Cómo citar:

Escobar Sailema, J.C. (2019). Modelo de estimación estadística «Programa Inclusión Productiva» Mipro-Ecuador. Retos Revista de Ciencias de la Administración y Economía, 9(18), 303-325. https://doi.org/ 10.17163/ret.n18.2019.08

1. Introducción y estado de la cuestión

A escala mundial, la estimación estadística como parte de la ciencia económica es una de las áreas más importantes dentro del ámbito empresarial. Dichas estimaciones han permitido realizar interpretaciones de demanda del consumidor oportunas y confiables para la toma de decisiones (^{Cadena et al., 2017}), así como también de disponer de información relevante sobre la sustitución de productos. ^{Alvarado y Pinos (2017)}, ^{Vergara et al., (2017)} y ^{García-Guerrero (2014)} mencionan que el desarrollo de las estimaciones se analiza con variables sociodemográficas que inciden directamente sobre la demanda de un producto sea este un bien o servicio y consecuentemente algunas cuestiones de política económica que son la causa de las variaciones en el mercado de consumo, asumiendo de forma axiomática las preferencias de los consumidores hacia una demanda real como eje principal para los pronósticos en las empresas (^{Reyes-Sánchez, 2017}).

Los métodos estadísticos en América Latina están siendo aplicados con más frecuencia y debatidos a gran escala en diversas áreas como la empresarial, agropecuaria, manufacturera, actividades productivas y de gobierno; siendo el eje fundamental en la toma de decisiones para los responsables de las empresas y/u organizaciones. Éstas se reflejan en el desarrollo económico-financiero de las mismas y el escenario futuro de la incidencia de sus factores. Al mismo tiempo, la aplicación errónea de métodos de estimación ha sido causa fundamental de las malas decisiones de niveles jerárquicos superiores, la mala planificación de la producción y por ende la baja rentabilidad. Los modelos más empleados han sido los de series de tiempo, implicando la utilización de una regresión lineal, promedios móviles simples, Suavización Exponencial Doble, Suavización Exponencial Simple, Método de Naïve, modelos ARIMA (Autoregressive Integrated Moving Average) entre otros. Estos modelos también son utilizados para la estimación sobre tendencias de rendimientos de diversos tipos de cultivos e incluso rendimientos de producción pecuaria (^{Delgadillo et al., 2016}).

En el Ecuador, desde 2013 se lleva a cabo el programa denominado «Inclusión Productiva» a cargo del Ministerio de Industrias y Productividad (MIPRO), en el cual se asesora a emprendimientos en los distintos sectores productivos con la elaboración de un plan de negocio y proyecciones de demanda; esto bajo un modelo de estimación financiera como componente intrínseco y sustancial del mismo, el cual se compone de una estructura financiera pronosticada a cinco años, tomando en consideración indicadores como la tasa de crecimiento de la producción, tasa de crecimiento del precio, tasa de descuento financiera, tasa de inflación, tasa de interés, plazo de financiamiento y otros que considera el especialista para su análisis y proyección. Con ello las estimaciones de los emprendimientos asesorados a escala nacional mantienen hasta hoy en día un error en la mayoría de los casos de más de veinte por ciento, dando a notar que el modelo y uso de herramientas de estimación de la demanda -pronóstico- utilizado, es cuanto menos, muy cuestionable, sobre todo en lo relativo al rendimiento real financiero de los emprendimientos implementados, dando como resultado un desempeño financiero desfavorable que conlleva a la baja rentabilidad.

^{Valencia-Cruzaty (2017)}, ^{Moscoso-Escobar y Botero-Botero (2013)} y ^{Toca-Torres (2010)}, consideran al emprendimiento como la fórmula más empleada en tiempos de situación económica compleja, enmarcando a todos los sectores económicos y sociales para su desarrollo. Además, es reconocido como catalizador del crecimiento económico de los países, implementado tanto por la empresa privada internamente, como en el sector público (gobierno), creando nuevos productos, mercados, generando empleo y bienestar para la población.

Por consiguiente, se ve necesaria la implementación de nuevos modelos, metodologías, técnicas, herramientas e instrumentos de estimación para el desarrollo adecuado de los emprendimientos en términos de rentabilidad, además de asegurar una adecuada inversión y financiamiento, siendo importante al mismo tiempo obtener fuentes de información fiables, generando así efectividad en la predicción de eventos empresariales futuros. También es importante introducir al análisis factores de éxito que minimicen el riesgo en la implementación y funcionamiento del negocio como son: la producción en función a una demanda real, indicadores de estimación y métodos de pronósticos según el sector productivo.

