Cómo elegir la técnica de previsión correcta

Prácticamente en cada decisión que toman, los ejecutivos actuales tienen en cuenta algún tipo de previsión. Las predicciones acertadas de la demanda y las tendencias ya no son artículos de lujo sino una necesidad si los gerentes quieren hacer frente a la estacionalidad, los cambios repentinos en los niveles de demanda, las maniobras de reducción de precios de la competencia, las huelgas y las grandes oscilaciones de la economía. La previsión puede ayudarlos a hacer frente a estos problemas; pero puede ayudarlos más, cuanto más sepan sobre los principios generales de la previsión, lo que puede y no puede hacer por ellos actualmente y las técnicas que se adaptan a sus necesidades del momento. Aquí los autores intentan explicar el potencial de las previsiones a los gerentes, centrando especial atención en las previsiones de ventas de los productos de Corning Glass Works a medida que maduran a lo largo del ciclo de vida del producto. También se incluye un resumen de las técnicas de previsión.

Para gestionar la creciente variedad y complejidad de los problemas de previsión gerencial, se han desarrollado muchas técnicas de previsión en los últimos años. Cada uno tiene su uso especial y hay que tener cuidado al seleccionar la técnica correcta para una aplicación en particular. Tanto el gerente como el pronosticador tienen un papel que desempeñar en la selección de la técnica; y cuanto mejor entiendan el abanico de posibilidades de previsión, más probabilidades hay de que los esfuerzos de previsión de la empresa den sus frutos.

La selección de un método depende de muchos factores: el contexto de la previsión, la relevancia y la disponibilidad de los datos históricos, el grado de precisión deseado, el período de tiempo que se prevé, la relación coste/beneficio (o valor) de la previsión para la empresa y el tiempo disponible para realizar el análisis.

Estos factores deben sopesarse constantemente y en diversos niveles. En general, por ejemplo, el pronosticador debe elegir una técnica que aproveche al máximo los datos disponibles. Si el pronosticador puede aplicar fácilmente una técnica con una precisión aceptable, no debe intentar «chaparla en oro» mediante el uso de una técnica más avanzada que ofrezca una precisión potencialmente mayor, sino que requiera información inexistente o que sea costosa de obtener. Este tipo de concesiones son relativamente fáciles de hacer, pero otras, como veremos, requieren mucha más reflexión.

Además, cuando una empresa desee hacer previsiones con referencia a un producto en particular, debe tener en cuenta la fase del ciclo de vida del producto para la que hace la previsión. La disponibilidad de los datos y la posibilidad de establecer relaciones entre los factores dependen directamente de la madurez de un producto y, por lo tanto, la fase del ciclo de vida es un determinante principal del método de previsión que se utilice.

Leer más sobre

Seis reglas para una previsión eficaz

Nuestro propósito es presentar una visión general de este campo explicando la forma en que una empresa debe abordar un problema de previsión, describiendo los métodos disponibles y explicando cómo hacer coincidir un método con un problema. Ilustraremos el uso de las distintas técnicas a partir de nuestra experiencia con ellas en Corning y, a continuación, terminaremos con nuestra propia previsión para el futuro de la previsión.

Aunque creemos que la previsión sigue siendo un arte, creemos que algunos de los principios que hemos aprendido con la experiencia pueden ser útiles para otros.

Gestor, pronosticador y elección de métodos

Un gerente suele dar por sentado que, cuando pide a un pronosticador que prepare una proyección específica, la propia solicitud proporciona información suficiente para que el pronosticador vaya a trabajar y haga el trabajo. Esto casi nunca es cierto.

La previsión exitosa comienza con una colaboración entre el gerente y el pronosticador, en la que encuentran las respuestas a las siguientes preguntas.

1. ¿Cuál es el propósito de la previsión? ¿Cómo se va a utilizar?

Esto determina la precisión y la potencia requeridas de las técnicas y, por lo tanto, rige la selección. Decidir si entrar en un negocio puede requerir solo una estimación bastante bruta del tamaño del mercado, mientras que una previsión hecha con fines presupuestarios debería ser bastante precisa. Las técnicas apropiadas difieren en consecuencia.

De nuevo, si la previsión quiere establecer un «estándar» con el que evaluar el rendimiento, el método de previsión no debe tener en cuenta las acciones especiales, como las promociones y otros dispositivos de marketing, ya que su objetivo es cambiar los patrones y las relaciones históricos y, por lo tanto, formar parte del «rendimiento» que se va a evaluar.

Las previsiones que se limitan a esbozar lo que será el futuro si una empresa no realiza cambios significativos en la táctica y la estrategia no suelen ser lo suficientemente buenas para planificarla. Por otro lado, si la dirección quiere una previsión del efecto que una determinada estrategia de marketing en debate tendrá en el crecimiento de las ventas, la técnica debe ser lo suficientemente sofisticada como para tener en cuenta explícitamente las acciones y eventos especiales que implica la estrategia.

Las técnicas varían en coste, alcance y precisión. El gerente debe fijar el nivel de inexactitud que puede tolerar; en otras palabras, decidir cómo variará su decisión, según el rango de precisión de la previsión. Esto permite al pronosticador compensar el coste con el valor de la precisión al elegir una técnica.

Por ejemplo, en la producción y el control del inventario, es probable que el aumento de la precisión conduzca a una reducción de las existencias de seguridad. En este caso, el gerente y el pronosticador deben sopesar el coste de una técnica más sofisticada y cara con los posibles ahorros en los costes de inventario.

El gráfico I muestra cómo el coste y la precisión aumentan con la sofisticación y lo compara con el coste correspondiente de los errores de previsión, teniendo en cuenta algunas suposiciones generales. La técnica más sofisticada que puede justificarse económicamente es la que se aplica en la región en la que la suma de los dos costes es mínima.

Ver más gráficos de HBR en Datos e imágenes

Una vez que el gestor haya definido el propósito de la previsión, podrá asesorar al gestor sobre la frecuencia con la que sería útil realizarla. Desde un punto de vista estratégico, deberían analizar si la decisión que se toma sobre la base de la previsión se puede cambiar más adelante, si consideran que la previsión es inexacta. Si es puede cambiarse, entonces deberían hablar sobre la utilidad de instalar un sistema para rastrear la precisión de la previsión y el tipo de sistema de seguimiento adecuado.

2. ¿Cuáles son la dinámica y los componentes del sistema para los que se realizará la previsión?

Esto aclara las relaciones de las variables que interactúan. Por lo general, el gerente y el pronosticador deben revisar un diagrama de flujo que muestre las posiciones relativas de los diferentes elementos del sistema de distribución, el sistema de ventas, el sistema de producción o lo que sea que se esté estudiando.

El anexo II muestra estos elementos para el sistema a través del cual el principal componente de Corning Glass Works (CGW) para los televisores en color, la bombilla, llega 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 oleoducto, que ejercen efectos importantes en todo el sistema de flujo y, por lo tanto, son de vital interés para el pronosticador.

Ver más gráficos de HBR en Datos e imágenes

Todos los elementos del gris oscuro afectan directamente al procedimiento de previsión hasta cierto punto, y la clave de colores sugiere la naturaleza de los datos de CGW en cada punto, una vez más un determinante principal de la selección de técnicas, ya que diferentes técnicas requieren diferentes tipos de entradas. Cuando los datos no están disponibles o es caro obtenerlos, la gama de opciones de previsión es limitada.

El diagrama de flujo también debería mostrar qué partes del sistema están bajo el control de la empresa que hace la previsión. En la prueba II, se trata simplemente del volumen de paneles y embudos de vidrio suministrado por Corning a los fabricantes de tubos.

