. MODELOS DE DEMANDA. MODELOS DE SERIES TEMPORALES MÉTODOS AGREGADOS DE PRONÓSTICO Son simples extrapolaciones de datos pasados Existe un nivel de saturación de la demanda, por ej., el máximo número de consumidores en un area geográfica determinada. Ej.: Determinación del número de clientes de una cooperativa de servicios públicos El área de servicios de una cooperativa de este tipo puede estar determinada por los municipios que comprende. La demanda de clientes (por ej., de servicios de agua, luz, TV por cable, etc.) puede estar acotado a un máximo número que puede venir dado por el número de lotes existentes en el área de influencia. Los datos sobre número de lotes en el area considerada se disponen fácilmente en los Municipios (areas de catastro). El modelo de crecimiento logístico, supone que el crecimiento de la demanda sigue un comportamiento logístico, como se muestra en el gráfico que sigue:

donde: S: es el nivel de saturación de la demanda, es decir, la demanda máxima alcanzable. Eje X: tiempo Eje Y: demanda o consumo por periodo de tiempo (C t)

13

Cátedra: Aplicaciones y Formulación de Proyectos de Inversión Material preparado por el Prof. Juan José P. Sartori – Año 2006 Fórmula de cálculo: C t =

S

1 + {( S − C 0 ) / C 0 ) exp( − g 0 ⋅ S ⋅ t /( S − C 0 )}

g 0 es la tasa de crecimiento de un año tomado como base t e s un número correspondiente al periodo de tiempo C 0e s el nivel de consumo inicial, en el año base.

Ejercicio: Una cooperativa de servicios públicos debe pronosticar las futuras conexiones de electricidad y agua para el periodo 2005 – 2010. Cuenta con los siguientes datos: Año

2000

2001

2002

2003

2004

Número de viviendas con conexión

2.400

2.456

2.578

2.790

2.940

Además, se sabe que el número total de parcelas de la comunidad es de 3500. Ud. deberá pronosticar la demanda de agua potable y de electricidad consumida por el área servida por esta cooperativa, sabiendo que en promedio, cada familia consume 15m 3 de agua potable y 400 Kw de electricidad bimestral. Se pide: a. Determinar el consumo de agua y electricidad para el periodo 2002 – 2006, realizando un ajuste logístico y comparándolo con un pronóstico según la tasa de crecimiento (pronóstico de crecimiento exponencial). b. Decida y aconseje el uso de uno de los dos pronósticos.

14

Cátedra: Aplicaciones y Formulación de Proyectos de Inversión Material preparado por el Prof. Juan José P. Sartori – Año 2006 Ejercicios adicionales de aplicación: 1. En el estudio de un proyecto se identifican tres posibles lugares donde podría demandarse el producto que se elaboraría: Localidad Demanda Potencial