El predecir el escenario futuro de las organizaciones y de todos los procesos productivos para un mejor desempeño financiero ha sido históricamente una labor netamente técnica y complicada, debido a que se requiere de una predicción óptima para un manejo adecuado de recursos y el aprovechamiento de factores productivos que inciden sobre la planificación. Con ello los empresarios han podido determinar la capacidad de la empresa para adquirir y producir la cantidad necesaria requerida, tanto de insumos como de productos demandados, y así predecir con anticipación el presupuesto necesario para evitar errores dentro de sus procesos, utilizando modelos basados en métodos cuantitativos contrastados con variables causales más el uso de probabilidades que se complementan para generar predicciones más certeras (^{Lao-León et al., 2017}).

^{Boada (2017a)} presenta un estudio en el cual se comprueba a través de data real, cómo el Modelo Lineal Dinámico Bayesiano de Orden 1, puede ser aplicado sobre los residuos -diferencia entre las estimaciones y los históricos reales- tomados aleatoriamente de un Modelo de Regresión Múltiple, obteniendo de esa manera un complemento para el modelo de estimación estadística, el cual genera un factor que se retroalimenta de los residuos y se ajusta según la data histórica más reciente, unificando dos tendencias: la estadística bayesiana y la estadística frecuentista en un solo modelo, llegando a la conclusión que: a) la valoración o análisis más riguroso de variables causales como procedimiento de modelaje estadístico garantiza el poder de predicción de modelos de regresión múltiple, además; b) la simulación de escenarios futuros cercanos a la realidad, dependerá del uso correcto de las técnicas utilizadas en el modelo más las estrategias generadas por el predictor y, finalmente; c) se menciona que establecer un procedimiento de modelaje estadístico complementado con técnicas cuantitativas y cualitativas, sirven como herramienta fundamental para la creación de un modelo óptimo de predicción.

^{Moreno-Arenas (2016)} plantea el diseño de un modelo de estimación estadística (pronóstico) a partir de métodos de series de tiempo. Dicho modelo pretende disminuir la variabilidad de la demanda de los insumos de empaque y embalaje, concluyendo que: a) el uso de métodos de serie de tiempo identifica con exactitud los cambios en la dinámica de la variable en función a obtener información fiable; b) la medición de las rotaciones de inventarios a partir de la estandarización de proyecciones es el resultado de un análisis de series temporales, lo que ayuda a mejorar rotundamente la situación de almacenamiento de la empresa y; c) los sistemas de planificación de recursos empresariales-ERP como fuente de información, mejoran el tipo de análisis y por ende disminuyen en gran medida la desviación de los datos.

^{Boada (2017b)} expone el diseño de una herramienta automatizada de predicción en función de distintas variables de mercado. Ésta se sustenta en un análisis detallado de las variables causales identificadas, para posteriormente desarrollar un software denominado «Sistema de proyección de la demanda» para predecir las ventas, analizando precio, producto, facturación, fabricación, planificaciones futuras de gerencias estratégica de ventas, entre otras; concluyendo que el punto de partida de toda predicción es: a) el diseño y la adaptación de técnicas de estimación correctas, con el fin de obtener pronósticos más efectivos; b) considerando al sistema automatizado de proyección como una herramienta estadística y no como un competidor del estimador y; c) garantizando además la valoración, simulación y evaluación optima de diversos escenarios futuros, esto es la base fundamental de los planes a largo plazo de las distintas áreas de la empresa, como finanzas y contabilidad.

^{Sánchez y Gavira (2016)} toman en consideración la jerarquía de la serie que contienen los componentes necesarios no observados de series de tiempos (variaciones aleatorias, ciclicidad, tendencia, y estacionalidad), esto para realizar una estimación de corto plazo, contribuyendo de esta manera al desarrollo de la teoría de pronóstico de series jerárquicas. Además, se determina el modelo más eficiente para pronosticar el ingreso monetario para el caso de estudio, utilizando como criterio el error promedio absoluto escalado (MASE), concluyendo que para el presente estudio: a) el método más eficiente de pronóstico es el ARIMA, sin descartar que varios métodos (TD-ETS, COMB-ARIMA, TD-ARIMA y MO-ARIMA) pueden ser empleados con un mejor resultado; b) la aplicación del método depende de la complejidad del estudio y la variabilidad de la serie; c) también evidenciando la importancia del contraste sobre la evaluación y determinación de los métodos más idóneos con otros enfoques.