En la parte del sistema en la que la empresa tiene el control total, la dirección tiende a estar en sintonía con las distintas relaciones de causa y efecto y, por lo tanto, puede utilizar con frecuencia técnicas de previsión que tienen en cuenta los factores causales de forma explícita.

El diagrama de flujo tiene un valor especial para el pronosticador, ya que se necesitan métodos de predicción causal porque le permite hacer conjeturas sobre las posibles variaciones en los niveles de ventas causadas por los inventarios y similares, y determinar qué factores debe tener en cuenta la técnica para proporcionar al ejecutivo una previsión con una precisión aceptable.

Una vez que se hayan aclarado estos factores y sus relaciones, el pronosticador podrá crear un modelo causal del sistema que capte tanto los hechos como la lógica de la situación, que es, al fin y al cabo, la base de una previsión sofisticada.

3. ¿Qué importancia tiene el pasado para estimar el futuro?

Los cambios importantes en el sistema (nuevos productos, nuevas estrategias competitivas, etc.) disminuyen la similitud entre el pasado y el futuro. A corto plazo, es poco probable que los cambios recientes alteren los patrones generales, pero a largo plazo es probable que sus efectos aumenten. El ejecutivo y el pronosticador deben discutirlo a fondo.

Tres tipos generales

Una vez que el gerente y el pronosticador hayan formulado su problema, el pronosticador podrá elegir un método. Hay tres tipos básicos: técnicas cualitativas, análisis y proyección de series temporales, y modelos causales.

La primera utiliza datos cualitativos (opiniones de expertos, por ejemplo) e información sobre eventos especiales del tipo ya mencionado, y puede tener en cuenta o no el pasado.

La segunda, por otro lado, se centra enteramente en los patrones y los cambios de patrón y, por lo tanto, se basa enteramente en los datos históricos.

La tercera utiliza información muy refinada y específica sobre las relaciones entre los elementos del sistema, y es lo suficientemente potente como para tener en cuenta formalmente los eventos especiales. Al igual que con las técnicas de análisis y proyección de series temporales, el pasado es importante para los modelos causales.

Estas diferencias implican (con toda razón) que el mismo tipo de técnica de previsión no es adecuada para pronosticar las ventas, por ejemplo, en todas las etapas del ciclo de vida de un producto; por ejemplo, una técnica que se base en datos históricos no sería útil para pronosticar el futuro de un producto totalmente nuevo que no tiene historial.

La mayor parte del resto de este artículo se centrará en el problema de adaptar la técnica a las etapas del ciclo de vida. Esperamos dar al ejecutivo una visión del potencial de la previsión mostrándole cómo se va a abordar este problema. Pero antes de hablar del ciclo de vida, necesitamos esbozar las funciones generales de los tres tipos básicos de técnicas con un poco más de detalle.

Técnicas cualitativas.

Principalmente, se utilizan cuando los datos escasean, por ejemplo, cuando un producto se introduce por primera vez en un mercado. Utilizan el juicio humano y los esquemas de valoración para convertir la información cualitativa en estimaciones cuantitativas.

El objetivo aquí es reunir de forma lógica, imparcial y sistemática toda la información y las sentencias relacionadas con los factores que se estiman. Estas técnicas se utilizan con frecuencia en áreas de nueva tecnología, donde el desarrollo de una idea de producto puede requerir varios «inventos», por lo que las demandas de I+D son difíciles de estimar y donde las tasas de aceptación y penetración en el mercado son muy inciertas.

La colección de gráficos, «Técnicas básicas de previsión», presenta varios ejemplos de este tipo (consulte la primera sección), incluidos estudios de mercado y la ya conocida técnica Delphi.1 En este gráfico hemos intentado proporcionar información básica sobre los principales tipos de técnicas de previsión. Algunas de las técnicas enumeradas no son en realidad un método o modelo único, sino toda una familia. Por lo tanto, es posible que nuestras declaraciones no describan con precisión todas las variaciones de una técnica y, más bien, se interpreten como una descripción del concepto básico de cada una de ellas.

Ver más gráficos de HBR en Datos e imágenes

También es necesario incluir un descargo de responsabilidad sobre las estimaciones del gráfico. Las estimaciones de los costes son aproximadas, al igual que los tiempos de cálculo, los índices de precisión y los índices de identificación del punto de inflexión. Los costes de algunos procedimientos dependen de si se utilizan de forma rutinaria o de si se configuran para una sola previsión; además, si las ponderaciones o las estacionalidades tienen que determinarse de nuevo cada vez que se hace una previsión, los costes aumentan significativamente. Aun así, las cifras que presentamos pueden servir de guía general.

Análisis de series temporales.

Son técnicas estadísticas que se utilizan cuando se dispone de datos de varios años sobre un producto o una línea de productos y cuando las relaciones y las tendencias son claras y relativamente estables.

Ver más gráficos de HBR en Datos e imágenes

Uno de los principios básicos de la previsión estadística —de hecho, de todas las previsiones cuando hay datos históricos disponibles— es que el pronosticador debe utilizar los datos del rendimiento pasado para obtener una «lectura velocímetro» del tipo actual (de ventas, por ejemplo) y de la rapidez con la que este índice aumenta o disminuye. El ritmo actual y los cambios en el ritmo («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 sin procesar, ya que los tipos y las tendencias no son evidentes de inmediato; se mezclan con las variaciones estacionales, por ejemplo, y quizás se distorsionan debido a factores como los efectos de una gran campaña de promoción de ventas. Los datos sin procesar deben manipularse antes de que puedan utilizarse, y esto se hace con frecuencia mediante análisis de series temporales.

Ahora, un serie temporal es un conjunto de puntos de datos sin procesar ordenados cronológicamente, 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 «estaciones»
• Patrones cíclicos que se repiten dos o tres años o más
• Tendencias en los datos
• Tasas de crecimiento de estas tendencias

(Por desgracia, la mayoría de los métodos existentes identifican únicamente las estaciones, el efecto combinado de las tendencias y los ciclos y el componente irregular o casual. Es decir, no se separan tendencias de ciclos. Volveremos a este punto cuando hablemos del análisis de series temporales en las fases finales de la madurez del producto.)

Una vez completado el análisis, podrá empezar la labor de proyectar las ventas futuras (o lo que sea).

Debemos tener en cuenta que, si bien aquí hemos separado el análisis de la proyección con fines explicativos, la mayoría de las técnicas de previsión estadística combinan ambas funciones en una sola operación.

Un futuro como el pasado: De esta descripción se deduce que todas las técnicas estadísticas se basan en la suposición de que los patrones existentes se mantendrán 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 previsiones razonablemente precisas para el futuro inmediato, pero no funcionan muy bien en el futuro (a menos que los patrones de datos sean extraordinariamente estables).

Por la misma razón, estas técnicas normalmente no puede predecir cuándo la tasa de crecimiento de una tendencia cambiará significativamente, por ejemplo, cuando un período de lento crecimiento de las ventas pase repentinamente a un período de rápida caída.

Estos puntos se llaman puntos de inflexión. Naturalmente, son de las mayores consecuencias para el gerente y, como veremos, el pronosticador debe utilizar diferentes herramientas, además de técnicas estadísticas puras, para predecir cuándo se producirán.

Modelos causales.

Cuando los datos históricos están disponibles y se han realizado suficientes análisis como para detallar de forma explícita las relaciones entre el factor que se va a pronosticar y otros factores (como las empresas, las fuerzas económicas y los factores socioeconómicos relacionados), el pronosticador suele construir un modelo causal.

Ver más gráficos de HBR en Datos e imágenes

Ver más gráficos de HBR en Datos e imágenes

Un modelo causal es el tipo de herramienta de previsión más sofisticada. Expresa matemáticamente las relaciones causales pertinentes y puede incluir consideraciones sobre los oleoductos (es decir, los inventarios) e información de encuestas de mercado. También puede incorporar directamente los resultados de un análisis de series temporales.

