Las predicciones sólidas de demandas y tendencias ya no son artículos de lujo, sino una necesidad, para que los gerentes puedan hacer frente a la estacionalidad, cambios repentinos en los niveles de demanda, maniobras de reducción de precios de la competencia, huelgas y grandes oscilaciones de la economía. Los pronósticos pueden ayudarles a lidiar con estos problemas; pero puede ayudarles más, cuanto más saben acerca de los principios generales de la previsión, lo que puede y no puede hacer por ellos actualmente, y qué técnicas se adaptan a sus necesidades del momento. Aquí los autores tratan de explicar el potencial de la previsión a los gerentes, centrando especial atención en la previsión de ventas de productos de Corning Glass Works, ya que estos han madurado a lo largo del ciclo de vida del producto. También se incluye un resumen de las técnicas de predicción.
Para hacer frente a la creciente variedad y complejidad de los problemas de previsión administrativa, en los últimos años se han desarrollado muchas técnicas de predicción. Cada uno tiene su uso especial, y se debe tener cuidado para seleccionar la técnica correcta para una aplicación en particular. Tanto el gerente como el pronosticador tienen un papel que desempeñar en la selección de técnicas; y cuanto mejor entiendan el rango de posibilidades de predicción, más probable es que los esfuerzos de previsión de una empresa den sus frutos.
La selección de un método depende de muchos factores: el contexto de la previsión, la pertinencia y disponibilidad de los datos históricos, el grado de exactitud deseable, el período de tiempo a pronosticar, el costo/beneficio (o valor) de la previsión a la empresa, y el tiempo disponible para realizar el análisis.
Estos factores deben pesarse constantemente, y en una variedad de niveles. En general, por ejemplo, el pronosticador debe elegir una técnica que haga el mejor uso de los datos disponibles. Si el pronosticador puede aplicar fácilmente una técnica de precisión aceptable, no debe tratar de «chapar oro» utilizando una técnica más avanzada que ofrezca potencialmente mayor precisión pero que requiera información inexistente o información costosa de obtener. Este tipo de compensación es relativamente fácil de hacer, pero otros, como veremos, requieren mucho más pensamiento.
Además, cuando una empresa desee hacer pronósticos con referencia a un producto en particular, debe considerar la etapa del ciclo de vida del producto para el que se está haciendo el pronóstico. La disponibilidad de datos y la posibilidad de establecer relaciones entre los factores dependen directamente de la madurez de un producto, por lo que la etapa del ciclo de vida es un determinante principal del método de pronóstico que se va a utilizar.
Nuestro propósito aquí es presentar una visión general de este campo discutiendo la forma en que una empresa debe abordar un problema de previsión, describiendo los métodos disponibles y explicando cómo hacer coincidir el método con el problema. Ilustraremos el uso de las diversas técnicas de nuestra experiencia con ellas en Corning, y luego cerraremos con nuestro propio pronóstico para el futuro de la predicción.
Aunque creemos que el pronóstico sigue siendo un arte, pensamos que algunos de los principios que hemos aprendido a través de la experiencia pueden ser útiles para otros.
Gerente, Pronosticador y Elección de Métodos
Un gerente generalmente asume que al pedir a un pronosticador que prepare una proyección específica, la solicitud en sí misma proporciona información suficiente para que el pronosticador vaya a trabajar y hacer el trabajo. Esto casi nunca es cierto.
El pronóstico exitoso comienza con una colaboración entre el gerente y el pronosticador, en la que trabajan las respuestas a las siguientes preguntas.
1. ¿Cuál es el propósito del pronóstico? ¿Cómo se va a usar? Esto determina la precisión y la potencia requeridas de las técnicas, y por lo tanto rige la selección. La decisión de entrar en una empresa puede requerir únicamente una estimación bastante bruta del tamaño del mercado, mientras que una previsión hecha a efectos presupuestarios debería ser bastante precisa. Las técnicas apropiadas difieren en consecuencia.
Una vez más, si la previsión es establecer un «estándar» con el que evaluar el rendimiento, el método de previsión no debe tener en cuenta acciones especiales, como promociones y otros dispositivos de marketing, ya que tienen por objeto cambiar patrones y relaciones históricas y, por lo tanto, formar parte del «rendimiento» que se evaluará.
Los pronósticos que simplemente esbozan cómo será el futuro si una empresa no hace cambios significativos en tácticas y estrategias generalmente no son lo suficientemente buenos para fines de planificación. Por otro lado, si la dirección quiere una previsión del efecto que una determinada estrategia de marketing bajo debate tendrá sobre el crecimiento de las ventas, entonces la técnica debe ser lo suficientemente sofisticada como para tener en cuenta explícitamente las acciones y eventos especiales que conlleva la estrategia.
Las técnicas varían en sus costos, así como en su alcance y precisión. El gerente debe fijar el nivel de inexactitud que puede tolerar, es decir, decidir cómo variará su decisión, dependiendo del rango de precisión del pronóstico. Esto permite que el pronosticador compague el costo con el valor de precisión al elegir una técnica.
Por ejemplo, en el control de la producción y el inventario, es probable que una mayor precisión dé lugar a menores existencias de seguridad. Aquí el gerente y el pronosticador deben sopesar el costo de una técnica más sofisticada y más costosa frente a posibles ahorros en costos de inventario.
La prueba I muestra cómo aumentan el costo y la precisión con la sofisticación y lo grafican en comparación con el costo correspondiente de los errores de previsión, dadas algunas suposiciones generales. La técnica más sofisticada que puede justificarse económicamente es aquella que cae en la región donde la suma de los dos costos es mínima.

Prueba I Costo de previsión versus costo de inexactitud para una previsión de rango medio, dada disponibilidad de datos
Una vez que el gerente ha definido el propósito de la previsión, el pronosticador puede asesorar al gerente sobre la frecuencia con la que podría producirse de manera útil. Desde un punto de vista estratégico, deben discutir si la decisión que debe tomarse sobre la base de la previsión puede cambiarse más adelante, si consideran que la previsión fue inexacta. Si lata , deberían discutir la utilidad de instalar un sistema para realizar un seguimiento de la exactitud de la previsión y el tipo de sistema de seguimiento apropiado.
2. ¿Cuáles son las dinámicas y los componentes del sistema para los que se hará la previsión? Esto aclara las relaciones de las variables que interactúan. Generalmente, el gerente y el pronosticador deben revisar un diagrama de flujo que muestre las posiciones relativas de los diferentes elementos del sistema de distribución, sistema de ventas, sistema de producción, o lo que se está estudiando.
La prueba II muestra estos elementos para el sistema a través del cual el componente principal de CGW para los conjuntos de TV en color (la bombilla) fluye al consumidor. Tenga en cuenta los puntos en los que se requieren o mantienen inventarios en este sistema de fabricación y distribución; estos son los elementos de tubería, que tienen efectos importantes en todo el sistema de flujo y, por lo tanto, revisten un interés crítico para el pronosticador.

Exhibit II Diagrama de flujo del sistema de distribución de TV
Todos los elementos en gris oscuro afectan directamente el procedimiento de pronóstico hasta cierto punto, y la clave de color sugiere la naturaleza de los datos de CGW en cada punto, de nuevo un determinante principal de la selección de técnicas ya que diferentes técnicas requieren diferentes tipos de entradas. Cuando los datos no están disponibles o son costosos de obtener, el rango de opciones de previsión es limitado.
El diagrama de flujo también debe mostrar qué partes del sistema están bajo el control de la empresa que realiza la previsión. En la prueba II, se trata simplemente del volumen de paneles de vidrio y embudos suministrados por Corning a los fabricantes de tubos.
En la parte del sistema en la que la empresa tiene un control total, la dirección tiende a sintonizarse con las diversas relaciones causa-efecto y, por lo tanto, puede utilizar con frecuencia técnicas de previsión que tienen explícitamente en cuenta los factores causales.
El diagrama de flujo tiene un valor especial para el pronosticador donde se requieren métodos de predicción causal porque le permite conjeturar acerca de las posibles variaciones en los niveles de ventas causadas por inventarios y similares, y determinar qué factores deben ser considerados por la técnica para proporcionar el ejecutivo con un pronóstico de precisión aceptable.
Una vez que se han aclarado estos factores y sus relaciones, el pronosticador puede construir un modelo causal del sistema que capte tanto los hechos como la lógica de la situación, que es, después de todo, la base de un pronóstico sofisticado.
3. ¿Qué tan importante es el pasado para estimar el futuro? Los cambios significativos en el sistema —nuevos productos, nuevas estrategias competitivas, etcétera — disminuyen la similitud entre el pasado y el futuro. A corto plazo, es poco probable que los cambios recientes provoquen alterar las pautas generales, pero a largo plazo es probable que sus efectos aumenten. El ejecutivo y el pronosticador deben discutirlos a fondo.
Tres tipos generales
Una vez que el gerente y el pronosticador han formulado su problema, el pronosticador estará en condiciones de elegir un método.