^{Contreras et al. (2016)} consideran a los pronósticos como una herramienta que proporciona una estimación cuantitativa de probabilidad, considerando también primordial la elaboración de estimaciones futuras sobre el almacenamiento de productos perecederos debido al impacto económico-social que generan con estimaciones erróneas. De allí el interés en incorporar técnicas de pronósticos de series de tiempo con el objetivo de determinar el método más fiable, esto para estimar volúmenes de almacenamiento óptimos y poder prever los requerimientos en la cadena de suministros, concluyendo que: a) los pronósticos elaborados con la técnica de promedios móviles ponderados son los más aceptables en una planificación de movilidad de productos; b) garantizando así la disponibilidad de almacenamiento, la prolongación de caducidad y el aprovisionamiento de los mercados el mayor tiempo posible y; c) manteniendo un equilibrio entre demanda de mercado y producción.

^{Espino-Timón (2017)} pretende determinar la existencia de herramientas open source que cumplan los requerimientos para un análisis predictivo y así la evaluación del funcionamiento de dichas herramientas en diferentes ambitos, las dos principales herramientas identificadas son: R, con la interface gráfica R-Studio, y Weka, que permiten detectar patrones en la data base para establecer previsiones futuras más óptimas. También se mencionan herramientas de análisis estadístico (SPSS, SAP Business Suite o SAS Software Package), usadas por grandes corporaciones, empresas, organizaciones, gobiernos y universidades, concluyendo que: a) R -Studio y Weka tiene mayor potencia y flexibilidad en cuanto a su aplicación, pudiendo ser utilizados para un análisis preliminar al modelo predictivo de la demanda, enfatizando b) el uso de los mismos para el manejo y procesamiento de bases de datos más grandes por su capacidad de almacenamiento y; c) se menciona una mejor gestión y análisis de R–Studio como complemento a un análisis predictivo.

^{Arias-Vargas (2017)} menciona al uso de la desviación estándar para el cálculo de un inventario de seguridad, en este caso se identifica al modelo de pronóstico como un promedio simple que tiene como efecto el incremento de la inversión en los inventarios de seguridad. Para evitar aquello, se propone la utilización de la desviación estándar de los errores del pronóstico asociado al modelo de pronóstico a aplicarse, concluyendo que: a) la importancia de la revisión de la desviación estándar de los errores en los modelos de pronósticos optimizan los inventarios; b) conjuntamente con el uso de softwares empresariales (ERP u otros) como complemento al modelo para el aseguramiento de los inventarios de la empresa; c) minimizando el impacto de la variabilidad de los datos en el inventario de seguridad, esto para alcanzar los niveles de servicio requeridos con inventarios de seguridad mínimos.

2. Materiales y método

Según ^{Herrera et al. (2010)}, para la ejecución del presente trabajo de investigación se aplica como primer nivel la investigación descriptiva, que sirvió para examinar las características objeto de estudio, definir el tema y formular la hipótesis, además de seleccionar la técnica de recolección de data e identificar fuentes de consultas fiables, estableciendo en sí las causas y efectos del objeto de estudio.

Según ^{Romero (2012)}, se aplica la investigación correlacional, donde se establece el grado de relación de las variables, modelo de estimación estadística (variable independiente) y rentabilidad (variable dependiente), estableciendo la incidencia que tiene la variable independiente en la solución del problema. Finalmente se emplea la investigación aplicada, que lleva el conocimiento teórico a lo práctico y a su vez a lo aplicativo, con la finalidad de mejorar las estimaciones de demanda de los emprendimientos asesorados dentro del programa «Inclusión Productiva» que lleva acabo el Ministerio de Industrias y Productividad (MIPRO) del Ecuador.

2.1. Población y muestra

Población

La población está constituida por 702 emprendimientos a escala nacional, compuestos de 36 variables, conociéndose de esta manera con exactitud el número de elementos que comprende la población, determinando a la misma de carácter finita.

Muestra

En la presente investigación, debido a la naturaleza del objeto de estudio, se aplica el tipo de muestreo probabilístico aleatorio estratificado con afijación proporcional, esto en cuanto se desea resaltar los subgrupos de emprendimientos en los distintos sectores productivos, observando las relaciones entre ellos y disminuyendo su variabilidad, manteniendo al mismo tiempo la proporcionalidad al tamaño de la población.