El modelo causal tiene en cuenta todo lo conocido sobre la dinámica del sistema de flujo y utiliza las predicciones de eventos relacionados, como las acciones competitivas, las huelgas y los ascensos. Si los datos están disponibles, el modelo generalmente incluye factores para cada ubicación del diagrama de flujo (como se muestra en la figura II) y los conecta mediante ecuaciones para describir el flujo total del producto.

Si faltan ciertos tipos de datos, al principio puede que sea necesario hacer suposiciones sobre algunas de las relaciones y, después, hacer un seguimiento de lo que sucede para determinar si las suposiciones son ciertas. Por lo general, un modelo causal se revisa continuamente a medida que se dispone de más conocimientos sobre el sistema.

De nuevo, consulte la tabla para ver un resumen de los tipos de técnicas causales más comunes. Como muestra el gráfico, los modelos causales son, con mucho, los mejores para predecir los puntos de inflexión y preparar previsiones a largo plazo.

Métodos, productos y ciclo de vida

En cada etapa de la vida útil de un producto, desde la concepción hasta las ventas en estado estacionario, las decisiones que debe tomar la dirección son por lo general muy diferentes y requieren diferentes tipos de información como base. Las técnicas de previsión que proporcionan estos conjuntos de información difieren de forma análoga. El anexo III resume las etapas de vida de un producto, las decisiones típicas que se toman en cada una de ellas y las principales técnicas de previsión adecuadas en cada una de ellas.

Ver más gráficos de HBR en Datos e imágenes

Del mismo modo, diferentes productos pueden requerir diferentes tipos de previsión. Dos productos de CGW que se han manipulado de forma muy diferente son los principales componentes de vidrio de los tubos de televisión en color, de los que Corning es uno de los principales proveedores, y los utensilios de cocina CorningWare, una línea exclusiva de productos de consumo. Vamos a rastrear los métodos de previsión utilizados en cada una de las cuatro fases diferentes de madurez de estos productos para obtener una visión de primera mano de la elección y la aplicación de algunas de las principales técnicas disponibles en la actualidad.

Antes de empezar, observemos en qué se diferencian las situaciones para los dos tipos de productos:

• Para un producto de consumo como los utensilios de cocina, el control del canal de distribución por parte del fabricante se extiende al menos a nivel de distribuidor. Por lo tanto, el fabricante puede efectuar o controlar las ventas al consumidor de forma bastante directa, así como controlar directamente algunos de los elementos del oleoducto. Por lo tanto, muchos de los cambios en las tasas de envío y en la rentabilidad general se deben a las medidas adoptadas por los propios fabricantes. Las decisiones tácticas sobre las promociones, las ofertas especiales y los precios suelen quedar también a su discreción. Por lo tanto, la técnica seleccionada por el pronosticador para proyectar las ventas debería permitir incorporar esa «información especial». Puede que haya que empezar con técnicas simples y llegar a otras más sofisticadas que abarquen esas posibilidades, pero el objetivo final está ahí.

• Cuando la empresa del gerente suministra un componente a un OEM, como hace Corning para los fabricantes de tubos, la empresa no tiene una influencia ni un control tan directos sobre los elementos del oleoducto ni sobre las ventas al consumidor final. Puede que sea imposible para la empresa obtener buena información sobre lo que ocurre en los puntos más avanzados del sistema de flujo (como en el segmento superior del gráfico II) y, en consecuencia, el pronosticador utilizará necesariamente un género de previsión diferente al que se utiliza para un producto de consumo.

Entre estos dos ejemplos, analizaremos casi toda la gama de técnicas de previsión. Sin embargo, según sea necesario, abordaremos otros productos y otros métodos de previsión.

1. Desarrollo de productos

En las primeras fases del desarrollo del producto, el director quiere respuestas a preguntas como las siguientes:

• Cuáles son las oportunidades de crecimiento alternativas a la búsqueda de productos X?
• ¿Cómo han establecido productos similares a X ¿le fue?
• Debería nosotros entrar en este negocio y, de ser así, ¿en qué segmentos?
• ¿Cómo debemos asignar los esfuerzos y los fondos de I+D?
• ¿Qué éxito tendrán los diferentes conceptos de productos?
• Cómo será el producto X ¿caber en los mercados dentro de cinco o 10 años?

Las previsiones que ayudan a responder a estas preguntas de largo alcance deben tener necesariamente horizontes a largo plazo en sí mismas.

Una objeción común a gran parte de las previsiones a largo plazo es que es prácticamente imposible predecir con precisión lo que ocurrirá dentro de varios años. 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, la previsión y una medida de su precisión permiten al gerente conocer los riesgos de seguir una estrategia seleccionada y, con este conocimiento, elegir una estrategia adecuada entre las disponibles.

La investigación de mercado sistemática es, por supuesto, uno de los pilares en esta área. Por ejemplo, el análisis de patrones prioritarios puede describir las preferencias de los consumidores y la probabilidad de que compren un producto y, por lo tanto, es de gran utilidad para pronosticar (y actualizar) los niveles y tasas de penetración. Pero también hay otras herramientas, según el estado del mercado y el concepto del producto.

Para un mercado definido.

Si bien no puede haber datos directos sobre un producto que aún sea un destello, la información sobre su rendimiento probable se puede recopilar de varias maneras, siempre que el mercado en el que se venda sea una entidad conocida.

En primer lugar, se puede comparar un producto propuesto con los productos actuales y planificados de la competencia y clasificarlo en escalas cuantitativas según diferentes factores. A esto lo llamamos medición de diferencias de producto.2

Para que este enfoque tenga éxito, es fundamental 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 de manera más formalista, se puede construir desagregar modelos de mercado separando los diferentes segmentos de un mercado complejo para su estudio y consideración individuales. En concreto, suele ser útil proyectar el S curvas de crecimiento en forma de curvas para los niveles de ingresos de las diferentes regiones geográficas.

Cuando se propusieron las bombillas de TV en color como producto, CGW pudo identificar los factores que influirían en el crecimiento de las ventas. Entonces, al desagregar la demanda de los consumidores y hacer ciertas suposiciones sobre estos factores, fue posible desarrollar un S-curva para la tasa de penetración en el mercado doméstico que nos resultó muy útil.

En tercer lugar, se puede comparar un producto proyectado con un «antepasado» de 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 la televisión en blanco y negro. Justificamos este procedimiento con el argumento de que la televisión en color representaba un avance con respecto al blanco y negro, análogo (aunque menos intenso) al avance que la televisión en blanco y negro representaba en la radio. Los análisis del crecimiento del mercado de la 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, la renta disponible de los consumidores en 1949, los precios de la televisión en color y otros aparatos en 1965 y la renta disponible de los consumidores en 1965 se tuvieron en cuenta de forma rentable al elaborar nuestra previsión a largo plazo de la penetración de la televisión en color a nivel nacional. Los patrones de éxito de la televisión en blanco y negro, entonces, dieron una idea de la probabilidad de éxito y el potencial de ventas de la televisión en color.

Nuestras predicciones sobre la aceptación de los utensilios de cocina CorningWare por parte de los consumidores, se derivaron principalmente de una fuente experta, un gerente que entendió perfectamente las preferencias de los consumidores y el mercado de artículos para el hogar. Estas predicciones se han confirmado bien. Esto refuerza nuestra creencia de que las previsiones de ventas de un nuevo producto que compita en un mercado existente están destinadas a ser incompletas e inciertas, a menos que se tengan en cuenta las mejores opiniones del personal con mucha experiencia.

Por un mercado indefinido.

Sin embargo, con frecuencia el mercado de un producto nuevo está poco definido o hay pocos datos disponibles, el concepto del 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 de ordenador de tiempo compartido.