Hay tres tipos básicos… técnicas cualitativas, análisis de series temporales y proyecciones, y modelos causales. El primero utiliza datos cualitativos (opinión de expertos, por ejemplo) e información sobre eventos especiales del tipo ya mencionado, y puede o no tener en cuenta el pasado.
El segundo, por otro lado, se centra enteramente en patrones y cambios de patrones, y por lo tanto se basa enteramente en datos históricos.
El tercero utiliza información altamente refinada y específica sobre las relaciones entre los elementos del sistema, y es lo suficientemente potente como para tener en cuenta formalmente los acontecimientos especiales. Al igual que con el análisis de series temporales y las técnicas de proyección, el pasado es importante para los modelos causales.
Estas diferencias implican (muy correctamente) que el mismo tipo de técnica de previsión no es apropiado para pronosticar ventas, digamos, en todas las etapas del ciclo de vida de un producto; por ejemplo, una técnica basada en datos históricos no sería útil para pronosticar el futuro de un producto totalmente nuevo que no tiene historia.
La mayor parte del balance de este artículo se referirá al problema de adecuar la técnica a las etapas del ciclo de vida. Esperamos dar al ejecutivo una visión del potencial de los pronósticos mostrando cómo se va a abordar este problema. Pero antes de discutir el ciclo de vida, necesitamos esbozar las funciones generales de los tres tipos básicos de técnicas con un poco más de detalle.
Técnicas cualitativas
Principalmente, estos se utilizan cuando los datos son escasos, por ejemplo, cuando un producto se introduce por primera vez en un mercado. Utilizan sistemas de juicio humano y calificación para convertir la información cualitativa en estimaciones cuantitativas.
El objetivo aquí es reunir de manera lógica, imparcial y sistemática toda la información y los juicios relacionados con los factores que se están estimando. Estas técnicas se utilizan con frecuencia en áreas de nuevas tecnologías, donde el desarrollo de una idea de producto puede requerir varias «invenciones», de modo que las demandas de I+D son difíciles de estimar, y donde las tasas de aceptación y penetración en el mercado son muy inciertas.
El gráfico de varias páginas «Técnicas básicas de pronósticos» presenta varios ejemplos de este tipo (ver la primera sección), incluyendo estudios de mercado y la técnica de Delphi ahora conocida.1 En este gráfico hemos tratado de proporcionar un conjunto de información básica sobre los principales tipos de técnicas de predicción. Algunas de las técnicas enumeradas no son en realidad un solo método o modelo, sino una familia entera. Por lo tanto, nuestras afirmaciones pueden no describir con exactitud todas las variaciones de una técnica y deben interpretarse más bien como descriptivas del concepto básico de cada una.

Técnicas básicas de previsión




Una exención de responsabilidad sobre las estimaciones en el gráfico también está en orden. Las estimaciones de costos son aproximadas, al igual que los tiempos de cálculo, las calificaciones de exactitud y las clasificaciones para la identificación del punto de giro. Los costos de algunos procedimientos dependen de si se utilizan de forma rutinaria o si se configuran para una única previsión; además, si hay que determinar de nuevo las ponderaciones o las estaciones cada vez que se hace una previsión, los costes aumentan significativamente. Sin embargo, las cifras que presentamos pueden servir como directrices generales.
El lector puede encontrar una referencia frecuente a este pliegue de puerta útil para el resto del artículo.
Análisis de series temporales
Se trata de técnicas estadísticas utilizadas cuando se dispone de datos de varios años para un producto o línea de productos y cuando las relaciones y tendencias son claras y relativamente estables.
Uno de los principios básicos de la previsión estadística —de hecho, de todos los pronósticos cuando los datos históricos están disponibles — es que el pronosticador debe usar los datos sobre el rendimiento pasado para obtener una «lectura del velocímetro» de la tasa actual (de ventas, digamos) y de la rapidez con que esta tasa está aumentando o disminuyendo. La tasa actual y los cambios en la tasa («aceleración» y «desaceleración») constituyen la base de la previsión. Una vez que se conocen, varias técnicas matemáticas pueden desarrollar proyecciones a partir de ellas.
Sin embargo, el asunto no es tan simple como parece. Por lo general, es difícil hacer proyecciones a partir de datos brutos, ya que las tasas y tendencias no son inmediatamente obvias; se mezclan con variaciones estacionales, por ejemplo, y tal vez distorsionadas por factores tales como los efectos de una gran campaña de promoción de ventas. Los datos sin procesar deben masajearse antes de que se puedan utilizar, y esto se hace con frecuencia mediante análisis de series temporales.
Ahora, un series de tiempo es un conjunto de puntos ordenados cronológicamente de datos brutos, por ejemplo, las ventas de un producto determinado por una división, por mes, durante varios años. Series temporales análisis ayuda a identificar y explicar:
- Cualquier regularidad o variación sistemática en la serie de datos que se deba a la estacionalidad: las «estacionales».
- Patrones cíclicos que repiten cualesquiera dos o tres años o más.
- Tendencias en los datos.
- Tasas de crecimiento de estas tendencias.
(Desafortunadamente, la mayoría de los métodos existentes identifican sólo las estaciones, el efecto combinado de las tendencias y los ciclos, y el componente irregular o casualidad. Es decir, no se separan tendencias desde ciclos. Volveremos a este punto cuando discutamos el análisis de series temporales en las etapas finales de madurez del producto.)
Una vez completado el análisis, puede comenzar el trabajo de proyectar ventas futuras (o lo que sea).
Cabe señalar que si bien hemos separado el análisis de la proyección aquí para fines de explicación, la mayoría de las técnicas de pronóstico estadístico realmente combinan ambas funciones en una sola operación.
Un futuro como el pasado:
De esta descripción resulta obvio que todas las técnicas estadísticas se basan en el supuesto de que las pautas existentes continuarán en el futuro. Es más probable que esta suposición sea correcta a corto plazo que a largo plazo, y por esta razón estas técnicas nos proporcionan pronósticos razonablemente precisos para el futuro inmediato, pero lo hacen bastante mal en el futuro (a menos que los patrones de datos sean extraordinariamente estables).
Por esta misma razón, estas técnicas normalmente no se puede predecir cuándo cambiará significativamente la tasa de crecimiento de una tendencia, por ejemplo, cuando un período de crecimiento lento de las ventas cambiará repentinamente a un período de rápida decadencia.
Tales puntos se llaman puntos inflexión. Naturalmente, son de la mayor consecuencia para el gerente, y, como veremos, el pronosticador debe utilizar diferentes herramientas de técnicas estadísticas puras para predecir cuándo ocurrirán.
Modelos causales
Cuando se dispone de datos históricos y se ha realizado suficiente análisis para especificar explícitamente las relaciones entre el factor que se va a pronosticar y otros factores (tales como negocios relacionados, fuerzas económicas y factores socioeconómicos), el pronosticador a menudo construye un modelo causal.
Un modelo causal es el tipo más sofisticado de la herramienta de pronóstico. Expresa matemáticamente las relaciones causales pertinentes, y puede incluir consideraciones de tramitación (es decir, inventarios) e información sobre estudios de mercado. También puede incorporar directamente los resultados de un análisis de series temporales.
El modelo causal tiene en cuenta todo lo conocido de la dinámica del sistema de flujo y utiliza predicciones de eventos relacionados como acciones competitivas, huelgas y promociones. Si los datos están disponibles, el modelo generalmente incluye factores para cada ubicación en el diagrama de flujo (como se ilustra en la prueba II) y los conecta mediante ecuaciones para describir el flujo general del producto.
Si faltan ciertos tipos de datos, inicialmente puede ser necesario hacer suposiciones sobre algunas de las relaciones y luego realizar un seguimiento de lo que está sucediendo para determinar si las suposiciones son verdaderas. Normalmente, un modelo causal se revisa continuamente a medida que se disponga de más conocimientos sobre el sistema.
Una vez más, vea la puerta de enlace para un resumen de los tipos más comunes de técnicas causales. Como muestra el gráfico, los modelos causales son, con mucho, los mejores para predecir puntos de inflexión y preparar pronósticos a largo plazo.
Métodos, Productos y Ciclo de Vida
En cada etapa de la vida de un producto, desde la concepción hasta las ventas en estado estacionario, las decisiones que debe tomar la dirección son característicamente diferentes, y requieren diferentes tipos de información como base. Las técnicas de predicción que proporcionan estos conjuntos de información difieren de manera análoga. La prueba III resume las etapas de vida de un producto, las decisiones típicas tomadas en cada uno de ellos y las principales técnicas de predicción adecuadas en cada uno de ellos.

Exposición III Tipos de decisiones tomadas a lo largo del ciclo de vida de un producto, con técnicas de previsión relacionadas
Del mismo modo, los diferentes productos pueden requerir diferentes tipos de pronósticos. Dos productos CGW que han sido manipulados de manera muy diferente son los principales componentes de vidrio para tubos de TV en color, de los cuales Corning es un proveedor principal, y Corning Ware, una línea de productos de consumo patentada. Realizaremos un seguimiento de los métodos de previsión utilizados en cada una de las cuatro etapas diferentes de madurez de estos productos para dar una idea de primera mano sobre la elección y aplicación de algunas de las principales técnicas disponibles hoy en día.