La muestra se calculó con un 95% de nivel de confianza y una desviación estándar 0.5, para una población de 702 emprendimientos del programa de «Inclusión Productiva» que lleva a cabo el Ministerio de Industrias y Productividad (ver Tabla 1).

Elaboración propia a partir de data emprendimientos Setedis-Mipro

Tabla 1.  Muestreo Estratificado con Afijación Proporcional 

Según ^{López (2014)}, para que una muestra sea representativa de su población debe contener al menos el 30% de la totalidad de casos. En este sentido se aclara que, de 702 emprendimientos que comprende la población mediante la aplicación del método estadístico de muestreo estratificado, se obtienen 248 observaciones como cálculo muestral, totalmente representativo de la población con más del 30% como establece el precitado autor (op. cit), por lo que queda evidenciado el cálculo de la muestra para el estudio presente.

3. Análisis y resultados

En el presente estudio se presenta información de 702 emprendimientos registrados en la Base [Data_Emprendimientos_Mipro_xlsx] (data depurada), acumulativos desde el año 2013 al 2017, clasificados en 4 sectores productivos: Comercio de Bienes, Comercio de Servicios, Manufactura y Agropecuario (ver Tablas 2 y 3).

Elaboración propia a partir de data emprendimientos Setedis-Mipro

Tabla 2.  Distribución por Provincia [Emprendimientos] 

Según se observa en la Tabla 2, el mayor número de emprendimientos implementados se encuentran en la provincia de Manabí, con un 14.7%, correspondiente a la implementación de 103 emprendimientos y un valor insignificante en la provincia de Galápagos con un 0.1%. También se puede apreciar que las provincias donde más emprendimientos se implementan son las provincias de Pichincha (capital Quito) y Guayas (capital Guayaqui) con un 9.7% y 6% respectivamente, coincidentemente en que son las dos provincias con mayor densidad poblacional del Ecuador.

Elaboración propia a partir de data emprendimientos Setedis-Mipro

Tabla 3.  Número de emprendimientos por Afijación Proporcional 

En la Figura 1 se observa un porcentaje del 40.3% de emprendimientos asesorados e implementados en el sector comercio de bienes, seguido del sector manufactura con el 25.9%. Juntos representan más del 50% de la variable en mención, mientras el sector servicios contempla el 19.4%, y el sector agropecuario cubre el 14.4% a escala nacional. Esto evidencia que los emprendedores en su mayoría optan por emprender en negocios de naturaleza tangible-comercial.

Elaboración propia a partir de data emprendimientos Setedis-Mipro

Figura 1.  Porcentaje de emprendimientos por Provincia 

A continuación se realiza el análisis sobre las variables; niveles error del pronóstico y rentabilidad de los emprendimientos (% de utilidad o margen de utilidad y % de error como variable de incidencia).

Elaboración propia a partir de data emprendimientos Setedis-Mipro

Tabla 4.  Matriz General Errores sobre el Valor Real 

- C.B: Comercio de bienes

- C.S: Comercio de Servicios

- M: Manufactura

- A: Agropecuarios

Según se evidencia en la Tabla 4, el porcentaje de subestimaciones en relación con el valor real llega al 77%, dando a notar que las proyecciones realizadas en los emprendimientos asesorados fueron inferiores al valor real, mientras el porcentaje de sobrestimaciones llegó al 23%, es decir, existieron emprendimientos que superaron el valor real alcanzado.

Elaboración propia a partir de data emprendimientos Setedis-Mipro

Tabla 5 . Matriz general del porcentaje de error estadístico sobre las estimaciones 

Según se observa en la Tabla 5, el 95% de los emprendimientos sobre 248 observaciones sobrepasan el 10% de margen de error en sus predicciones. Tan solo el 5% de los pronósticos se encuentran dentro del margen de error estadísticamente aceptable. Según ^{Lamas (2016)}, el error estadístico para cualquier estudio de estimación se encuentra entre 0-10% del margen de error máximo, esto en función al nivel de confianza apropiado; sin embargo, dependerá del investigador definir el margen de error admitido, tomando a consideración el tipo de estimación y los factores que incidan en las mismos.

3.1. Análisis del error de pronóstico por sectores productivos

Se procede a realizar el análisis respectivo sobre (^{Hanke, 2015}).