Muchas organizaciones han aplicado el método Delphi para 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 insumo-producto, combinado con otras técnicas, puede resultar extremadamente útil para proyectar el curso futuro de las amplias tecnologías y los grandes cambios en la economía. Las herramientas básicas aquí son las tablas de entrada-salida de la industria estadounidense para 1947, 1958 y 1963, y varias actualizaciones de las tablas de 1963 preparadas por varios grupos que deseaban extrapolar las cifras de 1963 o hacer previsiones para años posteriores.

Como una empresa o línea de productos puede representar solo a un sector pequeño de una industria, puede resultar difícil utilizar las tablas directamente. Sin embargo, varias empresas están desagregando los sectores para evaluar su potencial de ventas y pronosticar los cambios en la gama 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 entrada y salida sean más útiles para la gente del negocio de la electrónica actual. (Otras técnicas, como el consenso de los paneles y las previsiones visionarias, nos parecen menos eficaces y no podemos evaluarlas a partir de nuestra propia experiencia).

2. Pruebas e introducción

Antes de que un producto pueda entrar en su fase de penetración (esperemos) rápida, hay que comprobar su potencial de mercado y introducir el producto, y entonces tal vez sea recomendable hacer más pruebas de mercado. En este momento, 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 la demanda crezca, ¿dónde debemos desarrollar 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 en obtener buenas previsiones a corto, medio y largo plazo.

Una previsión de ventas en este momento debe proporcionar tres puntos de información: la fecha en que comenzarán las ventas rápidas, la tasa de penetración en el mercado durante la fase de venta rápida y el nivel máximo de penetración, o tasa de venta, durante la fase de estado estacionario.

Uso de datos iniciales.

La fecha en la que un producto entrará en la fase de rápido crecimiento 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 el éxito de la introducción del producto, junto con estudios de mercado rutinarios para determinar si se ha producido un aumento significativo en la tasa de ventas.

Además, hay que tener el máximo cuidado al analizar los datos de ventas anticipadas que comienzan a acumularse una vez que el producto se introduce en el mercado. Por ejemplo, es importante distinguir entre las ventas a innovadores, quién probará algo nuevo y rebajas a imitadores, quién comprará un producto solo después de que lo hayan aceptado los innovadores, ya que es este último grupo el que proporciona estabilidad a la demanda. Muchos productos nuevos tuvieron éxito al principio gracias a las compras de innovadores, solo para fracasar más adelante en la recta final.

Rastrear a los dos grupos significa realizar estudios de mercado, posiblemente a través de paneles de opinión. Un panel debe incluir tanto a innovadores como a imitadores, ya que los innovadores pueden enseñarle mucho sobre cómo mejorar un producto, mientras que los imitadores dan una idea de los deseos y expectativas de todo el mercado.

El televisor en color, por ejemplo, se introdujo en 1954, pero no obtuvo la aceptación de la mayoría de los consumidores hasta finales de 1964. Sin duda, el televisor en color no podía salir de la fase de presentación y entrar en una fase de rápido crecimiento hasta que las cadenas hubieran aumentado sustancialmente su programación en color. Sin embargo, es probable que señales de alerta especiales, como «aumento sustancial de la programación en color de la red», vengan después de los hechos, desde el punto de vista de la planificación; y, en general, descubrimos que las encuestas de consumidores diseñadas científicamente que se realizan de forma regular son el medio más temprano de detectar los puntos de inflexión en la demanda de 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 la previsión estadística. Los estudios de mercado pueden ser útiles, naturalmente, como hemos indicado. Pero, más comúnmente, el pronosticador intenta identificar un producto similar y antiguo cuyo patrón de penetración debería ser similar al del nuevo producto, ya que los mercados en general pueden mostrar patrones consistentes y de hecho muestran.

De nuevo, consideremos la televisión en color y las previsiones que preparamos en 1965.

Para los años 1947-1968, el anexo IV muestra los gastos totales de los consumidores, los gastos en electrodomésticos, los gastos en radios y televisores y los porcentajes pertinentes. La columna 4 muestra que los gastos totales en electrodomésticos se mantienen relativamente estables durante períodos de varios años; por lo tanto, los aparatos nuevos deben competir con los existentes, especialmente durante las recesiones (consulte las cifras de 1948-1949, 1953-1954, 1957-1958 y 1960-1961).

Ver más gráficos de HBR en Datos e imágenes

Ciertas fluctuaciones especiales en estas cifras tienen una importancia especial en este caso. Cuando la televisión en blanco y negro se introdujo como un nuevo producto entre 1948 y 1951, la relación entre los gastos en aparatos de radio y televisión y los gastos totales en bienes de consumo (véase la columna 7) aumentó alrededor de un 33% (del 1,23% al 1,63%), frente a un modesto aumento de solo el 13% (del 1,63% al 1,88%) en la proporción durante la década siguiente. (Un aumento similar del 33% se produjo entre 1962 y 1966, cuando la televisión en color tuvo su mayor penetración).

Probablemente, la aceptación del televisor en blanco y negro como electrodoméstico principal en 1950 provocó que la relación entre los principales electrodomésticos y el total de bienes de consumo (véase la columna 5) aumentara hasta el 4,98%; en otras palabras, la innovación de la televisión hizo que el consumidor empezara a gastar más dinero en los principales electrodomésticos 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 puso un límite superior a las ventas totales futuras que podíamos esperar.

El siguiente paso fue analizar la curva de penetración acumulada de los televisores en blanco y negro en los hogares estadounidenses, que se muestra en el anexo V. Asumimos que la penetración de la televisión en color tendría un S-curva, pero que los sets de colores tardarían más en penetrar en todo el mercado (es decir, alcanzar ventas estables). Mientras que la televisión en blanco y negro tardó 10 años en alcanzar un estado estable, los estudios cualitativos de opinión de expertos indicaron que tardaría en color el doble de tiempo, de ahí la pendiente más gradual de la curva de la televisión en color.

Ver más gráficos de HBR en Datos e imágenes

Al mismo tiempo, los estudios realizados en 1964 y 1965 mostraron una penetración significativa de las ventas de la televisión en color en varios grupos de ingresos, tasas que nos ayudaron a proyectar la curva de la televisión en color y a rastrear la precisión de nuestra proyección.

Con estos datos y suposiciones, pronosticamos las ventas minoristas para lo que queda de 1965 hasta mediados de la década de 1970 (consulte la sección punteada de la curva inferior de la figura V). Las previsiones fueron precisas hasta 1966, pero demasiado altas en los tres años siguientes, principalmente debido al deterioro de las condiciones económicas generales y a los cambios en las políticas de precios.

Debemos tener en cuenta que cuando desarrollamos estas previsiones y técnicas, reconocimos que se necesitarían técnicas adicionales más adelante para mantener la precisión que se necesitaría en los períodos siguientes. Sin embargo, estas previsiones proporcionaron una precisión aceptable para el momento en que se hicieron, ya que el objetivo principal entonces era únicamente estimar la tasa de penetración y el nivel final de ventas en estado estacionario. Hacer estimaciones refinadas del comportamiento de los oleoductos de fabricación y distribución es una actividad que, como es debido, pertenece a la siguiente etapa del ciclo de vida.

Otros enfoques: Cuando no es posible identificar un producto similar, como fue el caso del horno autolimpiante y la cocina de superficie plana (Counterange) de CGW, se debe utilizar otro enfoque.

Para la introducción inicial en los mercados, puede que solo sea necesario determinar la tasa de venta mínima requerida para que una empresa de productos cumpla sus objetivos corporativos. Se pueden utilizar análisis como la entrada-producto, la tendencia histórica y la previsión tecnológica para estimar este mínimo. Además, la mejor manera de determinar la viabilidad de no entrar en el mercado o de continuar con la I+D hasta la fase de rápido crecimiento es mediante un análisis de sensibilidad.