Antes de comenzar, notemos cómo las situaciones difieren para los dos tipos de productos:
- Para un producto de consumo como los utensilios de cocina, el control del fabricante de la tubería de distribución se extiende al menos a través del nivel del distribuidor. Por lo tanto, el fabricante puede afectar o controlar las ventas al consumidor de forma bastante directa, así como controlar directamente algunos de los elementos de la tubería.
Por lo tanto, muchos de los cambios en las tarifas de envío y en la rentabilidad general se deben a las medidas adoptadas por los propios fabricantes. Las decisiones tácticas sobre promociones, ofertas especiales y precios son generalmente a su discreción también. Por lo tanto, la técnica seleccionada por el pronosticador para proyectar las ventas debería permitir la incorporación de dicha «información especial». Uno puede tener que empezar con técnicas simples y trabajar hasta otras más sofisticadas que abarcan tales posibilidades, pero el objetivo final está ahí.
- Cuando la empresa del gerente suministra un componente a un OEM, como Corning hace con los fabricantes de tubos, la empresa no ejerce tal influencia directa ni control sobre los elementos de tuberías ni las ventas al consumidor final. Puede ser imposible para la empresa obtener buena información sobre lo que está sucediendo en puntos más a lo largo del sistema de flujo (como en el segmento superior de la prueba II) y, en consecuencia, el pronosticador necesariamente utilizará un género de predicción diferente del utilizado para un producto de consumo.
Entre estos dos ejemplos, nuestra discusión abarcará casi toda la gama de técnicas de predicción. Sin embargo, según sea necesario, nos referiremos a otros productos y a otros métodos de previsión.
1. Desarrollo de productos
En las primeras etapas del desarrollo del producto, el gerente quiere respuestas a preguntas como estas:
- ¿Cuáles son las oportunidades de crecimiento alternativo a la búsqueda del producto X?
- ¿Cómo se han establecido productos similares a X ¿te ha ido?
- Debería nosotros entrar en este negocio; y si es así, ¿en qué segmentos?
- ¿Cómo deberíamos asignar los esfuerzos y los fondos de I+D?
- ¿Qué tan exitosos serán los diferentes conceptos de producto?
- ¿Cómo se producirá X encajar en los mercados dentro de cinco o diez años?
Las previsiones que ayuden a responder a estas preguntas de largo alcance deben necesariamente tener horizontes largos.
Una objeción común a muchos pronósticos a largo plazo es que es prácticamente imposible predecir con precisión lo que sucederá varios años en el futuro. Estamos de acuerdo en que la incertidumbre aumenta cuando se hace una previsión para un período de más de dos años. Sin embargo, como mínimo, el pronóstico y una medida de su exactitud permiten al gerente conocer los riesgos en la aplicación de una estrategia seleccionada y, en este conocimiento, elegir una estrategia adecuada entre las disponibles.
La investigación sistemática de mercado es, por supuesto, un pilar en este ámbito. Por ejemplo, el análisis de patrones de prioridad puede describir las preferencias de los consumidores y la probabilidad de que compren un producto, y por lo tanto es de gran valor para pronosticar (y actualizar) los niveles y tasas de penetración. Pero también existen otras herramientas, dependiendo del estado del mercado y del concepto de producto.
Para un mercado definido
Si bien no puede haber datos directos sobre un producto que sigue siendo un brillo en el ojo, la información sobre su rendimiento probable se puede recopilar de varias maneras, siempre que el mercado en el que se va a vender sea una entidad conocida.
En primer lugar, se puede comparar un producto propuesto con los productos actuales y planificados de la competencia, clasificándolo en escalas cuantitativas para diferentes factores. Nosotros llamamos a esto medición de diferencias de producto.2
Para que este enfoque tenga éxito, es esencial que los expertos (internos) que proporcionan los datos básicos provengan de diferentes disciplinas (marketing, I+D, fabricación, legal, etc.) y que sus opiniones sean imparciales.
En segundo lugar, y más formalmente, uno puede construir desagregar modelos de mercado separando diferentes segmentos de un mercado complejo para su estudio y consideración individuales. Específicamente, a menudo es útil proyectar el S-forma curvas de crecimiento para los niveles de ingresos de las diferentes regiones geográficas.
Cuando se propusieron bombillas de TV en color como producto, CGW fue capaz de identificar los factores que podrían influir en el crecimiento de las ventas. Luego, desagregando la demanda de los consumidores y haciendo ciertas suposiciones sobre estos factores, fue posible desarrollar un S-curva para la tasa de penetración del mercado doméstico que resultó más útil para nosotros.
En tercer lugar, se puede comparar un producto proyectado con un «antepasado» que tiene características similares. En 1965, desglosamos el mercado de la televisión en color por niveles de ingresos y regiones geográficas y comparamos estos submercados con el patrón histórico de crecimiento del mercado de televisión en blanco y negro. Justificamos este procedimiento argumentando que la televisión en color representaba un avance sobre el blanco y negro análogo (aunque menos intenso que) el avance que representaba la televisión en blanco y negro a través de la radio. Los análisis del crecimiento del mercado de televisión en blanco y negro también nos permitieron estimar la variabilidad esperada, es decir, el grado en que nuestras proyecciones diferirían de las reales como resultado de factores económicos y de otro tipo.
Los precios de la televisión en blanco y negro y otros electrodomésticos importantes en 1949, los ingresos disponibles para el consumidor en 1949, los precios de la televisión en color y otros aparatos en 1965, y los ingresos disponibles para el consumidor en 1965 fueron considerados de manera rentable al desarrollar nuestro pronóstico a largo plazo para la penetración de TV en color en un base nacional. Los patrones de éxito de la televisión en blanco y negro, entonces, proporcionaron una visión de la probabilidad de éxito y el potencial de ventas de la televisión en color.
Nuestras predicciones sobre la aceptación por el consumidor de los utensilios de cocina Corning Ware, por otro lado, se derivaron principalmente de una fuente experta, un gerente que comprendió a fondo las preferencias del consumidor y el mercado de artículos para el hogar. Estas predicciones han sido bien confirmadas. Esto refuerza nuestra creencia de que las previsiones de ventas para un nuevo producto que competirá en un mercado existente están obligadas a ser incompletas e inciertas a menos que se eliminen los mejores juicios de personal con experiencia.
Para un mercado indefinido
Con frecuencia, sin embargo, el mercado de un nuevo producto está débilmente definido o se dispone de pocos datos, el concepto de producto sigue siendo fluido y la historia parece irrelevante. Este es el caso de las turbinas de gas, los automóviles eléctricos y de vapor, las viviendas modulares, los dispositivos de medición de la contaminación y los terminales informáticos con tiempo compartido.
Muchas organizaciones han aplicado el método Delphi de solicitar y consolidar las opiniones de los expertos en estas circunstancias. En CGW, en varios casos, lo hemos utilizado para estimar la demanda de estos nuevos productos, con éxito.
El análisis de insumo-producto, combinado con otras técnicas, puede ser extremadamente útil para proyectar el rumbo futuro de las tecnologías amplias y los cambios amplios en la economía. Las herramientas básicas aquí son las tablas de insumo-producto de la industria estadounidense para 1947, 1958 y 1963, y varias actualizaciones de las tablas de 1963 preparadas por un número de grupos que deseaban extrapolar las cifras de 1963 o hacer previsiones para años posteriores.
Dado que una empresa o línea de productos puede representar sólo un pequeño sector de una industria, puede ser difícil utilizar las tablas directamente. Sin embargo, varias empresas están desagregando industrias para evaluar su potencial de ventas y pronosticar cambios en las mezclas de productos: la eliminación gradual de las líneas antiguas y la introducción de otras. Por ejemplo, Quantum-Science Corporation (MAPTEK) ha desarrollado técnicas que hacen que los análisis de insumo-producto sean más directamente útiles para las personas en el negocio de la electrónica de hoy en día. (Otras técnicas, como el consenso del panel y la previsión visionaria, nos parecen menos efectivas, y no podemos evaluarlas a partir de nuestra propia experiencia).
2. Pruebas e introducción
Antes de que un producto pueda entrar en su (esperemos) etapa de penetración rápida, se debe probar el potencial del mercado y debe introducirse el producto, y luego puede ser aconsejable realizar más pruebas en el mercado. En esta etapa, la dirección necesita respuestas a estas preguntas:
- ¿Cuál será nuestro plan de marketing, en qué mercados debemos entrar y con qué cantidades de producción?
- ¿Cuánta capacidad de fabricación requerirán las primeras etapas de producción?
- A medida que crece la demanda, ¿dónde debemos construir esta capacidad?
- ¿Cómo asignaremos nuestros recursos de I+D a lo largo del tiempo?
Los beneficios significativos dependen de encontrar las respuestas correctas y, por lo tanto, es económicamente factible gastar cantidades relativamente grandes de esfuerzo y dinero para obtener buenas previsiones a corto, mediano y largo plazo.