Donde:

et : error del pronóstico

Yt : valor real

Yt : valor del pronóstico

Elaboración propia a partir de data emprendimientos Setedis-Mipro

Tabla 6. Análisis Descriptivo Error (%) Sector Comercio de Bienes 

Según los estadísticos descriptivos que se presentan en la Tabla 6, el promedio de error sobre 100 observaciones es de 61.72%, con una desviación estándar de 28.312%. Además, se puede apreciar que la mitad de los emprendimientos tuvieron un porcentaje de error en sus pronósticos menores al 68%, mientras que 97% fue el porcentaje de error más frecuente en una escala de 1-100 por ciento, la diferencia entre el porcentaje mínimo y máximo de error del pronóstico fue 94%, y el 50 por ciento de los emprendimientos tuvieron un error en sus pronósticos entre 37.25% y 88.75%. La distribución es asimétrica negativa, es decir la mayor cantidad de datos se encuentran agrupados a la derecha y tiene una curtosis platicúrtica, lo que significa que existe muy poca agrupación de datos en la región central, pudiendo identificar que los datos presentan gran variabilidad o dispersión en relación a su media.

Elaboración propia a partir de data emprendimientos Setedis-Mipro

Tabla 7.  Análisis Descriptivo Error (%) Sector Comercio de Servicios 

egún se puede observar en la Tabla 7, el promedio de error sobre 48 observaciones es de 64.13 por ciento, con una desviación estándar de 22.813%. Además, se puede apreciar que la mitad de los emprendimientos tuvieron un porcentaje de error en sus pronósticos menores al 72.50%. 79 fue el porcentaje de error más frecuente en una escala de 1-100 por ciento; mientras que la diferencia entre el porcentaje mínimo y máximo de error del pronóstico fue 96 por ciento, y el 50% de los emprendimientos tuvieron un error en sus pronósticos entre 48.50% y 79%. La distribución es asimétrica negativa, es decir la mayor cantidad de datos se encuentran agrupados a la derecha y tiene una curtosis leptocúrtica, por consiguiente, existen mayor cantidad de datos en la región central, identificando con ello que los datos rodean en gran medida el 64.13% de error del pronóstico

Elaboración propia a partir de data emprendimientos Setedis-Mipro

Tabla 8.  Análisis Descriptivo Error (%) Sector Agropecuario 

Según los datos del análisis descriptivo de la Tabla 8, el promedio de error sobre 36 observaciones es de 57.94% con una desviación estándar de 26.89. Además, se puede apreciar que la mitad de los emprendimientos tuvieron un porcentaje de error en sus pronósticos menores al 69%. 83 fue el porcentaje de error más frecuente en una escala de 1-100 por ciento, la diferencia entre el porcentaje mínimo y máximo de error del pronóstico fue 87 por ciento, y el 50% de los emprendimientos tuvieron un error en sus pronósticos entre 36% y 81%. La distribución es asimétrica negativa, es decir la mayor cantidad de datos se encuentran agrupados a la derecha y tiene una curtosis platicúrtica, por consiguiente, se puede evidenciar que existe muy poca agrupación de datos alrededor del 57.94% de error del pronóstico.

Elaboración propia a partir de data emprendimientos Setedis-Mipro

Tabla 9. Análisis Descriptivo Error (%) Sector Manufactura 

Según los estadígrafos de la Tabla 9, el promedio de error sobre 64 observaciones es de 71.19 por ciento, con una desviación estándar de 26.55%. Además, se puede apreciar que la mitad de los emprendimientos tuvieron un porcentaje de error en sus pronósticos menores al 78%. 97 fue el porcentaje de error más frecuente en una escala de 1-100 por ciento. La diferencia entre el porcentaje mínimo y máximo de error del pronóstico fue 94 por ciento, y el 50% de los emprendimientos tuvieron un error en sus pronósticos entre 51.50% y 97%. La distribución es asimétrica negativa, es decir la mayor cantidad de datos se encuentran agrupados a la derecha y tiene una curtosis platicúrtica, en consecuencia existe muy poca agrupación de datos o mucha variabilidad alrededor de la media 71.19%.