Predecir un crecimiento rápido.

Estimar la fecha en la que un producto entrará en la fase de rápido crecimiento es otra cuestión. Como hemos visto, esta fecha depende de muchos factores: la existencia de un sistema de distribución, la aceptación o el conocimiento del concepto de producto por parte de los clientes, la necesidad satisfecha por el producto, los acontecimientos importantes (como la programación de redes en color), etc.

Además de revisar el comportamiento de productos similares, la fecha puede estimarse mediante ejercicios de Delphi o mediante esquemas de valoración y clasificación, en los que se estiman los factores importantes para la aceptación del cliente, se califica cada producto de la competencia según cada factor y se calcula la puntuación general del competidor con la puntuación del nuevo producto.

Como hemos dicho, normalmente es difícil pronosticar con precisión cuándo se producirá el punto de inflexión y, según nuestra experiencia, la mejor precisión que se puede esperar es entre tres meses y dos años después de la hora real.

De vez en cuando es cierto, por supuesto, que se puede estar seguro de que un nuevo producto será aceptado con entusiasmo. Las pruebas de mercado y la reacción inicial de los clientes dejaron claro que habría un gran mercado para los utensilios de cocina CorningWare. Como el sistema de distribución ya existía, el tiempo necesario para que la línea creciera rápidamente dependía principalmente de nuestra capacidad de fabricación. A veces, la previsión es simplemente cuestión de calcular la capacidad de la empresa, pero no normalmente.

3. Crecimiento rápido

Cuando un producto entra en esta fase, las decisiones más importantes se refieren a la expansión de las instalaciones. Estas decisiones suelen implicar los mayores gastos del ciclo (excepto las principales decisiones de I+D), y los esfuerzos de previsión y seguimiento proporcionales están justificados.

La previsión y el seguimiento deben proporcionar al ejecutivo tres tipos de datos en este momento:

• Verificación firme del previsión de tasa de crecimiento rápido hecho anteriormente.
• Una fecha difícil en la que las ventas lleguen a ser «normales», crecimiento en estado estacionario.
• Para los productos de componentes, la desviación en la curva de crecimiento que puede deberse a una característica condiciones a lo largo del oleoducto—por ejemplo, bloqueos de inventario.

Predecir la tasa de crecimiento.

La previsión a medio y largo plazo de la tasa de crecimiento del mercado y del logro de ventas en estado estacionario requiere las mismas medidas que en la fase de introducción del producto: estudios de marketing detallados (especialmente encuestas sobre la intención de compra) y comparaciones de productos.

Cuando un producto ha entrado en rápido crecimiento, por otro lado, hay datos suficientes disponibles como para construir estadístico y posiblemente incluso causal modelos de crecimiento (aunque estos últimos contendrán necesariamente suposiciones que deberán verificarse más adelante).

Estimamos la tasa de crecimiento y la tasa de estado estacionario de la televisión en color mediante un burdo modelo econométrico de marketing a partir de los datos disponibles al principio de esta etapa. También realizamos estudios de marketing frecuentes.

La tasa de crecimiento de los utensilios de cocina CorningWare, como hemos explicado, estaba limitada principalmente por nuestra capacidad de producción y, por lo tanto, la información básica que cabía predecir en ese caso era la fecha de nivelación del crecimiento. Como los inventarios importantes contenían información sobre las ventas al consumidor a lo largo de la línea, faltaban datos de campo válidos, lo que dificultaba la estimación de la fecha. Al final, nos pareció necesario establecer un sistema de información de campo mejor (más directo).

Además de amortiguar la información, en el caso de un producto componente, la cartera ejerce ciertos efectos distorsionadores en la demanda del fabricante; estos efectos, aunque son muy importantes, a menudo se pasan por alto de manera ilógica en la planificación de la producción o la capacidad.

Simulando el oleoducto.

Si bien la demanda de productos en proceso tiene un S-curva como la de las ventas minoristas, puede retrasarse o llevar las ventas varios meses, distorsionando la forma de la demanda del proveedor de componentes.

El anexo VI muestra la tendencia a largo plazo de la demanda de un proveedor de componentes distinto de Corning en función de las ventas y los inventarios de los distribuidores. Como puede ver en esta curva, las ventas a los proveedores pueden crecer con relativa fuerza durante varios meses y alcanzar su punto máximo antes de que las ventas minoristas se estabilicen. Las implicaciones de estas curvas para la planificación y la asignación de las instalaciones son obvias.

Ver más gráficos de HBR en Datos e imágenes

En este caso, hemos utilizado componentes para televisores en color para nuestra ilustración, porque sabemos por experiencia propia la importancia del largo tiempo de flujo de los televisores en color que se debe a los muchos pasos secuenciales de la fabricación y la distribución (recuerde la figura II). Hay ejemplos más espectaculares; por ejemplo, no es raro que el tiempo de flujo del proveedor de componentes al consumidor se extienda a dos años en el caso de los motores de camiones.

Para estimar la demanda total de producción de CGW, utilizamos un modelo de demanda minorista y una simulación de oleoductos. El modelo incorporaba tasas de penetración, curvas de mortalidad y cosas por el estilo. Combinamos los datos generados por el modelo con los datos sobre la cuota de mercado, los datos sobre las pérdidas de vidrio y otra información para crear el corpus de datos para la simulación del oleoducto. El resultado de la simulación nos permitió aplicar curvas proyectadas como las que se muestran en la figura VI a nuestra propia planificación de fabricación de componentes.

La simulación es una herramienta excelente para estas circunstancias porque, en esencia, es más sencilla que la alternativa, es decir, crear un modelo más formal y «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 sobre cómo se comportan e interactúan los elementos del oleoducto con el tiempo, un conocimiento que es muy útil para pronosticar, especialmente para construir modelos causales formales en una fecha posterior.

Rastreo y aviso.

Este conocimiento no es absolutamente «duro», por supuesto, y hay que hacer un seguimiento cuidadoso de la dinámica de los oleoductos para determinar si las distintas estimaciones y suposiciones hechas eran realmente correctas. Los métodos estadísticos proporcionan una buena base a corto plazo para estimar y comprobar la tasa de crecimiento y señalar cuándo se producirá un punto de inflexión.

A finales de 1965, nos pareció que la demanda de productos en proceso estaba aumentando, ya que había una diferencia positiva y constante entre la venta real de bombillas de TV y la venta prevista de bombillas. Las conversaciones con los directores de producto y otro personal indicaron que podría haber habido un cambio significativo en la actividad de los oleoductos; parecía que el rápido aumento de la demanda minorista estaba aumentando los requisitos de vidrio para el almacenamiento en proceso, lo que podría crear un aumento en la S-curva como la que se ilustra en la prueba VI. Este aumento proporcionó beneficios adicionales a CGW en 1966, pero tuvo un efecto adverso en 1967. Pudimos predecir este aumento, pero lamentablemente no pudimos reducirlo ni evitarlo porque el oleoducto no estaba lo suficientemente bajo nuestro control.

Los inventarios de todo el oleoducto también siguen un S-curva (como se muestra en la figura VI), un hecho que crea y agrava dos condiciones características en el proceso en su conjunto: el sobrellenado inicial y los cambios posteriores entre demasiado y muy poco inventario en varios puntos, una secuencia de condiciones de banquete y hambruna.

Por ejemplo, el sistema de distribución más simple de CorningWare tenía un S-curva como las que hemos examinado. Sin embargo, cuando las ventas minoristas se desaceleraron, pasando de un crecimiento rápido a un crecimiento normal, los datos de envío no indicaban que se hubiera llegado a este punto de inflexión crucial. Los datos sobre los inventarios de los distribuidores nos avisaron de que el oleoducto se estaba llenando en exceso, pero el punto de inflexión a nivel minorista aún no se identificó con la suficiente rapidez, como hemos mencionado antes, por falta de datos fiables a nivel. Ahora controlamos la información de campo con regularidad para identificar los cambios importantes y ajustamos nuestras previsiones de envíos en consecuencia.