A 126.000

B 242.000

C 182.000

D 236.000

Los recursos disponibles del inversionista están limitados a $2.500.000. De acuerdo con información disponible de la industria, una planta con capacidad para producir 200.000 unidades cuesta $2.000.000 y el coeficiente de escala es de 0,3. Se pide: a. Plantee el modelo adecuado para averiguar la capacidad de planta que será posible instalar de acuerdo a la restricción de capital existente. ¿Qué significa el coeficiente de escala? (5 puntos) b. Analice las opciones de planta para abastecer a uno o más mercados. (5 puntos) 2. En un estudio de prefactibilidad se busca determinar la demanda mínima que el estudio de mercado debe demostrar para que el proyecto continúe evaluándose. Se dispone de los siguientes antecedentes: • La competencia cobra un precio único de $800 • Existe un tamaño de planta mínimo que claramente supera la capacidad de demanda del mercado La inversión total esperada es de $35.000.000, que será financiada en un 65% por préstamos • al 10% y el resto con aportes que requieren un retorno mínimo del 14%. • El costo variable unitario es de $250 y el fijo de $6.000.000 anuales. El capital de trabajo equivale a un 40% de las ventas anuales y será financiado en su totalidad con capital propio. La tasa de impuesto a los beneficios es de un 25%, la tasa de impuesto a los ingresos brutos • es de 3,5% y la depreciación de los equipos (correspondientes al 60% del total de la inversión) se hace linealmente en 10 años. El resto de la inversión no se deprecia ni pierde valor durante el periodo. • Los equipos tendrán un valor comercial de $2.000.000 al término del periodo de evaluación. • 3. El departamento de planificación de una empresa cordobesa que produce y vende galletitas con bajo contenido en calorías ha determinado la función de demanda de este producto, obteniendo: Ln(Dg) = 0,22 – 0,45 ln(Pg) + 1,20 ln( Pp) + 0,54 ln(Y) + 1,35 D1 (2,52) (-3,65) (20,20) (1,45) (3,54) R 2 = 0,89 donde: Dg: cantidad mensual de paquetes de galletitas vendidas en diez miles de paquetes de 250 gr. Pg: precio promedio mensual del paquete de galletitas, deflactado. Pp: precio promedio mensual deflactado del kg. de pan francés. Y: ingreso promedio mensual de los hogares del área de influencia. D1: variable que asume el valor 1 si el mes corresponde a primavera-verano y 0 si es otoñoinvierno.

15

Cátedra: Aplicaciones y Formulación de Proyectos de Inversión Material preparado por el Prof. Juan José P. Sartori – Año 2006 Se pide: a. Interprete estadísticamente la validez de los coeficientes estimados y el R 2e stimado. b. Especifique los valores que asumen la elasticidad precio e ingreso de la demanda e interprete su significado económico. c. Si Ud. debe realizar la evaluación de un proyecto de ampliación de capacidad instalada de la planta y necesita estimar cuál será la demanda máxima del próximo año y además, cuenta con proyecciones de las variables independientes de esta estimación, que son: Pg = $1,50 el paquete Pp = $0,80 el Kg. Y = $1.200 mensual (extraído del PBI por hogar del área de influencia) Además, sabe que el máximo del año próximo se encuentra en el mes de octubre. ¿Cuál será la estimación de la demanda máxima mensual para el año próximo? 4. El conjunto de datos que se presentan a continuación corresponden a una empresa de transporte urbano de una gran ciudad del interior de Argentina. Ud. debe realizar un pronóstico de ventas para los próximos seis meses, considerando un pronóstico que incluya tendencia y estacionalidad (mensual) cuando corresponda. Usted está a cargo de esta estimación y pronóstico de la demanda, debido a que luego será utilizada para evaluar el proyecto de venta de la empresa en marcha. Los datos se exponen a continuación: Periodo Pasajeros 437.248 Ene-99 489.018 Feb-99 644.958 Mar-99 616.926 Abr-99 641.122 May-99 620.205 Jun-99 599.540 Jul-99 619.929 Ago-99 646.736 Sep-99 614.329 Oct-99 631.894 Nov-99 565.472 Dic-99

16

Periodo Pasajeros 452.804 Ene-00 517.339 Feb-00 641.693 Mar-00 616.926 Abr-00 641.122 May-00 620.205 Jun-00 599.540 Jul-00 663.125 Ago-00 653.383 Sep-00 655.896 Oct-00 607.671 Nov-00 607.099 Dic-00





NOTAS .......................................................................................................................................................... .......................................................................................................................................................... .......................................................................................................................................................... .......................................................................................................................................................... .......................................................................................................................................................... .......................................................................................................................................................... .......................................................................................................................................................... .......................................................................................................................................................... .......................................................................................................................................................... .......................................................................................................................................................... .......................................................................................................................................................... .......................................................................................................................................................... .......................................................................................................................................................... .......................................................................................................................................................... .......................................................................................................................................................... .......................................................................................................................................................... .......................................................................................................................................................... .......................................................................................................................................................... .......................................................................................................................................................... .......................................................................................................................................................... .......................................................................................................................................................... .......................................................................................................................................................... ..........................................................................................................................................................

17

Guía Pronosticos de Ventas - Sartori

Recommend Documents