Lecture 40 - Estimación de Demanda y Cuota de Mercado

UNIVERSIDAD NACIONAL DE INGENIERÍA
Facultad de Electrotecnia y Computación
Israel M. Zamora, MBA & MSc-TM

Profesor Titular
www.fec.uni.edu.ni Departamento de Sistemas Digitales y Telecomunicaciones
Administración y Economía de Empresa para Ingenieros
UNIDAD 6: El subsistema de Comercialización

Conferencia 40: Estimación de la Demanda y Cuota de Mercado.
Objetivos
Introducir técnicas básicas para estimar el

comportamiento de demanda y las cuotas de mercado a
corto y largo plazo.
I. Zamora 2 Estimación de la Demanda y Cuota de Mercado.

Contenido
• Previsión y estimación de la demanda

• Tipos de modelos de previsión de la demanda
• Modelos de extrapolación
• Regresión lineal (Modelo explicativo)
• Variabilidad de la demanda
• Media móvil
• Previsión de cuotas de mercado

• Cadenas de Markov
• Cuota a futuro
• Cuota a largo plazo

Previsión y estimación de la demanda
Los modelos de previsión de la demanda
 Para prever las ventas es precisa la utilización de técnicas y modelos de previsión.
 La empresa puede influir en la evolución de las ventas a través de distintas políticas
mercadotécnicas, por lo que no es suficiente prever la evolución espontánea del mercado sino que
hay que determinar la reacción o respuesta de éste a sus acciones.
Corto plazo Basado en factores coyunturales
Según su
horizonte: Mediano plazo Basado en factores estructurales
Basado en factores variables:

Largo plazo sociales, políticos y tecnológicos
Modelos de
previsión
Opiniones o Basado en la percepción de los consumidores,
intenciones vendedores o expertos ( Corto Plazo),
Según los
datos que se
utilizan: Datos Basado en la extrapolación de datos históricos.
históricos (Corto Plazo.)
Basado en otros factores, además del tiempo.

Explicativos (Corto, mediano y largo plazo.)

Modelos de extrapolación
 Se basan en la observación de tendencias regulares en el pasado y en la hipótesis de que se
mantendrán en el futuro.
Ventas
(Vt )
Ventas
  Vt  Vˆt (Vt )

Vˆt      t
   tan 
Pasado Futuro
Pasado Futuro
Momentos del
Momentos del tiempo (t)
tiempo (t) Momento
Momento actual
actual
En las figuras arriba, se recogen ejemplos de extrapolación para el caso de las ventas de una empresa. En la figura de
la izquierda, las ventas varían de forma aproximadamente lineal en el tiempo, por tanto, los valores de esta variable,
particularmente a futuro, pueden ser representados por una función lineal, con las ventas (Vt) como variable
dependiente y el tiempo (t) como variable independiente. Los parámetros  y  son llamados coeficientes de regresión
para la representación lineal de las ventas estimadas sería, para el periodo t, y matemáticamente podemos escribir:
Vˆt      t En realidad, el valor real de las ventas para un instante t es: Vt      t   t

Donde  es el error de estimación. La figura de la derecha muestra una relación cíclica mas compleja que
requiere otro tipo de relación.
Análisis de Regresión Tipos de Modelos de Regresión
 El procedimiento comúnmente empleado por los
Regresión lineal
economistas para estimar la demanda de consumo es el
Simple
análisis de regresión.
Múltiple
 Persigue estimar la relación cuantitativa entre las Regresión no lineal
variables que impactan en la demanda. Polinomial
Exponencial
 Todas las variables que se cree que tienen un impacto en Logarítmica, etc.
la demanda deben incluirse en la regresión, o al menos,
las que hayan datos disponibles y cuyo costo lo permita.
 Otras aplicaciones:
 Estimación de funciones de producción
 Estimación de funciones de costo (vea capítulos
 Estudios de macroeconómica del consumo, inversión,
comercio internacional y tasas de interés.