3.2. Análisis de rentabilidad por estratos

Para el análisis de rentabilidad se toma a consideración el % U o margen de utilidad como variable compuesta la cual es procesada y representada en el siguiente análisis. Según ^{Daza- Izquierdo (2016)}, la rentabilidad es una condición, capacidad o aptitud de las organizaciones para generar u obtener renta partiendo de una inversión. Es decir, es la culminación de un resultado de cualquier actividad económica, considerando que la rentabilidad es la interpretación de los beneficios, ganancias, utilidad, y excedente en términos porcentuales o absolutos en función a determinados indicadores. En este caso la condición de rentabilidad se establece en función a la utilidad porcentual o margen de utilidad.

Fuente: Elaboración propia a partir de data emprendimientos Setedis-Mipro

Tabla 10.  Representación Numérica y Porcentual de Utilidad 

UN= Utilidad neta

T= Ventas totales

Unidades= Porcentual

Según se evidencia en la Tabla 10, el 73% de los emprendimientos asesorados obtienen utilidad, mientras el 27% generan pérdida. Además, se puede observar con meridiana claridad que los sectores donde se concentra la mayor cantidad de emprendimientos son el de Comercio de Bienes y Manufactura.

Según ^{López (2016)}, las distintas formas de «hacer empresa» hacen que los márgenes de utilidad tengan gran diversidad y disparidad entre las unidades de negocio e incluso entre sectores productivos. El autor (op. cit.) menciona que un aceptable o buen margen de utilidad es el que supera el 20%, indicando además que comúnmente las industrias con empresas competitivas obtienen márgenes pequeños de utilidad, por lo que para ser rentables generan grandes volúmenes de ventas. En cambio, en pequeños negocios innovadores se puede generalmente obtener márgenes de utilidad mayores, esto debido a que los volúmenes de venta aumentan por el número reducido de competidores. También se considera el aumento de margen de utilidad por la aplicación de economías de escala.

Elaboración propia a partir de data emprendimientos Setedis-Mipro

Tabla 11.  Medición del Índice de Rentabilidad Modelo Actual 

Según se evidencia en la Tabla 11, el 54% de los emprendimientos asesorados obtienen una utilidad mayor al 20% considerada aceptable, mientras que el 27% generan pérdida, y el 19% generan una utilidad menor al 20%, considerado como poco apreciable.

3.3. Evaluación del modelo actual vs. el modelo propuesto

Según ^{Render et al., (2015)}, para realizar la evaluación de un modelo de estimación empleado, se consideran los siguientes elementos que son constratados con los del modelo actual.

Elaboración propia a partir de data emprendimientos Setedis-Mipro

Tabla 12.  Ponderación Elementos del Modelo de Estimación «Método de Holmes » 

Tabla 13. Evaluación Modelo Actual 

Como se observa en la Tabla 13, la efectividad del modelo actual es del 53%, considerando para el componente C1 una probabilidad de 0.5 de fracaso y 0.5 de éxito en el procedimiento. Esto por suponerse que existan problemas de manipulación e ingreso de data errónea, sin embargo, para el MEED-JCES-2018, se establece un procedimiento para la gestión de riegos que mitigue este

3.4. Metodología del modelo operativo propuesto «MEED-JCES-2018»

Según ^{Render et al., (2015, págs.31-34)} los modelos “deben ser totalmente funcionales, faciles de resolver y comprender, ser realistas y modificables, además de ser factibles en la obtención de requerimiento de datos de entrada”. Enfatizan además los autores que el desarrollo del modelo debe ser minucioso para que se pueda resolver y se asemeje más a la realidad de la predicción.

El modelo propuesto se denominará en lo sucesivo «MEED-JCES-2018». Dicho modelo abarcará los enfoques y aportaciones de diferentes autores, y se evidenciará con mayor énfasis métodos cuantitativos de pronósticos, específicamente los de series de tiempo. Adicional de aquello, se presentan parámetros financieros y estadísticos que permitirán medir con precisión la exactitud los pronósticos y el nivel de rentabilidad (ver Figura 2).

Elaboración propia a partir de la investigación realizada

Figura 2. Diseño del modelo propuesto MEED-JCES-2018 

1. Ingreso de input-data: para el ingreso de datos se establece la metodología propuesta en función a niveles de validación, posterior a dicha validación la data ingresa al «MEED-JCES-2018 ».

2. Manipulación del modelo: se procesa la data, se establece el error que más se ajusta a dicha serie y se aplica el método que menos error presente (para la identificación del menor error se toma a consideración el MAPE por la facilidad de interpretación).