Una previsión de ventas en esta fase debería proporcionar tres puntos de información: la fecha en que comenzarán las ventas rápidas, la tasa de penetración en el mercado durante la fase de ventas rápidas y el nivel final de penetración, o tasa de ventas, durante la fase de estado estacionario.
Uso de datos iniciales
La fecha en que un producto entrará en la etapa de crecimiento rápido es difícil de predecir con tres o cuatro años de antelación (el horizonte habitual). El único recurso de una empresa es utilizar métodos de seguimiento estadístico para comprobar con qué éxito se está introduciendo el producto, junto con estudios rutinarios de mercado para determinar cuándo ha habido un aumento significativo en la tasa de ventas.
Además, se debe tener el mayor cuidado en analizar los datos iniciales de ventas que comienzan a acumularse una vez que el producto ha sido introducido en el mercado. Por ejemplo, es importante distinguir entre las ventas a innovadores, que intentará cualquier cosa nueva, y las ventas a imitadores, que comprará un producto sólo después de que haya sido aceptado por los innovadores, ya que es este último grupo el que proporciona estabilidad a la demanda. Muchos nuevos productos han aparecido inicialmente exitosos debido a las compras realizadas por innovadores, solo para fallar más adelante en el tramo.
El seguimiento de los dos grupos significa investigación de mercado, posiblemente a través de paneles de opinión. Un panel debe contener tanto innovadores como imitadores, ya que los innovadores pueden enseñarle mucho sobre cómo mejorar un producto mientras que los imitadores proporcionan una visión de los deseos y expectativas de todo el mercado.
El televisor en color, por ejemplo, se introdujo en 1954, pero no obtuvo aceptación de la mayoría de los consumidores hasta finales de 1964. Sin duda, el televisor en color no pudo salir de la etapa de introducción y entrar en la etapa de crecimiento rápido hasta que las redes habían aumentado sustancialmente su programación de color. Sin embargo, es probable que después del hecho, desde el punto de vista de la planificación, se produzcan señales especiales de bandera como el «aumento sustancial de la programación del color de la red»; y, en general, encontramos que las encuestas científicamente diseñadas a los consumidores realizadas regularmente proporcionan los primeros medios para detectar puntos de inflexión en la demanda para un producto.
Técnica de producto similar
Aunque el seguimiento estadístico es una herramienta útil durante las primeras etapas de introducción, rara vez hay datos suficientes para realizar pronósticos estadísticos. Los estudios de mercado pueden ser, naturalmente, útiles, como hemos indicado. Pero, más comúnmente, el pronosticador trata de identificar un producto similar y antiguo cuyo patrón de penetración debería ser similar al del nuevo producto, ya que los mercados en general pueden exhibir patrones consistentes y de hecho.
Una vez más, consideremos la televisión a color y los pronósticos que preparamos en 1965.
Para el año 1947—1968, la prueba IV muestra los gastos totales de los consumidores, los gastos de electrodomésticos, los gastos en radios y televisores, y los porcentajes relevantes. La columna 4 muestra que los gastos totales de electrodomésticos son relativamente estables en períodos de varios años; por lo tanto, los nuevos aparatos deben competir con los existentes, especialmente durante las recesiones (noten las cifras correspondientes a 1948—1949, 1953—1954, 1957—1958 y 1960 a 1961).

Prueba IV Gastos en electrodomésticos frente a todos los bienes de consumo (En miles de millones de dólares)
Ciertas fluctuaciones especiales en estas cifras son de especial importancia aquí. Cuando la televisión en blanco y negro se introdujo como un nuevo producto en 1948—1951, la relación entre los gastos en radio y televisores y los gastos totales en bienes de consumo (véase la columna 7) aumentó alrededor de 33% (a partir de 1.23% a 1.63%), frente a un modesto aumento de sólo 13% (a partir de 1.63% a 1.88%) en la proporción para la próxima década. (Un aumento similar de 33% ocurrió en 1962-1966 cuando la televisión en color hizo su mayor penetración.)
Probablemente la aceptación de la televisión en blanco y negro como aparato principal en 1950 hizo que la relación entre todos los electrodomésticos principales y el total de bienes de consumo (véase la columna 5) aumentara a 4,98%; en otras palabras, la innovación de la televisión hizo que el consumidor empezara a gastar más dinero en electrodomésticos importantes alrededor de 1950.
Nuestra expectativa a mediados de 1965 era que la introducción de la televisión en color induciría un aumento similar. Por lo tanto, aunque esta comparación de productos no nos proporcionó una previsión precisa o detallada, sí colocó un límite superior sobre las ventas totales futuras que podríamos esperar.
El siguiente paso fue observar la curva de penetración acumulada para televisores en blanco y negro en los hogares estadounidenses, que se muestra en la prueba V. Supusimos que la penetración en color de TV tendría un S-curva, pero que tomaría más tiempo para que los conjuntos de colores penetraran en todo el mercado (es decir, alcanzar las ventas en estado estacionario). Mientras que la televisión en blanco y negro tardó 10 años en alcanzar el estado estacionario, estudios cualitativos de opinión experto-opinión indicaron que tomaría el color el doble de largo, de ahí la pendiente más gradual de la curva Color-TV.

Exposición V Curvas de penetración doméstica a largo plazo para TV en color y blanco y negro
Al mismo tiempo, los estudios realizados en 1964 y 1965 mostraron significativamente diferentes ventas de penetración para televisión en color en varios grupos de ingresos, tasas que nos ayudaron a proyectar la curva color-TV y rastrear la precisión de nuestra proyección.
Con estos datos e hipótesis, pronosticamos las ventas minoristas para el resto de 1965 a mediados de 1970 (véase la sección punteada de la curva inferior en el Anexo V). Las previsiones fueron exactas hasta 1966, pero demasiado altas en los tres años siguientes, principalmente debido a la disminución de las condiciones económicas generales y a la modificación de las políticas de fijación de precios
Cabe señalar que cuando desarrollamos estos pronósticos y técnicas, reconocimos que posteriormente se necesitarían técnicas adicionales para mantener la precisión que se necesitarían en períodos subsiguientes. Sin embargo, estas previsiones proporcionaron una precisión aceptable para el momento en que se hicieron, ya que el objetivo principal era entonces sólo estimar la tasa de penetración y el nivel definitivo de ventas en estado estacionario. Hacer estimaciones refinadas de cómo se comportarán las tuberías de fabricación y distribución es una actividad que pertenece correctamente a la siguiente etapa del ciclo de vida.
Otros enfoques:
Cuando no sea posible identificar un producto similar, como ocurrió con el horno autolimpiante de CGW y la gama de cocción plana (Counterange), se debe utilizar otro enfoque.
A efectos de la introducción inicial en los mercados, sólo puede ser necesario determinar el tipo mínimo de ventas requerido para que una empresa de productos cumpla los objetivos empresariales. Se pueden utilizar análisis como insumo-producto, tendencia histórica y pronóstico tecnológico para estimar este mínimo. Además, la viabilidad de no entrar en el mercado en absoluto, o de continuar la I+D hasta la etapa de crecimiento rápido, puede determinarse mejor mediante el análisis de sensibilidad.
Predecir un crecimiento rápido
Estimar la fecha en la que un producto entrará en la etapa de crecimiento rápido es otra cuestión. Como hemos visto, esta fecha es una función de muchos factores: la existencia de un sistema de distribución, aceptación del cliente o familiaridad con el concepto del producto, la necesidad satisfecha por el producto, eventos significativos (como la programación de redes de color), etc.
Además de revisar el comportamiento de productos similares, la fecha puede estimarse a través de ejercicios Delphi o a través de esquemas de clasificación y clasificación, en los que se estiman los factores importantes para la aceptación del cliente, cada producto de la competencia se clasifica en cada factor y se contará una puntuación general para el competidor contra una puntuación para el nuevo producto.
Como hemos dicho, suele ser difícil predecir con precisión cuándo se producirá el punto de inflexión; y, según nuestra experiencia, la mejor precisión que se puede esperar es dentro de los tres meses a dos años del tiempo real.
A veces es cierto, por supuesto, que uno puede estar seguro de que un nuevo producto será aceptado con entusiasmo. Las pruebas de mercado y la reacción inicial del cliente dejaron claro que habría un gran mercado para los utensilios de cocina Corning Ware. Dado que el sistema de distribución ya existía, el tiempo necesario para que la línea alcanzara un rápido crecimiento dependía principalmente de nuestra capacidad para fabricarlo. A veces, el pronóstico es simplemente una cuestión de calcular la capacidad de la compañía, pero no normalmente.
3. Crecimiento rápido
Cuando un producto entra en esta etapa, las decisiones más importantes se refieren a la expansión de las instalaciones. Estas decisiones suelen entrañar los mayores gastos del ciclo (con excepción de las decisiones importantes de I+D), y se justifican los esfuerzos de previsión y seguimiento correspondientes.
Los pronósticos y el seguimiento deben proporcionar al ejecutivo tres tipos de datos en esta coyuntura:
- Verificación firme del pronóstico de la tasa de crecimiento rápido hecho previamente.