Principales preocupaciones.

Por lo tanto, una de las principales actividades durante la fase de rápido crecimiento es comprobar las estimaciones anteriores y, si parecen incorrectas, calcular el error de la previsión con la mayor precisión posible y obtener una estimación revisada.

En algunos casos, los modelos desarrollados anteriormente incluirán únicamente «macrotérminos»; en esos casos, los estudios de mercado pueden proporcionar la información necesaria para desglosarlos en sus componentes. Por ejemplo, el modelo de previsión de la televisión en color inicialmente solo consideró las penetraciones totales de los sets en diferentes niveles de ingresos, sin tener en cuenta la forma en que se utilizaban los sets. Por lo tanto, realizamos estudios de mercado para determinar el uso del set con mayor precisión.

Del mismo modo, durante la fase de rápido crecimiento, los submodelos de los segmentos de oleoductos deberían ampliarse para incorporar información más detallada a medida que se reciba. En el caso de la televisión en color, descubrimos que podíamos estimar las necesidades generales del oleoducto para bombillas de vidrio, los factores de cuota de mercado de CGW y las pérdidas de vidrio, y postular una distribución de probabilidad en torno a las estimaciones más probables. Con el tiempo, fue fácil comparar estas previsiones con el volumen real de ventas y, por lo tanto, comprobar los procedimientos mediante los que las generábamos.

También descubrimos que teníamos que aumentar el número de factores en el modelo de simulación (por ejemplo, tuvimos que ampliar el modelo para tener en cuenta los diferentes tamaños de las bombillas) y esto mejoró nuestra precisión y utilidad generales.

El anterior es solo un enfoque que se puede utilizar para pronosticar las ventas de nuevos productos que están creciendo rápidamente. Otros han hablado de temas diferentes.3

4. Estado estacionario

Las decisiones que toma el gerente en este momento son muy diferentes a las que se tomaron anteriormente. La mayor parte de la planificación de las instalaciones se ha ajustado y las tendencias y las tasas de crecimiento se han estabilizado razonablemente. Es posible que se produzcan oscilaciones en la demanda y los beneficios debido a los cambios en las condiciones económicas, los productos nuevos y competitivos, la dinámica de los oleoductos, 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 las previsiones en estas áreas:

• Planificación de la producción a largo y corto plazo
• Establecer normas para comprobar la eficacia de las estrategias de marketing
• Proyecciones diseñadas para ayudar a planificar los beneficios

El gerente también necesitará un buen sistema de seguimiento y aviso para identificar la disminución significativa de la demanda del producto (pero espero que aún falta mucho).

Sin duda, el gerente querrá una 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 básicas para estas empresas más elaboradas, y nos concentraremos en las previsiones de ventas.

Las herramientas adecuadas al alcance de la mano.

Al planificar la producción y establecer la estrategia de marketing a corto y medio plazo, las primeras consideraciones del gerente suelen ser una estimación precisa del nivel de ventas actual y una estimación precisa del ritmo al que este nivel cambia.

Por lo tanto, se solicita al pronosticador dos contribuciones relacionadas en este momento:

• Para hacer estimaciones de tendencias y temporadas, lo que obviamente afecta al nivel de ventas. Las temporadas son especialmente importantes tanto para la planificación general de la producción como para el control del inventario. Para ello, el pronosticador tiene que aplicar técnicas de análisis y proyección de series temporales, es decir, estadístico técnicas.

• Para relacionar el nivel de ventas futuro con factores que son más fácilmente predecibles, o que tienen una relación de «cliente potencial» con las ventas, o ambos. Para ello, el pronosticador tiene que construir modelos causales.

El tipo de producto objeto de escrutinio es muy importante a la hora de seleccionar las técnicas que se utilizarán.

En CorningWare, donde los niveles del sistema de distribución se organizan de una manera relativamente sencilla, utilizamos métodos estadísticos para pronosticar los envíos e información de campo para pronosticar los cambios en las tarifas de envío. Estamos incorporando información especial (estrategias de marketing, previsiones económicas, etc.) directamente en las previsiones de envíos. Esto nos lleva en la dirección de un modelo de previsión causal.

Por otro lado, un proveedor de componentes puede pronosticar las ventas totales con la precisión suficiente para planificar la producción a gran escala, pero el entorno de los oleoductos puede ser tan complejo que el mejor recurso para hacer proyecciones a corto plazo es basarse principalmente en las estimaciones de los vendedores. Descubrimos que esto es cierto, por ejemplo, al estimar la demanda de cristales para televisores por tamaño y cliente. En esos casos, la mejor función de los métodos estadísticos es proporcionar guías y comprobaciones para las previsiones de los vendedores.

Sin embargo, en general, en este momento del ciclo de vida, hay suficientes datos de series temporales disponibles y se conocen suficientes relaciones causales a partir de la experiencia directa y los estudios de mercado como para que el pronosticador pueda aplicar estos dos poderosos conjuntos de herramientas. Los datos históricos de al menos los últimos años deberían estar disponibles. El pronosticador lo utilizará todo, de una forma u otra.

Podríamos mencionar una crítica común en este momento. La gente se opone con frecuencia a utilizar más de unos pocos de los puntos de datos más recientes (como las cifras de ventas del pasado inmediato) para crear proyecciones, ya que, según dicen, la situación actual siempre es tan dinámica y las condiciones cambian de manera tan radical y rápida que los datos históricos de tiempos más antiguos 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 la parte A del anexo VII, da una idea de una tendencia de ventas que no se podría obtener si se analizaran solo dos o tres de los datos más recientes.

Ver más gráficos de HBR en Datos e imágenes

En la práctica, descubrimos que los patrones generales tienden a mantenerse durante un mínimo de uno o dos trimestres en el futuro, incluso cuando las condiciones especiales provocan que las ventas fluctúen durante uno o dos períodos (mensuales) en el futuro inmediato.

Para las previsiones a corto plazo para uno o tres meses, los efectos de factores como las condiciones económicas generales son mínimos y no provocar cambios radicales en los patrones de demanda. Y dado que las tendencias tienden a cambiar de forma gradual y no repentina, los métodos estadísticos y otros métodos cuantitativos son excelentes para hacer previsiones a corto plazo. Utilizar uno o solo unos pocos de los puntos de datos más recientes no tendrá en cuenta suficientemente la naturaleza de las tendencias, los ciclos y las fluctuaciones estacionales de las ventas.

Teniendo en cuenta la aplicabilidad de las técnicas, debemos continuar explicando cómo el pronosticador identifica con precisión lo que ocurre cuando las ventas fluctúan de un período a otro y cómo se pueden pronosticar esas fluctuaciones.

Clasificar tendencias y temporadas.

Una tendencia y una estación son obviamente dos cosas muy diferentes y deben abordarse por separado en las previsiones.

Considere lo que pasaría, por ejemplo, si un pronosticador se limitara a tomar una media de los puntos de datos más recientes a lo largo de una curva, combinarla con otros puntos de media similares que se extienden hacia atrás hasta el pasado inmediato y los utilizara como base para una proyección. El pronosticador podría fácilmente reaccionar exageradamente ante los cambios aleatorios, confundirlos con la evidencia de una tendencia imperante, confundir un cambio en la tasa de crecimiento con una estacional, etc.

Algunas técnicas adicionales para un ajuste más fino

Algunas aplicaciones que mencionamos brevemente aquí para los que estén especialmente interesados no

…

Para evitar precisamente este tipo de errores, la técnica de la media móvil, que es similar a la hipotética que se acaba de describir, utiliza puntos de datos de tal manera que se eliminan los efectos de las estaciones (y las irregularidades).