Coeficiente de Correlación (R)
 El término correlación se refiere a la medida de la intensidad o fortaleza en la asociación
entre dos variables.
 Si dos variables aumentan o decrecen juntas, entonces tienen correlación positiva.
 Si incrementos en una variable están asociados a decrecimientos en la otra, entonces tienen
correlación negativa.
 El parámetro estadístico que mide esta relación se denomina Coeficiente de Correlación.
 El valor de este coeficiente se encuentra en el rango -1.0 < R < +1.0
 R → +1.0 ó -1.0: correlación fuerte (positiva o negativa).
 R→ 0.0: correlación débil.
R → +1.0
R → 0.0

Diagramas de Dispersión y el coeficiente de correlación
Relación entre la regresión y

R → 0.0
R → +1.0 R → -1.0 correlación
Entre mayor sea la correlación (fuerte)
mas sencillo y precisa es la regresión.
Cuando la correlación se acerca a
cero (débil) se vuelve imposible
obtener una regresión.

Regresión lineal Simple
Regresión lineal o ajuste lineal es un método matemático que modela la relación entre una
variable independiente y una dependiente como una línea de tendencia recta. La regresión
se utiliza para predecir una medida basándonos en el conocimiento de otra. Esta relación se
expresa como la siguiente ecuación matemática:
yˆ    xˆ    y  Parámetros o
Coeficientes de la
Valores predecidos ecuación de regresión.
Las figuras (a) y (b) muestran gráficas

de dispersion de datos hipotéticos
para Y y X.
En (a), dada tal dispersion podría

trazarse cualquier número de rectas,
mientras en (b) el número tiende a ser
muy pequeño.

Determinación de la pendiente (b) y el intercepto en “y” (a)
Aplicando la técnica de minimización obtenemos que:
Resolviendo el sistema
 i  yi  yˆ i 
2
 2i  yi  a  bxi   0
de ecuaciones tenemos
a que:
 i  yi  yˆ i   x  x  y  y 
2
 2i xi  yi  a  bxi   0 b i i i
b
 x  x 
2
i i
Desde un punto de vista computacional se utiliza la

siguiente fórmula
1
y  i yi
ni xi yi  i xi i yi n
b
ni x  2
i  x 
i i
2
x
1
 x
i i
n
a  y  bx

EJEMPLO
Una empresa requiere proyectar la demanda potencial de juegos de entretenimiento
electrónico para niños antes de decidir respecto a la conveniencia de emprender una
ampliación de sus instalaciones en otro sector de la ciudad. La información disponible de la
empresa (doce locales en total) muestra promedios históricos anuales de ventas por local
que se exponen en la tabla abajo y su respectiva gráfica.
población infantil

Ilustración de aplicación del método en forma manual
ni xi yi  i xi i yi 12(2,903,465.41)  (346,080)(86,737.00)

b   212.03
ni xi2   x 
i i
2
12(11,876.79)  (346,080) 2
yˆ  1,113.20  212.03xˆ
a  7,288  (212.03)(28.84)  1,113.20

Ilustración de aplicación del método en forma manual
Función de regresión lineal simple

yˆ  1,113.20  212.03xˆ
14,000
12,000
10,000
Ventas
8,000
6,000
4,000
2,000
-
- 10.00 20.00 30.00 40.00 50.00 60.00
Población Infantil (miles)

Aplicando Excel Hagla click en el tab “Datos” y luego seleccione “Regresión”

En la caja de dialogo ingresa los datos de entrada para la variable Y e X, y las opciones que se
muestran.

Obtenemos todos los datos estadísticos de interés y otros más.
yˆ  1,113.20  212.027 xˆ

Variabilidad de la demanda
Variabilidad de la demanda
La demanda depende de varios factores externos a la empresa que hace que su
comportamiento fluctúe esporádicamente en el tiempo.
Algunos de estos factores son: E

T
 Cambios en las políticas económicas C
 Influencia de productos sustitutos Ciclo
 Influencia de productos
complementarios
 Comportamiento estacionario
(temporalidad)
 Cambio en la estructura de la
población
 Modificaciones significativas de A
volumen de producción
 Coyunturas internacionales
En la evolución de las ventas se pueden distinguir hasta cuatro (4) componentes:

1) La tendencia (T), para un periodo suficientemente amplio.
2) Las variaciones periódicas y estacionales (E), inferiores al año.
3) Las variaciones cíclicas (C), dependiendo de la coyuntura económica.
4) Las variaciones accidentales (A), dependen de circunstancias momentáneas y esporádicas.
Medias móviles
Para eliminar las variaciones esporádicas o accidentales de las ventas se utiliza el método
de medias móviles, consistente en sustituir el valor del periodo correspondiente (Vt) por la
media aritmética de este valor y otros que son próximos.
Ejemplo de transformación mediante la media móvil.
Nueva serie (medias Para predecir las ventas con

Serie original mayor precisión, es necesario
móviles)
determinar:
V3  V4  V5
V4 V4  1.los cuatro componentes de la
3
demanda.
V4  V5  V6
V5 V5  2.la forma en que se combinan para
3 ofrecer como resultado un
V5  V6  V7 determinado valor de las ventas,
V6 V6  siguiendo una hipótesis aditiva:
3
 (V = T+E+C+A),
V6  V7  V8
V7 V7  o bien una hipótesis
3
multiplicativa, si es el producto la
V7  V8  V9
V8 V8  forma en que se conjugan:
3  (V = T*E*C*A).
Aplicando Excel
Suavización de la curva de
demanda por media móvil usando
la expresión:
Vt 1  Vt 2  Vt 3
Vt 
3
Curva demanda original
Curva demanda suavizada

(pronóstico)

Previsión de cuotas de mercado
Cuota de Mercado y su previsión futura
La cuota de mercado es la proporción que del mercado total disponible ha obtenido una
empresa, una marca, un producto, una línea de productos o un ítem, en general.
Mercado de la Empresa
Cuota de M ercado 
Mercado to tal en que participa
La evolución de la cuota permite dilucidar si las variaciones de las ventas son debidas a
variables controlables por la empresa o a condiciones generales comunes a toda la
industria en cuestión.
Muchas empresa fijan una cuota de mercado (para la empresa en su conjunto, un producto
en particular o una marca) como objetivo estratégico que luego hay que controlar.
Se requiere una planeación comercial que determine las previsiones de las cuotas
objetivo para determinar el esfuerzo necesario para alcanzar tales objetivos.
Se denomina vector de estado de un periodo a aquel cuyos elementos son las cuotas
de mercado conseguidas por los productos en ese periodo.

Cadenas de Markov como modelo de extrapolación de cuotas de mercado
• Cuotas pueden extrapolarse utilizando los principios de las cadenas de Markov.
• Una cadena es un proceso en tiempo discreto en el que una variable aleatoria “Xn” va
cambiando con el paso del tiempo
t
• Modelo puede ser de diferentes órdenes y complejidad.
• La idea es que cada estado de la cadena de Markov es afectada por previos estados.
• En el modelo de primer orden se considera que solo el último estado afecta al siguiente, es
decir, la probabilidad de Xn= j solo depende del estado inmediatamente anterior Xn-1= i.
• En el modelo de segundo orden, un estado es influenciado por los dos estados previos.
• Ejemplo: la probabilidad de comprar un item dependerá de los dos últimos comprados.
VECTOR DE ESTADO
Se corresponde a una situación en la que existen N items. Por ejemplo, si en un mercado compiten N
marcas y en el periodo pasado (periodo 0) sus cuotas de mercado respectiva, en tantos por uno fueron:
p1 (0), p2 (0), , pN (0)

Entonces el vector de estado correspondiente a ese periodo sería: Q(0)   p1 (0), p2 (0), , pN (0)

EJEMPLO
En un cierto mercado compiten tres ítems de consumo que se adquieren semanalmente.
Efectuando un sondeo entre los establecimiento de venta se ha estimado que la ultima
semana adquirieron el primer item un 10% de los consumidores, que otro 20% adquirió el
segundo, y que el 70% restante adquirió el ítem tercero. ¿Cuál ha sido el vector de estado de
este periodo?
Poniendo las cuotas de mercado en tantos por uno, se obtiene:
Q(0)   p1 (0), p2 (0), p3 (0)  0.1, 0.2, 0.7
PROBABILIDAD DE CAMBIO DE ESTADO

La probabilidad que cambio de estado, es decir, de ir de un estado i al estado j, es:
pij 0  pij  1
pij  P( X n  j X n1  i) Que satisface las propiedades: N
Xn-1 Xn p
j 1
ij 1
Ejemplo, pij es la proporción, que en relación a todos los consumidores que adquieren el item i en un periodo,
representa a los que han decidido adquirir el item j en el siguiente periodo.