- Una fecha difícil en la que las ventas se nivelarán a «normal» crecimiento en estado estacionario.
- Para los productos componentes, la desviación en la curva de crecimiento que puede ser causada por características condiciones a lo largo de la tubería, por ejemplo, bloqueos de inventario.
Previsiones de la tasa de crecimiento
Las previsiones a mediano y largo plazo de la tasa de crecimiento del mercado y de la consecución de las ventas en estado estacionario requieren las mismas medidas que la etapa de introducción del producto: estudios detallados de marketing (especialmente encuestas sobre la intención de comprar) y comparaciones de productos.
Cuando un producto ha entrado en rápido crecimiento, por otra parte, generalmente hay suficientes datos disponibles para construir estadísticas y posiblemente incluso causal modelos de crecimiento (aunque estos últimos necesariamente contendrán supuestos que deben verificarse más adelante).
Estimamos la tasa de crecimiento y la tasa de estado estacionario de la TV en color mediante un modelo de mercadeo econométrico crudo a partir de los datos disponibles al comienzo de esta etapa. También realizamos frecuentes estudios de marketing.
La tasa de crecimiento de los utensilios de cocina Corning Ware, como explicamos, se vio limitada principalmente por nuestras capacidades de producción; y por lo tanto, la información básica a predecir en ese caso fue la fecha de crecimiento de nivelación. Debido a que los inventarios sustanciales almacenaron información sobre las ventas de los consumidores a lo largo de la línea, faltaban buenos datos de campo, lo que dificultaba la estimación de esta fecha. Finalmente nos pareció necesario establecer un sistema de información de campo mejor (más directo).
Además de limitarse a la información de almacenamiento en tampón, en el caso de un producto componente, la tubería ejerce ciertos efectos distorsionadores en la demanda del fabricante; estos efectos, aunque de gran importancia, a menudo se descuidan ilógicamente en la planificación de la producción o la capacidad.
Simulación de la tubería
Mientras que la demanda de almacenamiento en proceso en la tubería tiene un S-curva como la de las ventas al por menor, puede retrasar o liderar las ventas por varios meses, distorsionando la forma de la demanda en el proveedor de componentes.
La prueba VI muestra la tendencia a largo plazo de la demanda de un proveedor de componentes distinto de Corning en función de las ventas de distribuidores y los inventarios de distribuidores. Como se puede ver a partir de esta curva, las ventas de proveedores pueden crecer relativamente bruscamente durante varios meses y pico antes de que las ventas minoristas se hayan estabilizado. Las implicaciones de estas curvas para la planificación y asignación de instalaciones son obvias.

Patrones de la prueba VI para ventas de distribuidores de TV en color, inventarios de distribuidores y ventas de componentes Nota: Las básculas son diferentes para las ventas de componentes, inventarios de distribuidores y ventas de distribuidores, con los patrones colocados en el mismo gráfico para fines ilustrativos.
Aquí hemos utilizado componentes para televisores en color para nuestra ilustración porque sabemos por nuestra propia experiencia la importancia del largo tiempo de flujo de los televisores en color que resulta de los muchos pasos secuenciales en la fabricación y distribución (recuerde la prueba II). Hay ejemplos más espectaculares; por ejemplo, no es raro que el tiempo de flujo del proveedor de componentes al consumidor se estire hasta dos años en el caso de los motores de camiones.
Para estimar la demanda total en la producción de CGW, utilizamos un modelo de demanda minorista y una simulación de tuberías. El modelo incorporó tasas de penetración, curvas de mortalidad y similares. Combinamos los datos generados por el modelo con datos de cuota de mercado, datos sobre pérdidas de vidrio y otra información para conformar el corpus de entradas para la simulación de tuberías. El resultado de la simulación nos permitió aplicar curvas proyectadas como las mostradas en la prueba VI a nuestra propia planificación de fabricación de componentes.
La simulación es una excelente herramienta para estas circunstancias porque es esencialmente más simple que la alternativa, es decir, construir un modelo más formal y más «matemático». Es decir, la simulación evita la necesidad de técnicas de solución analítica y de duplicación matemática de un entorno complejo y permite la experimentación. La simulación también nos informa de cómo los elementos de la tubería se comportarán e interactuarán con el tiempo, conocimiento que es muy útil en la predicción, especialmente en la construcción de modelos causales formales en una fecha posterior.
Seguimiento y advertencia
Este conocimiento no es absolutamente «difícil», por supuesto, y la dinámica de los oleoductos debe ser cuidadosamente rastreada para determinar si las diversas estimaciones y suposiciones hechas eran realmente correctas. Los métodos estadísticos proporcionan una buena base a corto plazo para estimar y verificar la tasa de crecimiento y la señalización de cuándo se producirán puntos de inflexión.
A finales de 1965 nos pareció que la demanda de almacenamiento en proceso estaba aumentando, ya que había una diferencia positiva consistente entre las ventas reales de bombillas de TV y las ventas de bombillas previstas. Las conversaciones con los gerentes de productos y otro personal indicaron que podría haber habido un cambio significativo en la actividad de oleoductos; parecía que los rápidos aumentos de la demanda minorista estaban impulsando los requisitos de vidrio para el almacenamiento en proceso, lo que podría crear una joroba en el S-curva como la ilustrada en la prueba VI. Esta tirada proporcionó beneficios adicionales a CGW en 1966, pero tuvo un efecto adverso en 1967. Pudimos predecir esta joroba, pero lamentablemente no pudimos reducirla o evitarla porque el oleoducto no estaba suficientemente bajo nuestro control.
Los inventarios a lo largo de la tubería también siguen un S-curva (como se muestra en la prueba VI), un hecho que crea y comenta dos condiciones características en el oleoducto como un todo: el sobrellenado inicial y los cambios posteriores entre demasiado y demasiado poco inventario en varios puntos: una secuencia de condiciones de fiesta y hambre.
Por ejemplo, el sistema de distribución más simple para Corning Ware tenía un S-curva como las que hemos examinado. Sin embargo, cuando las ventas minoristas disminuyeron de crecimiento rápido a normal, no hubo indicios tempranos de los datos de envío de que se hubiera alcanzado este punto de inflexión crucial. Los datos sobre los inventarios de distribuidores nos dieron alguna advertencia de que el oleoducto estaba demasiado llenado, pero el punto de inflexión a nivel minorista todavía no se identificó con la suficiente rapidez, como hemos mencionado anteriormente, debido a la falta de buenos datos a nivel. Ahora supervisamos la información de campo regularmente para identificar cambios significativos y ajustar nuestras previsiones de envíos en consecuencia.
Principales preocupaciones
Una actividad principal durante la etapa de crecimiento rápido, entonces, es comprobar las estimaciones anteriores y, si parecen incorrectas, calcular con la mayor precisión posible el error en la previsión y obtener una estimación revisada.
En algunos casos, los modelos elaborados anteriormente incluirán únicamente «macrotérminos»; en tales casos, la investigación de mercado puede proporcionar la información necesaria para desglosarlos en sus componentes. Por ejemplo, el modelo de predicción Color-TV consideraba inicialmente sólo las penetraciones totales establecidas en diferentes niveles de ingresos, sin considerar la forma en que se utilizaban los conjuntos. Por lo tanto, realizamos encuestas de mercado para determinar el uso de conjuntos con mayor precisión.
Del mismo modo, durante la etapa de crecimiento rápido, los submodelos de segmentos de tuberías deben ampliarse para incorporar información más detallada a medida que se reciba. En el caso de la TV a color, encontramos que pudimos estimar los requerimientos generales de tuberías para bombillas de vidrio, los factores de cuota de mercado de CGW y las pérdidas de vidrio, y postular una distribución de probabilidad alrededor de las estimaciones más probables. Con el tiempo, fue fácil comprobar estas previsiones en relación con el volumen real de ventas y, por lo tanto, comprobar los procedimientos por los que las estábamos generando.
También encontramos que teníamos que aumentar el número de factores en el modelo de simulación, por ejemplo, tuvimos que expandir el modelo para tener en cuenta diferentes tamaños de bombillas, y esto mejoró nuestra precisión y utilidad generales.
Lo anterior es sólo un enfoque que puede utilizarse para pronosticar las ventas de nuevos productos que están en un rápido crecimiento. Otros han discutido diferentes.3
4. Estado estacionario
Las decisiones del gerente en esta etapa son muy diferentes de las tomadas anteriormente. La mayor parte de la planificación de las instalaciones se ha cuadriculado, y las tendencias y las tasas de crecimiento se han vuelto razonablemente estables. Es posible que se produzcan cambios en la demanda y el beneficio debido a cambios en las condiciones económicas, productos nuevos y competitivos, dinámicas de tuberías, etc., y el gerente tendrá que mantener las actividades de seguimiento e incluso introducir otras nuevas. Sin embargo, en general, el gerente concentrará la atención de la previsión en estas áreas:
- Planificación de la producción a largo y corto plazo.