Además, el ejecutivo necesita estimaciones precisas de las tendencias y estimaciones precisas de la estacionalidad para planificar una producción a gran escala, determinar las iniciativas y asignaciones de marketing y mantener los inventarios adecuados, es decir, inventarios que sean adecuados a la demanda de los clientes pero que no sean excesivamente costosos.

Antes de continuar, sería bueno ilustrar cómo es esa clasificación. Las partes A, B y C de la prueba VII muestran la descomposición inicial de los datos sin procesar de las ventas en fábrica de televisores en color entre 1965 y mediados de 1970. La parte A presenta la curva de datos sin procesar. La parte B muestra los factores estacionales que están implícitos en los datos sin procesar, un patrón bastante coherente, aunque hay algunas variaciones de un año a otro. (En la siguiente sección explicaremos de dónde viene este gráfico de las estaciones.)

La parte C muestra el resultado de descontar la curva de datos sin procesar según las estaciones de la parte B; es la llamada curva de datos desestacionalizada. A continuación, en la parte D, hemos dibujado la curva más suave o «mejor» posible a través de la curva desestacionalizada, obteniendo así la ciclo de tendencias. (Podríamos observar además que las diferencias entre esta línea del ciclo de tendencia y la curva de datos desestacionalizada representan el componente irregular o no sistemático que el pronosticador siempre debe tolerar e intentar explicar con otros métodos).

En resumen, entonces, el objetivo de la técnica de previsión que se utiliza aquí es hacer el mejor trabajo posible al clasificar las tendencias y las estacionalidades. Por desgracia, la mayoría de los métodos de previsión se proyectan mediante un proceso de suavizado análogo al de la técnica de la media móvil, o como el de la técnica hipotética que describimos al principio de esta sección, y separar las tendencias de las estaciones con mayor precisión requerirá un esfuerzo y un coste adicionales.

Aun así, los enfoques de clasificación han demostrado su eficacia en la práctica. La mejor manera de explicar las razones de su éxito es describiendo a grandes rasgos la forma en que elaboramos una previsión de ventas en función de las tendencias, las temporadas y los datos que se derivan de ellas. Este es el método:

• Grafique el ritmo al que cambia la tendencia. Para la ilustración del anexo VII, este gráfico se muestra en la parte E. Este gráfico describe los sucesivos altibajos del ciclo de tendencia que se muestra en la parte D.

• Proyecte esta tasa de crecimiento a lo largo del intervalo previsto. Suponiendo que tuviéramos previsiones a mediados de la década de 1970, deberíamos hacer previsiones para los meses de verano y, posiblemente, para principios del otoño.

• Añada esta tasa de crecimiento (positiva o negativa) a la tasa de ventas actual. Esto podría denominarse tasa de ventas fuera de temporada.

• Proyecte las estaciones de la parte B para el período en cuestión y multiplique el tipo previsto no estacionalizado por estas estaciones. El producto tendrá el ritmo de ventas previsto, que es lo que deseábamos.

En casos especiales en los que no hay estaciones que tener en cuenta, por supuesto, este proceso se simplifica mucho y tal vez baste con menos datos y técnicas más simples.

Hemos descubierto que el análisis de los patrones de cambio de la tasa de crecimiento nos da más precisión a la hora de predecir los puntos de inflexión (y, por lo tanto, los cambios de crecimiento positivo a negativo y viceversa) que cuando utilizamos únicamente el ciclo de tendencia.

La principal ventaja de tener en cuenta el cambio en el crecimiento, de hecho, es que con frecuencia es posible predecir antes cuándo se producirá una situación de no crecimiento. Por lo tanto, el gráfico del cambio en el crecimiento proporciona una base visual excelente para pronosticar e identificar el punto de inflexión.

Técnica X-11.

El lector sentirá curiosidad por saber cómo se desglosan las estaciones de los datos de ventas sin procesar y cómo se deriva exactamente la curva de cambio de crecimiento de la línea de tendencia.

Una de las mejores técnicas que conocemos para analizar los datos históricos en profundidad y determinar las estaciones, la tasa de ventas actual y el crecimiento es la técnica del X-11 de la Oficina del Censo, que elimina simultáneamente las estaciones de la información sin procesar y ajusta una línea del ciclo de tendencias a los datos. Es muy completo: con un coste de unos 10 dólares, proporciona información detallada sobre las estaciones, las tendencias, la precisión de las estaciones y el ajuste del ciclo de tendencias, y varias otras medidas. La salida incluye gráficos del ciclo de tendencias y de la tasa de crecimiento, que se pueden ver simultáneamente en las pantallas gráficas de un terminal de tiempo compartido.

Aunque el X-11 no se desarrolló originalmente como método de previsión, sí establece una base a partir de la que se pueden hacer buenas previsiones. Sin embargo, hay que tener en cuenta que hay cierta inestabilidad en la línea de tendencia de los puntos de datos más recientes, ya que el X-11, como prácticamente todas las técnicas estadísticas, utiliza algún tipo de media móvil. Por lo tanto, ha demostrado su valor 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 caída de las ventas o cualquier otra anomalía del mercado, el pronosticador debe determinar si se produjo algún hecho especial durante el período considerado: ascensos, huelgas, cambios en la economía, etc. El X-11 proporciona la instrumentación básica necesaria para evaluar los efectos de este tipo de eventos.

En general, incluso cuando los patrones de crecimiento pueden asociarse a eventos específicos, la técnica del X-11 y otros métodos estadísticos no dan buenos resultados cuando se pronostican más allá de los seis meses, debido a la incertidumbre o al carácter impredecible de los acontecimientos. Para las previsiones a corto plazo de uno a tres meses, la técnica del X-11 ha demostrado ser bastante precisa.

La hemos utilizado para hacer estimaciones de ventas de cada división durante tres períodos en el futuro, así como para determinar los cambios en las tasas de venta. Hemos comparado nuestras previsiones para el X-11 con las previsiones desarrolladas por cada una de las divisiones, en las que las divisiones han utilizado diversos métodos, algunos de los cuales tienen en cuenta las estimaciones de los vendedores y otros conocimientos especiales. Las previsiones que utilizaban la técnica del X-11 se basaban únicamente en métodos estadísticos y no tenían en cuenta ningún dato especial.

Las previsiones de la división tenían un poco menos error que los proporcionados por el método X-11; sin embargo, se ha descubierto que las previsiones de división están ligeramente sesgadas por el lado optimista, mientras que las que proporciona el método X-11 son imparciales. Esto nos sugirió que se podría hacer una mejor previsión combinando los conocimientos especiales, las técnicas de la división y el método X-11. De hecho, algunas de las divisiones lo están haciendo ahora y, en consecuencia, la precisión de sus previsiones ha mejorado.

El método X-11 también se ha utilizado para hacer proyecciones de ventas para el futuro inmediato y que sirvan de estándar para evaluar diversas estrategias de marketing. Se ha descubierto que esto es especialmente eficaz para estimar los efectos de los cambios de precios y las promociones.

Como hemos indicado anteriormente, el análisis de tendencias se utiliza con frecuencia para proyectar datos anuales durante varios años y determinar cuáles serán las ventas si la tendencia actual continúa. El análisis de regresión y las previsiones estadísticas se utilizan a veces de esta manera, es decir, para estimar lo que pasará 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 período prolongado, los cambios en las condiciones económicas generales representarán una parte importante del cambio en la tasa de crecimiento de un producto. Como las previsiones económicas son cada vez más precisas y también porque hay ciertas fuerzas económicas «líderes» generales que cambian antes de que se produzcan cambios posteriores en sectores específicos, es posible mejorar las previsiones de las empresas incluyendo los factores económicos en el modelo de previsión.