MATRIZ DE TRANSICIÓN O DE CAMBIOS DE ESTADO
Cada estado “i” puede moverse hacia otro estado “j”, lo que genera la matriz de transición T = [pij], la cual
es de tamaño N x N y se define como:
 p11 p12  p1N 
p p22  p2N 
T   21
    
 
 p N1 p N2  pNN 
Recordemos, en la aplicación a la estimación de las cuotas, pij es probabillidad que un consumidor que
compró el item i la última vez, pase a comprar el item j en la siguiente ocasión de compra.
VECTOR DEL PROXIMO ESTADO

Cuando se cuenta con el vector de estado inicial y la matriz de transición, se establece la relación matricial
para determinar el vector de próximo estado Q(1), tal que:
Q(1)  Q(0)  T
 p11 p12  p1N 
p p22  p2N 
 p1 (1), p2 (1), , pN (1)   p1 (0), p2 (0), , pN (0)  21
   
 
 p N1 p N2  p NN 

Donde se debe recordar que (producto matricial):
N
p j (1)  p1 (0)  p1 j  p2 (0)  p2 j    pN (0)  pNj   pi (0)  pij
i 1
para j: {1,2,…N}
EJEMPLO
En el mercado al que se refiere el ejemplo anterior, a comienzos de esta semana se ha
realizado un sondeo sobre la intención de compra de los consumidores y se ha llegado a la
conclusión de que:
 De cada 100 consumidores que adquirieron el primer ítem la ultima semana, 50
volverán a adquirirlo, 10 cambiarán al segundo, y el resto adquirirá el tercero.
 Con relación al segundo item, de cada 100 consumidores que lo adquirieron la última
semana, 80 lo volverán a adquirir, 10 cambiarán al primero y otros 10 al tercero.
 En cuanto al tercer item, de cada 100 adquirientes la ultima semana, 30 cambiaran al
primero, 20 al segundo y el resto volverá a adquirir el mismo.
Se desea conocer las cuotas previstas para esta semana.

Del ejemplo anterior tenemos el vector de cuota de mercado inicial, P(0):
Q(0)   p1 (0), p2 (0), p3 (0)  0.1, 0.2, 0.7
Se determina la matriz de transición de acuerdo a las estadísticas facilitadas:
Tenemos que i: 1, 2, 3, y también j: 1, 2, 3. Por tanto, N=3. Es una matriz NxN=3x3.
p11=50/100=0.5 p12=10/100=0.1 p13=40/100=0.4

p21=10/100=0.1 p22=80/100=0.8 p23=10/100=0.1
p31=30/100=0.3 p32=20/100=0.2 p33=50/100=0.5
Luego la matriz de transición se puede expresar así:
 p11 p12 p13  0.5 0.1 0.4 

T   p21 p22 p23   0.1 0.8 0.1 
 p31 p32 p33  0.3 0.2 0.5 

El vector de estado final en P(1) se obtiene del producto del vector inicial P(0) y la matriz de
transición T.
Q(1)  Q(0)  T
0.5 0.1 0.4 
Q(1)  0.1, 0.2, 0.7 0.1 0.8 0.1 
0.3 0.2 0.5 
Q(1)  (0.1 0.5  0.2  0.1  0.7  0.3), (0.1 0.1  0.2  0.8  0.7  0.2), (0.1 0.4  0.2  0.1  0.7  0.5)
Q(1)  0.28, 0.31, 0.41
Se prevé que el 28% de los consumidores adquirirán el primer ítem, el 31% el segundo y el
41% el tercero.