- Establecer estándares para comprobar la eficacia de las estrategias de marketing.
- Proyecciones diseñadas para ayudar a la planificación de beneficios.
El gerente también necesitará un buen sistema de seguimiento y advertencia para identificar la disminución significativa de la demanda del producto (pero espero que esté muy lejos).
Para estar seguro, el gerente querrá la proyección de márgenes y beneficios y previsiones a largo plazo para ayudar a planificar a nivel corporativo. Sin embargo, las previsiones de ventas a corto y medio plazo son fundamentales para estas empresas más elaboradas, y nos centraremos en las previsiones de ventas.
Herramientas adecuadas a mano
En la planificación de la producción y el establecimiento de una estrategia de marketing a corto y medio plazo, las primeras consideraciones del gerente suelen ser una estimación precisa del nivel actual de ventas y una estimación precisa de la tasa a la que este nivel está cambiando.
Por lo tanto, el pronosticador debe hacer dos contribuciones conexas en esta etapa:
- Proporcionar estimaciones de tendencias y estacionales, que obviamente afectan el nivel de ventas. Las estaciones son particularmente importantes tanto para la planificación general de la producción como para el control de inventarios. Para ello, el pronosticador debe aplicar técnicas de proyección y análisis de series temporales, es decir, estadísticas técnicas.
- Relacionar el nivel de ventas futuro con factores que son más fácilmente predecibles, o que tienen una relación de «plomo» con las ventas, o ambos. Para hacer esto, el pronosticador necesita construir modelos causales.
El tipo de producto bajo escrutinio es muy importante en la selección de las técnicas a utilizar.
Para Corning Ware, donde los niveles del sistema de distribución están organizados de una manera relativamente sencilla, utilizamos métodos estadísticos para pronosticar envíos e información de campo para pronosticar cambios en las tarifas de envío. Ahora estamos en el proceso de incorporar información especial —estrategias de marketing, previsiones económicas, etcétera — directamente en las previsiones de envíos. Esto nos está guiando en la dirección de un modelo de previsión causal.
Por otra parte, un proveedor de componentes puede prever las ventas totales con suficiente precisión para planificar la producción de carga ancha, pero el entorno de tuberías puede ser tan complejo que el mejor recurso para proyecciones a corto plazo es basarse principalmente en las estimaciones de los vendedores. Esto nos parece cierto, por ejemplo, en la estimación de la demanda de vidrio de TV por tamaño y cliente. En tales casos, la mejor función de los métodos estadísticos es proporcionar guías y comprobaciones de las previsiones de los vendedores.
En general, sin embargo, en este punto del ciclo de vida, se dispone de suficientes datos de series de tiempo y se conocen suficientes relaciones causales a partir de la experiencia directa y los estudios de mercado para que el pronosticador pueda realmente aplicar estos dos potentes conjuntos de herramientas. Deberían disponerse de datos históricos de al menos los últimos años. El pronosticador lo usará todo, de una forma u otra.
Podríamos mencionar una crítica común en este momento. La gente frecuentemente se opone a utilizar más de algunos de los puntos de datos más recientes (como las cifras de ventas en el pasado inmediato) para construir proyecciones, ya que, dicen, la situación actual es siempre tan dinámica y las condiciones cambian tan radical y rápidamente que los datos históricos de más atrás en el tiempo tienen poco o ningún valor.
Creemos que este punto de vista tenía poca validez. Un gráfico de datos de ventas de varios años, como el que se muestra en Parte A de la prueba VII, da la impresión de una tendencia de ventas que no se podría obtener si se examinaran sólo dos o tres de los datos más recientes.

Prueba VII Gráficos de datos de las ventas en fábrica de televisores en color

En la práctica, encontramos que los patrones generales tienden a continuar durante un mínimo de uno o dos trimestres en el futuro, incluso cuando condiciones especiales hacen que las ventas fluctuen durante uno o dos períodos (mensuales) en el futuro inmediato.
Para las previsiones a corto plazo de uno a tres meses antes, los efectos de factores tales como las condiciones económicas generales son mínimos, y no causan cambios radicales en los patrones de demanda. Y debido a que las tendencias tienden a cambiar gradualmente en lugar de repentinamente, los métodos estadísticos y otros métodos cuantitativos son excelentes para las previsiones a corto plazo. El uso de uno o sólo unos pocos de los datos más recientes dará como resultado una consideración insuficiente de la naturaleza de las tendencias, los ciclos y las fluctuaciones estacionales de las ventas.
Algunas técnicas adicionales para una afinación más fina
No están directamente relacionadas con la previsión del ciclo de vida de los productos, pero siguen siendo importantes para su éxito, algunas aplicaciones que mencionamos brevemente aquí para aquellos que están particularmente interesados.
Control de inventario
Si bien el método X-11 y los modelos econométricos o causales son buenos para pronosticar las ventas agregadas de una serie de artículos, no es económicamente viable utilizar estas técnicas para controlar los inventarios de artículos individuales.
Algunos de los requisitos que debe cumplir una técnica de previsión para fines de producción y control de inventario son los siguientes:
- No debe requerir el mantenimiento de grandes historias de cada elemento en el banco de datos, si esto puede evitarse.
- Los cálculos deben tomar el menor tiempo posible en la computadora.
- La técnica debe identificar las variaciones estacionales y tenerlas en cuenta a la hora de pronosticar; además, preferiblemente, calculará la significación estadística de las estacionales, eliminándolas si no son significativas.
- Debería poder ajustar adecuadamente una curva a los datos más recientes y adaptarse rápidamente a los cambios de tendencias y estacionales.
- Debe ser aplicable a los datos con una variedad de características.
- También debería ser lo suficientemente versátil como para que cuando se consideren varios cientos de artículos o más, haga el mejor trabajo general, a pesar de que puede no hacer un trabajo tan bueno como otras técnicas para un artículo en particular.
Una de las primeras técnicas desarrolladas para cumplir con estos criterios se llama suavizado exponencial, donde se da mayor peso a los puntos de datos más recientes que los puntos de datos anteriores y donde se requiere muy poco almacenamiento de datos. Esta técnica supone una mejora considerable respecto a la técnica de media móvil, que no se adapta rápidamente a los cambios en las tendencias y que requiere mucho más almacenamiento de datos.
Previsión adaptativa también cumple estos criterios. Una extensión del suavizado exponencial, calcula las estaciones y por lo tanto proporciona un pronóstico más preciso de lo que se puede obtener mediante suavizado exponencial si hay una estacional significativa.
Hay una serie de variaciones en los métodos de suavizado exponencial y previsión adaptativa; sin embargo, todos tienen la característica común (al menos en un sentido descriptivo) de que la nueva previsión es igual al pronóstico anterior más una fracción del último error de pronóstico.
Prácticamente todas las técnicas estadísticas descritas en nuestra discusión de la fase de estado estacionario excepto la X-11 deben clasificarse como casos especiales de la técnica Box-Jenkins recientemente desarrollada. Esta técnica requiere mucho más tiempo informático para cada elemento y, en la actualidad, atención humana también. Hasta que se puedan desarrollar accesos directos computacionales, tendrá un uso limitado en el área de control de producción e inventario.
Sin embargo, el Box-Jenkins tiene una característica muy importante que no existe en las otras técnicas estadísticas: la capacidad de incorporar información especial (por ejemplo, cambios de precios y datos económicos) en la previsión.
La razón por la que Box-Jenkins y el X-11 son más costosos que otras técnicas estadísticas es que el usuario debe seleccionar una versión particular de la técnica, o debe estimar los valores óptimos para los diversos parámetros en los modelos, o debe hacer ambas cosas. Por ejemplo, el tipo y la longitud de la media móvil utilizada viene determinada por la variabilidad y otras características de los datos disponibles.
Esperamos que en un futuro próximo se desarrollen mejores métodos informáticos para reducir significativamente estos costos.
Previsiones de elementos de grupo
En algunos casos en que los métodos estadísticos no proporcionan una exactitud aceptable para elementos individuales, se puede obtener la exactitud deseada agrupando los ítems, donde esto reduce la cantidad relativa de aleatoriedad en los datos.
Los pronósticos suelen utilizar este enfoque para obtener una precisión aceptable en situaciones en las que es prácticamente imposible obtener pronósticos precisos para artículos individuales.
Demanda de largo
Además, a veces es posible pronosticar con precisión las demandas a largo plazo, a pesar de que las oscilaciones a corto plazo pueden ser tan caóticas que no se pueden pronosticar con precisión. Encontramos que este es el caso en la previsión de artículos individuales en la línea de bombillas de TV en color, donde las demandas de CGW fluctúan ampliamente con los horarios de los clientes. En este caso, existe una dificultad considerable para alcanzar los niveles de beneficios deseados si la programación a corto plazo no tiene en cuenta los objetivos a largo plazo.
Por lo tanto, se necesitan dos tipos de pronósticos:
- Uno que hace un trabajo razonablemente bueno de pronosticar la demanda para los próximos tres a seis períodos para artículos individuales.