Sin embargo, el desarrollo de un modelo de este tipo, normalmente denominado modelo econométrico, requiere datos suficientes para poder establecer las relaciones correctas.

Durante el rápido crecimiento de la televisión en color, reconocimos que las condiciones económicas probablemente afectarían de manera significativa a la tasa de ventas. Sin embargo, los macroanálisis de los datos de la televisión en blanco y negro que hicimos en 1965 para las recesiones de finales de la década de 1940 y principios de la de 1950 no mostraron ningún efecto económico sustancial; por lo tanto, no teníamos datos suficientes para establecer buenas relaciones econométricas para un modelo de televisión en color. (Una investigación posterior estableció pérdidas definitivas en las ventas de televisores en color en 1967 debido a las condiciones económicas).

En 1969, Corning decidió que definitivamente se necesitaba un método mejor que el del X-11 para predecir los puntos de inflexión en las ventas minoristas de televisores en color dentro de seis meses o dos años. Los métodos estadísticos y las estimaciones de los vendedores no pueden detectar estos puntos de inflexión con suficiente antelación como para ayudar a la toma de decisiones; por ejemplo, un director de producción debería tener un aviso de tres a seis meses de antelación sobre dichos cambios para mantener una fuerza laboral estable.

Parecía haber datos adecuados disponibles para crear un modelo econométrico y, por lo tanto, se iniciaron los análisis para desarrollar un modelo de este tipo para la venta de televisores en blanco y negro y en color. Nuestro conocimiento de las estaciones, las tendencias y el crecimiento de estos productos formó una base natural para construir las ecuaciones de los modelos.

Los insumos económicos del modelo se obtienen principalmente de la información generada por el modelo econométrico de Wharton, pero también se utilizan otras fuentes.

Utilizando datos de hasta 1968, el modelo pronosticó razonablemente bien la caída del cuarto trimestre de 1969 y, cuando también se incorporaron los datos de 1969 al modelo, estimó con precisión la magnitud de la caída en los dos primeros trimestres de 1970. Gracias a las relaciones de espera y a la disponibilidad inmediata de previsiones económicas para los factores del modelo, los efectos de la economía en las ventas pueden estimarse hasta dentro de dos años.

En la fase de estado estacionario, el control de la producción y el inventario, las previsiones de los artículos del grupo y las estimaciones de la demanda a largo plazo son especialmente importantes.

Por último, durante la fase de estado estacionario, es útil establecer revisiones trimestrales en las que se presenten gráficos de seguimiento y advertencia estadísticos y nueva información. En estas reuniones, la decisión de revisar o actualizar un modelo o una previsión se sopesa en función de los distintos costes y del importe del error de previsión. En una zona muy volátil, la revisión debería realizarse con una frecuencia de cada mes o período.

Previsiones para el futuro

Para concluir un artículo sobre la previsión, es apropiado que hagamos una predicción sobre las técnicas que se utilizarán en el futuro a corto y largo plazo.

Como ya hemos dicho, no es demasiado difícil pronosticar el futuro inmediato, ya que las tendencias a largo plazo no cambian de la noche a la mañana. Muchas de las técnicas descritas solo están en las primeras fases de aplicación, pero aun así esperamos que la mayoría de las técnicas que se utilizarán en los próximos cinco años sean las que se analicen aquí, quizás de forma ampliada.

Los costes del uso de estas técnicas se reducirán significativamente, lo que mejorará su implementación. Esperamos que las empresas de tiempo compartido de ordenadores ofrezcan acceso, con un coste nominal, a los bancos de datos de entrada y salida, desglosados en más segmentos de negocio de los disponibles en la actualidad. La continua tendencia a la baja del coste de los ordenadores por cálculo, junto con las simplificaciones computacionales, harán que técnicas como el método Box-Jenkins sean económicamente viables, incluso para algunas aplicaciones de control de inventario. Los paquetes de software informático para las técnicas estadísticas y algunos modelos generales también estarán disponibles a un coste nominal.

En la actualidad, la mayoría de las previsiones a corto plazo utilizan únicamente métodos estadísticos, con poca información cualitativa. Cuando se utiliza información cualitativa, solo se usa de forma externa y no se incorpora directamente a la rutina computacional. Prevemos un cambio en los sistemas de previsión total, en los que se combinan varias técnicas y un tratamiento sistemático de la información cualitativa.

Los modelos econométricos se utilizarán más ampliamente en los próximos cinco años, y la mayoría de las grandes empresas desarrollarán y perfeccionarán los 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 de refinar los modelos de previsión.

Si bien algunas empresas ya han desarrollado sus propios modelos de insumo-producto junto con los datos de insumo-producto y las proyecciones estadísticas del gobierno, pasarán otros cinco a 10 años antes de que la mayoría de las grandes empresas utilicen eficazmente los modelos de insumo-producto.

Sin embargo, dentro de cinco años, veremos un uso extensivo de los sistemas persona-máquina, en los que los modelos estadísticos, causales y econométricos se programen en los ordenadores y las personas interactúen con frecuencia. A medida que ganemos confianza en estos sistemas y haya menos informes de excepciones, la intervención humana disminuirá. Básicamente, los modelos computarizados realizarán cálculos sofisticados y las personas servirán 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 prevé y los del sistema de previsión.

Más adelante, los modelos de simulación de consumo se convertirán en algo habitual. Los modelos predecirán el comportamiento de los consumidores y pronosticarán sus reacciones ante diversas estrategias de marketing, como los precios, las promociones, la presentación de nuevos productos y las acciones competitivas. Los modelos probabilísticos se utilizarán con frecuencia en el proceso de previsión.

Por último, la mayoría de las previsiones computarizadas se referirán a las técnicas analíticas descritas en este artículo. Las aplicaciones informáticas estarán en su mayoría en negocios de productos establecidos y estables. Aunque las técnicas de previsión se han utilizado hasta ahora principalmente para la previsión de ventas, se aplicarán cada vez más a la previsión de los márgenes, los gastos de capital y otros factores importantes. Esto permitirá al pronosticador dedicar la mayor parte del tiempo a pronosticar las ventas y los beneficios de los nuevos productos. Sin duda, se desarrollarán nuevas técnicas analíticas para la previsión de nuevos productos, pero habrá un problema continuo, durante al menos 10 o 20 años y probablemente mucho más, para pronosticar con precisión varios factores de los nuevos productos, como las ventas, la rentabilidad y la duración del ciclo de vida.

. . .

Al comprender las características y limitaciones básicas de las técnicas, la persona que toma las decisiones puede ayudar al pronosticador a formular el problema de previsión correctamente y, por lo tanto, confiar más en las previsiones presentadas y utilizarlas de forma más eficaz. El pronosticador, a su vez, debe combinar las técnicas con los conocimientos y la experiencia de los directivos.

Creemos que la necesidad actual no es de mejores métodos de previsión, 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 de mayo a junio de 1969, pág. 68.
2. Véase John C. Chambers, Satinder K. Mullick y David A. Goodman, «Catalytic Agent for Effective Planning», HBR de enero a febrero de 1971, pág. 110.
3. Véase Graham F. Pyatt, Los patrones prioritarios y la demanda de artículos domésticos duraderos (Londres, Cambridge University Press, 1964); Frank M. Bass, «Un nuevo modelo de crecimiento de productos para bienes de consumo duraderos», Ciencias de la gestión, enero de 1969; Gregory C. Chow, «El cambio tecnológico y la demanda de ordenadores», The American Economic Review, Diciembre de 1966; y J.R.N. Stone y R.A. Rowe, «La durabilidad de los bienes duraderos de los consumidores», Econometría, Vol. 28, n.º 2, 1960.