Caso: Matriz de Transición Estacionaria y cuota a largo plazo
Si se supone que el comportamiento de los consumidores se mantiene igual a través del
tiempo, implica que estamos frente a una matriz de transición estacionaria, donde cada
uno de sus elementos pij, (probabilidades de cambio de estado) permanece constante,
entonces se cumple la siguiente condición:
Q( 2 )  Q(1)  T  Q(0)  T  T  Q(0)  T 2
Generalizando el enésimo ciclo de transición (en el ejemplo se tomo el periodo semanal),

tendremos:
Q(n)  Q(n  1)  T  Q(0)  T n
La potencia de la matriz T es otra matriz. Si tal potencia tiene limite cuando n tiende a
infinito, se dice que la cadena de Markov es asintóticamente ergódica. Evidentemente,
lim Q(n)  lim Q(n  1)  T

n n

Denominaremos L al vector de estado que es el límite para n tendiendo a infinito de Q(n):
L  lim Q(n)  1 , 2 , , N 

n
Como en todos los vectores de estado, se cumple que:
1  2    N  1
De las expresiones anteriores, se sigue que:
L  L T
Lo que es lo mismo:
 p11 p12  p1N 
p p22  p2N 
1 , 2 , , N   1 , 2 , , N   21
   
 
 p N1 p N2  p NN 

Lo cual permite obtener un sistema de ecuaciones del que deducir los valores de los
elementos de L:
1  1 p11  2 p21    N p N 1
2  1 p12  2 p22    N p N 2

N  1 p1N  2 p2 N    N p NN
Dado que la suma de los términos de una fila de la matriz de transición vale la unidad, las
ecuaciones anteriores son complementarias, por lo que es preciso sustituir cualquier de ellas
por la siguiente, a efecto de resolver el sistema de ecuaciones:
1  2    N  1
Los valores obtenidos de 1, 2,…, N son las cuotas hacia las que se tiende a largo plazo si
no se modifica la matriz de transición por cualquier causa, como puede ser la relativa a los
esfuerzos mercadotécnicos de las empresas concurrentes (competidoras).

EJEMPLO
Hacia que cuotas tiende a largo plazo el mercado al que se refieren los ejemplos anteriores?
En este caso, el sistema de ecuaciones que resulta sería:
1  1  0.5  2  0.1  3  0.3

 p11 p12 p13  0.5 0.1 0.4 
T   p21 p22 p23   0.1 0.8 0.1  2  1  0.1  2  0.8  3  0.2
   
 p31 p32 p33  0.3 0.2 0.5  3  1  0.3  2  0.2  3  0.5
Escogiendo las dos primeras ecuaciones, y la condición: 1  1  2  3

Formamos el sistema de tres ecuaciones con tres variables, y resolviendo tenemos:
1  0.2666
2  0.4333
3  0.3
Si la matriz permanece constante, el segundo ítem acabará consiguiendo un 43.33% de
mercado, seguido por el segundo con 30% y, finalmente, el primero, al que le corresponderá
26.67%.
L  lim Q(n)  0.26, 0.43, 0.30
n

Resumen
En esta conferencia estudiamos:

 Los modelos básicos para estimar el comportamiento de la demanda,
particularmente los métodos de extrapolación como la regresión lineal simple. Este
método también es considerado un método explicativo.
 La demanda experimenta variaciones que deben tomarse en cuenta cuando se

establece la demanda. Esta variaciones temporales, estacionarias, accidentales, y
de tendencia.
 La variabilidad de la demanda se suele suavizar por medio de técnicas de media

móvil para marcar un mejor patrón de comportamiento y pronostico de la demanda.
 La previsión de cuotas de mercado puede determinarse por medio de la aplicación

de técnicas propias de las cadenas de Markov, tanto a corto como largo plazo,
siempre que se cuente con la matriz de transición para determinar el vector de cuota
de mercado final.

Lectura sugerida
Curso de introducción a la economía de la empresa.

(Eduardo Perez Goróstegui) - 2014
Capítulo 13. Págs. 532 – 545.

UNIVERSIDAD NACIONAL DE INGENIERÍA
Facultad de Electrotecnia y Computación
Israel M. Zamora, MBA & MSc-TM

Profesor Titular
www.fec.uni.edu.ni Departamento de Sistemas Digitales y Telecomunicaciones
Administración y Economía de Empresa para Ingenieros

Lecture 40 - Estimación de Demanda y Cuota de Mercado

Caricato da

Informazioni sul documento

Copyright

Formati disponibili

Condividi questo documento

Condividi o incorpora il documento

Opzioni di condivisione

Hai trovato utile questo documento?

Questo contenuto è inappropriato?