- Una que pronostica la demanda total de bombillas con mayor precisión durante tres a trece períodos en el futuro.
Por esta razón, y debido a que las técnicas de pronósticos de bajo costo como el suavizado exponencial y la predicción adaptativa no permiten la incorporación de información especial, es ventajoso utilizar también una técnica más sofisticada como la X-11 para grupos de ítems.
Esta técnica se aplica para analizar y pronosticar tasas para el total de negocios, así como para identificar cualquier peculiaridad y cambios repentinos en tendencias o patrones. Esta información se incorpora a las previsiones de ítem, con ajustes en los mecanismos de suavizado, estacionales y similares según sea necesario. Con frecuencia uno debe desarrollar una característica de anulación manual, que permite ajustes basados en el juicio humano, en circunstancias tan fluidas como éstas.
Concediendo la aplicabilidad de las técnicas, debemos seguir explicando cómo el pronosticador identifica con precisión lo que está sucediendo cuando las ventas fluctúan de un período a otro y cómo se pueden pronosticar tales fluctuaciones.
Clasificación de tendencias y estaciones
Una tendencia y una temporada son obviamente dos cosas muy diferentes, y deben manejarse por separado en la previsión.
Considere lo que pasaría, por ejemplo, si un pronosticador simplemente tomara un promedio de los puntos de datos más recientes a lo largo de una curva, combinara esto con otros puntos medios similares que se extendieran hacia atrás en el pasado inmediato, y utilizarlos como base para una proyección. El pronosticador podría fácilmente reaccionar exageradamente a los cambios aleatorios, confundiéndolos con evidencia de una tendencia prevaleciente, confundir un cambio en la tasa de crecimiento con una estacional, y así sucesivamente.
Para evitar precisamente este tipo de error, la técnica de la media móvil, similar a la hipotética que se acaba de describir, utiliza puntos de datos de tal manera que se eliminan los efectos de las estacionales (e irregularidades).
Además, el ejecutivo necesita estimaciones precisas de las tendencias y estimaciones precisas de la estacionalidad para planificar la producción de carga amplia, determinar los esfuerzos y asignaciones de marketing y mantener inventarios adecuados, es decir, inventarios adecuados a la demanda del cliente, pero que no son excesivamente costosos.
Antes de ir más lejos, podría ser bueno ilustrar cómo se ve tal clasificación. Partes A, B, y C de la prueba VII muestran la descomposición inicial de datos brutos para las ventas en fábrica de televisores en color entre 1965 y mediados de 1970. Parte A presenta la curva de datos sin procesar. Parte B muestra los factores estacionales que están implícitos en los datos brutos, un patrón bastante consistente, aunque hay alguna variación de año a año. (En la siguiente sección vamos a explicar de dónde viene este gráfico de las estaciones.)
Parte C muestra el resultado de descontar la curva de datos brutos por las estacionales de Parte B; esta es la llamada curva de datos deseasonalizada. Siguiente, en Parte D, hemos dibujado la curva más suave o «mejor» posible a través de la curva deseasonalizada, obteniendo así la ciclo de tendencia. (Podemos notar además que las diferencias entre esta línea de ciclo de tendencia y la curva de datos deseasonalizada representan el componente irregular o no sistemático que el pronosticador siempre debe tolerar e intentar explicar por otros métodos.)
En resumen, entonces, el objetivo de la técnica de predicción utilizada aquí es hacer el mejor trabajo posible para clasificar tendencias y estacionalidades. Desafortunadamente, la mayoría de los métodos de predicción se proyectan por un proceso de suavizado análogo al de la técnica de media móvil, o como la técnica hipotética que describimos al principio de esta sección, y separar tendencias y estacionales con mayor precisión requerirá esfuerzo y costo extra.
Sin embargo, los enfoques de clasificación han demostrado su eficacia en la práctica. Podemos explicar mejor las razones de su éxito esbozando más o menos la forma en que construimos un pronóstico de ventas sobre la base de tendencias, estacionales y datos derivados de ellas. Este es el método:
- Gráfica la velocidad a la que está cambiando la tendencia. Para la ilustración dada en la prueba VII, este gráfico se muestra en la Parte E. Este gráfico describe las subidas y bajadas sucesivas del ciclo de tendencia que se muestra en la Parte D.
- Proyecte esta tasa de crecimiento hacia adelante en el intervalo que se pronosticará. Asumiendo que estábamos pronosticando a mediados de 1970, deberíamos estar proyectando en los meses de verano y posible a principios de otoño.
- Añada esta tasa de crecimiento (ya sea positiva o negativa) a la tasa de ventas actual. Esto podría llamarse la tasa de ventas no estacionalizada.
- Proyecta las estacionales de Parte B para el período en cuestión, y multiplicar la tasa prevista no estacionalizada por esas estacionales. El producto será la tasa de ventas prevista, que es lo que deseamos.
En casos especiales en los que no hay estaciones que considerar, por supuesto, este proceso se simplifica mucho, y menos datos y técnicas más simples pueden ser adecuados.
Hemos encontrado que un análisis de los patrones de cambio en la tasa de crecimiento nos da más precisión en la predicción de puntos de inflexión (y por lo tanto cambios de crecimiento positivo a negativo, y viceversa) que cuando usamos solo el ciclo de tendencia.
La principal ventaja de considerar el cambio de crecimiento, de hecho, es que con frecuencia es posible predecir antes cuándo se producirá una situación sin crecimiento. Por lo tanto, el gráfico de cambio en el crecimiento proporciona una excelente base visual para pronosticar e identificar también el punto de inflexión.
Técnica X-11
El lector tendrá curiosidad por saber cómo se rompe las estaciones de los datos de ventas brutos y cómo se deriva exactamente la curva de cambio en crecimiento de la línea de tendencia.
Una de las mejores técnicas que conocemos para analizar los datos históricos en profundidad para determinar las estaciones, la tasa actual de ventas y el crecimiento es la X-11 Censo Bureau Technique, al mismo tiempo, elimina las estaciones de la información bruta y ajusta una línea de ciclo de tendencia a los datos. Es muy completo: a un costo de aproximadamente$ 10, proporciona información detallada sobre las estaciones, las tendencias, la exactitud de las estaciones y el ajuste del ciclo de tendencia, y una serie de otras medidas. La salida incluye gráficas del ciclo de tendencia y la tasa de crecimiento, que se pueden recibir simultáneamente en pantallas gráficas en un terminal de tiempo compartido.
Aunque el X-11 no fue desarrollado originalmente como método de predicción, sí establece una base a partir de la cual se pueden hacer buenas previsiones. Cabe señalar, sin embargo, que existe cierta inestabilidad en la línea de tendencia para los puntos de datos más recientes, ya que el X-11, al igual que prácticamente todas las técnicas estadísticas, utiliza algún tipo de media móvil. Por lo tanto, ha demostrado ser valioso estudiar los cambios en el patrón de crecimiento a medida que se obtiene cada nuevo punto de crecimiento.
En particular, cuando los datos recientes parecen reflejar un fuerte crecimiento o disminución de las ventas o cualquier otra anomalía del mercado, el pronosticador debe determinar si se produjeron acontecimientos especiales durante el período considerado: promoción, huelgas, cambios en la economía, etc. El X-11 proporciona la instrumentación básica necesaria para evaluar los efectos de tales eventos.
Generalmente, incluso cuando los patrones de crecimiento pueden asociarse con eventos específicos, la técnica X-11 y otros métodos estadísticos no dan buenos resultados cuando se pronostican más de seis meses, debido a la incertidumbre o naturaleza impredecible de los eventos. Para pronósticos a corto plazo de uno a tres meses, la técnica X-11 ha demostrado ser razonablemente precisa.
Lo hemos utilizado para proporcionar estimaciones de ventas para cada división para tres períodos futuros, así como para determinar los cambios en las tasas de venta. Hemos comparado nuestros pronósticos X-11 con pronósticos desarrollados por cada una de las divisiones, donde las divisiones han utilizado una variedad de métodos, algunos de los cuales tienen en cuenta las estimaciones de los vendedores y otros conocimientos especiales. Los pronósticos con la técnica X-11 se basaron únicamente en métodos estadísticos, y no consideraron ninguna información especial.
Las previsiones de la división tenían un poco menos que los proporcionados por el método X-11; sin embargo, se ha encontrado que las previsiones de división son ligeramente sesgadas en el lado optimista, mientras que las proporcionadas por el método X-11 son imparciales. Esto nos sugirió que un mejor trabajo de predicción podría hacerse combinando conocimientos especiales, las técnicas de la división y el método X-11. En realidad, algunas de las divisiones están haciendo esto, y su precisión en las previsiones ha mejorado en consecuencia.
El método X-11 también se ha utilizado para hacer proyecciones de ventas para el futuro inmediato a fin de servir como estándar para evaluar diversas estrategias de marketing. Esto ha sido especialmente eficaz para estimar los efectos de los cambios de precios y promociones.