Copyright:

Formati disponibili

Lecture 40 - Estimación de Demanda y Cuota de Mercado

Caricato da

Copyright:

Formati disponibili

UNIVERSIDAD NACIONAL DE INGENIERÍA

Facultad de Electrotecnia y Computación

Israel M. Zamora, MBA & MSc-TM

Administración y Economía de Empresa para Ingenieros

UNIDAD 6: El subsistema de Comercialización

Introducir técnicas básicas para estimar el

I. Zamora 2 Estimación de la Demanda y Cuota de Mercado.

• Previsión y estimación de la demanda

• Previsión de cuotas de mercado

I. Zamora 3 Estimación de la Demanda y Cuota de Mercado.

Corto plazo Basado en factores coyunturales

Basado en factores variables:

Basado en otros factores, además del tiempo.

I. Zamora 4 Estimación de la Demanda y Cuota de Mercado.

Vˆt      t En realidad, el valor real de las ventas para un instante t es: Vt      t   t

I. Zamora 6 Estimación de la Demanda y Cuota de Mercado.

I. Zamora 7 Estimación de la Demanda y Cuota de Mercado.

Relación entre la regresión y

I. Zamora 8 Estimación de la Demanda y Cuota de Mercado.

Las figuras (a) y (b) muestran gráficas

En (a), dada tal dispersion podría

I. Zamora 9 Estimación de la Demanda y Cuota de Mercado.

Desde un punto de vista computacional se utiliza la

I. Zamora 10 Estimación de la Demanda y Cuota de Mercado.

I. Zamora 11 Estimación de la Demanda y Cuota de Mercado.

ni xi yi  i xi i yi 12(2,903,465.41)  (346,080)(86,737.00)

I. Zamora 12 Estimación de la Demanda y Cuota de Mercado.

Función de regresión lineal simple

Población Infantil (miles)

I. Zamora 13 Estimación de la Demanda y Cuota de Mercado.

I. Zamora 14 Estimación de la Demanda y Cuota de Mercado.

I. Zamora 15 Estimación de la Demanda y Cuota de Mercado.

Obtenemos todos los datos estadísticos de interés y otros más.

I. Zamora 16 Estimación de la Demanda y Cuota de Mercado.

Algunos de estos factores son: E

En la evolución de las ventas se pueden distinguir hasta cuatro (4) componentes:

Ejemplo de transformación mediante la media móvil.

Nueva serie (medias Para predecir las ventas con

Curva demanda original

Curva demanda suavizada

I. Zamora 19 Estimación de la Demanda y Cuota de Mercado.

I. Zamora 20 Estimación de la Demanda y Cuota de Mercado.

p1 (0), p2 (0), , pN (0)

I. Zamora 21 Estimación de la Demanda y Cuota de Mercado.

Poniendo las cuotas de mercado en tantos por uno, se obtiene:

Q(0)   p1 (0), p2 (0), p3 (0)  0.1, 0.2, 0.7

PROBABILIDAD DE CAMBIO DE ESTADO

I. Zamora 22 Estimación de la Demanda y Cuota de Mercado.

VECTOR DEL PROXIMO ESTADO

I. Zamora 23 Estimación de la Demanda y Cuota de Mercado.

Se desea conocer las cuotas previstas para esta semana.

I. Zamora 24 Estimación de la Demanda y Cuota de Mercado.

Q(0)   p1 (0), p2 (0), p3 (0)  0.1, 0.2, 0.7

Se determina la matriz de transición de acuerdo a las estadísticas facilitadas:

Tenemos que i: 1, 2, 3, y también j: 1, 2, 3. Por tanto, N=3. Es una matriz NxN=3x3.

p11=50/100=0.5 p12=10/100=0.1 p13=40/100=0.4

Luego la matriz de transición se puede expresar así:

 p11 p12 p13  0.5 0.1 0.4 

I. Zamora 25 Estimación de la Demanda y Cuota de Mercado.

Q(1)  0.28, 0.31, 0.41

I. Zamora 26 Estimación de la Demanda y Cuota de Mercado.

Q( 2 )  Q(1)  T  Q(0)  T  T  Q(0)  T 2

Generalizando el enésimo ciclo de transición (en el ejemplo se tomo el periodo semanal),

Q(n)  Q(n  1)  T  Q(0)  T n