Como hemos indicado anteriormente, el análisis de tendencias se utiliza con frecuencia para proyectar datos anuales durante varios años a fin de determinar qué ventas serán si la tendencia actual continúa. El análisis de regresión y los pronósticos estadísticos se utilizan a veces de esta manera, es decir, para estimar lo que sucederá si no se realizan cambios significativos. Entonces, si el resultado no es aceptable con respecto a los objetivos corporativos, la empresa puede cambiar su estrategia.
Modelos econométricos
Durante un largo período de tiempo, los cambios en las condiciones económicas generales representarán una parte significativa del cambio en la tasa de crecimiento de un producto. Dado que las previsiones económicas son cada vez más precisas y también porque existen ciertas fuerzas económicas generales «líderes» que cambian antes de que se produzcan cambios posteriores en industrias específicas, es posible mejorar las previsiones de las empresas incluyendo factores económicos en el modelo de previsión.
Sin embargo, el desarrollo de dicho modelo, generalmente llamado modelo econométrico, requiere datos suficientes para que se puedan establecer las relaciones correctas.
Durante el rápido crecimiento de la televisión en color, reconocimos que las condiciones económicas probablemente afectarían significativamente la tasa de ventas. Sin embargo, los macroanálisis de datos televisivos en blanco y negro que hicimos en 1965 para las recesiones de finales de los años 40 y principios de 1950 no mostraron ningún efecto económico sustancial en absoluto; por lo tanto, no disponíamos de datos suficientes para establecer buenas relaciones econométricas para un modelo de televisión en color. (Una investigación posterior sí estableció pérdidas definitivas en las ventas de televisión en color en 1967 debido a las condiciones económicas.)
En 1969 Corning decidió que un método mejor que el X-11 era definitivamente necesario para predecir los puntos de inflexión en las ventas minoristas de televisión en color de seis meses a dos años en el futuro. Los métodos estadísticos y las estimaciones de los vendedores no pueden detectar estos puntos de inflexión con suficiente antelación para ayudar a la toma de decisiones; por ejemplo, un director de producción debería tener una advertencia de tres a seis meses de tales cambios a fin de mantener una fuerza de trabajo estable.
Al parecer se disponía de datos adecuados para construir un modelo econométrico, por lo que se empezaron a realizar análisis para elaborar un modelo de este tipo tanto para las ventas de televisión en blanco y negro como en color. Nuestro conocimiento de las estaciones, tendencias y crecimiento de estos productos constituyó una base natural para construir las ecuaciones de los modelos.
Los insumos económicos para el modelo se obtienen principalmente de la información generada por el Modelo Econométrico de Wharton, pero también se utilizan otras fuentes.
Utilizando datos que se extendieron hasta 1968, el modelo hizo razonablemente bien en predecir la recesión en el cuarto trimestre de 1969 y, cuando los datos de 1969 también fueron incorporados al modelo, estimó con precisión la magnitud de la caída en los dos primeros trimestres de 1970. Debido a las relaciones de plomo-retraso y a la disponibilidad de pronósticos económicos para los factores del modelo, los efectos de la economía en las ventas pueden estimarse hasta dos años en el futuro.
En la fase de estado estacionario, el control de la producción y el inventario, las previsiones de elementos de grupo y las estimaciones de la demanda a largo plazo son particularmente importantes. El lector interesado encontrará una discusión de estos temas en el reverso de la puerta.
Por último, durante la fase de estado estacionario, es útil establecer exámenes trimestrales en los que se presenten gráficos estadísticos de seguimiento y alerta y nueva información. En estas reuniones, la decisión de revisar o actualizar un modelo o previsión se sopesará en función de diversos costos y la cantidad de error de previsión. En una zona muy volátil, el examen debería realizarse con tanta frecuencia como cada mes o período.
Predicción en el futuro
Al concluir un artículo sobre pronósticos, es apropiado hacer una predicción sobre las técnicas que se utilizarán en el futuro a corto y largo plazo.
Como ya hemos dicho, no es demasiado difícil prever el futuro inmediato, ya que las tendencias a largo plazo no cambian de la noche a la mañana. Muchas de las técnicas descritas se encuentran sólo en las primeras etapas de aplicación, pero aún así esperamos que la mayoría de las técnicas que se utilizarán en los próximos cinco años sean las que se discuten aquí, tal vez en forma extendida.
Los costos de utilización de estas técnicas se reducirán considerablemente, lo que mejorará su aplicación. Esperamos que las empresas de tiempo compartido de computadoras ofrezcan acceso, a un costo nominal, a bancos de datos de entrada y salida, desglosados en más segmentos de negocio de los que están disponibles en la actualidad. La tendencia constante a la disminución del costo informático por cómputo, junto con las simplificaciones computacionales, harán que técnicas como el método Box-Jenkins sean económicamente viables, incluso para algunas aplicaciones de control de inventarios. Los paquetes de programas informáticos para las técnicas estadísticas y algunos modelos generales también estarán disponibles a un costo nominal.
En la actualidad, la mayoría de los pronósticos a corto plazo utilizan únicamente métodos estadísticos, con poca información cualitativa. Cuando se utiliza información cualitativa, sólo se utiliza de forma externa y no se incorpora directamente a la rutina computacional. Predecimos un cambio a los sistemas de pronósticos totales, donde se vinculan varias técnicas, junto con un manejo sistemático de la información cualitativa.
Los modelos econométricos se utilizarán más ampliamente en los próximos cinco años, con la mayoría de las grandes empresas desarrollando y refinando modelos econométricos de sus principales negocios. También se desarrollarán modelos de simulación de marketing para nuevos productos para los productos de mayor volumen, con sistemas de seguimiento para actualizar los modelos y sus parámetros. La programación heurística proporcionará un medio para perfeccionar los modelos de previsión.
Si bien algunas empresas ya han desarrollado sus propios modelos de insumo-producto junto con los datos de insumo-producto del gobierno y las proyecciones estadísticas, pasarán otros cinco a diez años antes de que los modelos de insumo-producto sean utilizados efectivamente por la mayoría de las grandes corporaciones.
En cinco años, sin embargo, veremos un uso extenso de los sistemas persona-máquina, donde los modelos estadísticos, causales y econométricos se programan en computadoras, y las personas interactúan con frecuencia. A medida que ganemos confianza en estos sistemas, de modo que haya menos informes de excepciones, la intervención humana disminuirá. Básicamente, los modelos computarizados harán los cálculos sofisticados, y la gente servirá más como generadores de ideas y desarrolladores de sistemas. Por ejemplo, estudiaremos la dinámica del mercado y estableceremos relaciones más complejas entre el factor que se está pronosticando y los del sistema de previsión.
Más adelante, los modelos de simulación del consumidor se convertirán en un lugar común. Los modelos predicen el comportamiento de los consumidores y pronosticarán sus reacciones a diversas estrategias de marketing como precios, promociones, introducción de nuevos productos y acciones competitivas. Los modelos probabilísticos se utilizarán con frecuencia en el proceso de previsión.
Finalmente, la mayoría de los pronósticos informatizados se relacionarán con las técnicas analíticas descritas en este artículo. Las aplicaciones informáticas se realizarán principalmente en empresas de productos establecidos y estables. Aunque hasta ahora las técnicas de previsión se han utilizado principalmente para la previsión de ventas, se aplicarán cada vez más a los márgenes de previsión, los gastos de capital y otros factores importantes. Esto liberará al pronosticador para gastar la mayor parte del tiempo pronosticando las ventas y beneficios de nuevos productos. Sin duda, se desarrollarán nuevas técnicas analíticas para la predicción de nuevos productos, pero habrá un problema continuo, durante al menos 10 a 20 años y probablemente mucho más, para pronosticar con precisión diversos factores de nuevos productos, como las ventas, la rentabilidad y la duración del ciclo de vida.
Palabra final
Con una comprensión de las características básicas y limitaciones de las técnicas, el responsable de la toma de decisiones puede ayudar al pronosticador a formular correctamente el problema de previsión y, por lo tanto, puede tener más confianza en las previsiones proporcionadas y utilizarlas de manera más eficaz. El pronosticador, a su vez, debe combinar las técnicas con el conocimiento y la experiencia de los gerentes.
Creemos que hoy la necesidad no es de mejores métodos de predicción, sino de una mejor aplicación de las técnicas en cuestión.
1. Véase Harper Q. North y Donald L. Pyke, «’Probes’ of the Technological Future», HBR mayo—junio de 1969, pág. 68.
2. Véase John C. Chambers, Satinder K. Mullick, y David A. Goodman, «Catalytic Agent for Effective Planning», HBR enero-febrero de 1971, pág. 110.
3. Véase Graham F. Pyatt, Patrones prioritarios y demanda de artículos duraderos para el hogar (Londres, Cambridge University Press, 1964); Frank M. Bass, «A New Product Growth Model for Consumer Durables», Ciencias de la gestión, Enero de 1969; Gregory C. Chow, «El cambio tecnológico y la demanda de computadoras», El American Economic Review, diciembre de 1966; y J.R.N. Stone y R.A. Rowe, «The Durability of Consummers’ Durable Goods», Econométrica, Vol. 28, No. 2, 1960.