3. Prueba estadística: se obtienen los datos estadísticos arrojados por el «MEED-JCES-2018» sobre la aplicación de los distintos métodos de pronósticos, para ser comparados con los datos que arroje el software IBM SPSS o Minitab (en este caso se pone a consideración el uso de otro tipo de software propuesto por del analista). La finalidad de esta comparación es para identificar qué tan efectivo es el modelo.

4. Determinación de las implicaciones: se realiza un análisis de los indicadores de rentabilidad y se determina que tan rentable es el negocio en función a los datos obtenidos.

5. Prueba de sensibilidad: la prueba de sensibilidad comprende la manipulación de las tasas de crecimiento del precio, producción, inflación, tasa de descuento .

6. Incorporar la solución: en la incorporación de la solución se recomienda establecer al menos 2 escenarios (pesimistas- optimistas), a partir de la sensibilidad de las variables.

Finalmente, se sugiere para la fase de predicción estadística, contrastar los resultados con las herramientas SPSS, R-Studio, Minitab, y, Stat-Graphics.

3.5. Contraste del modelo actual vs el modelo propuesto

A continuación, como interpretación de los resultados finales, se presenta el análisis sobre el contraste de los elementos antes y después de la aplicación del «MEED-JCES-2018».

Elaboración propia a partir de data emprendimientos Setedis-Mipro

Tabla 14.  Contraste de la Aplicación del Modelo % U 

3.6. Verificación de hipótesis

Paso 1.-Planteamiento de Hipótesis

Ho: La variable et% (error relativo) no incide significativamente en la rentabilidad(% U de o margen de utilidad) de los emprendimientos

H1: La variable et% (error relativo) sí incide significativamente en la rentabilidad(% U o margen de utilidad) de los emprendimientos

Paso 2.-Niveles de Significación

Nivel de confianza: 95%, α = 100% - 95% = 5% = 0.05.

Error tipo 1. - Probabilidad de rechazo de Ho cuando es verdadera.

Error tipo 2. - Probabilidad de aceptar de Ho cuando es falsa

Paso 3.-Estadístico de Prueba

Si p < = 0.05 se rechaza Ho

Si p> = 0.05 se acepta Ho

Paso 4.-Regla de Decisión

Si p < = 0.05 se rechaza Ho y se acepta la H1.

Se procede a realizar el ritual de significancia estadística para la selecciónde la prueba de hipótesis. Se aplica la prueba de Kolmogórov-Smirnov, para unamuestra sobre la variable diferencia (et% de error del pronóstico antes- et% despuésde la aplicación del MEED) y sobre la variable diferencia (% U modelo actual - % Umodelo propuesto), con el fin de comprobar si las variables de estudio se distribuyeno pertenecen a una distribución normal.

Elaboración propia a partir de data emprendimientos Setedis-Mipro

Tabla 15 Prueba de Kolmogórov-Smirnov para una Muestra 

a. La distribución de prueba es normal.

b. Se calcula a partir de datos

c. Corrección de significación de Lilliefors. Importar tabla

Ho: Hipótesis de homogeneidad

H1: de diferencias

En la Tabla 15 se puede evidenciar un valor p de 0.00 < 0.05, lo que nos permite rechazar la Ho y aceptar la H1, y se confirma que no existe homogeneidad, es decir, la distribución de los datos de las variables en estudio no es iguales en su estructura ni en su forma -no pertenecen a una distribución normal-, por lo que se aplicará la prueba de rangos de Wilcoxon.

A continuación, en la Tabla 16, se presenta la hipótesis sujeta a verificación con la prueba de rangos de Wilcoxon para muestras reaccionadas. Ésta se utilizó para comparar dos mediciones de rangos (medianas), con el fin de determinar que la diferencia no se deba al azar.

Tabla 16. Prueba de Rangos de Wilcoxon 

Elaboración propia a partir de data emprendimientos Setedis-Mipro

Tabla 17.  Estadísticos de Prueba 

a. Prueba de Wilcoxon de los rangos con signo

b. Se basa en rangos positivos

Paso 5.-Toma de Decisión

Como se puede observar en la Tabla 17, el sig. es 0.00 < 0.05, lo que evidencia la existencia de diferencias entre las dos evaluaciones sobre el mismo grupo de emprendimientos, siendo el valor Z mayor que el nivel de la confianza al 95%=1.96. Es decir, el valor Z calculado de -13.377^b y 13.795^b cae en la zona de rechazo a dos colas de distribución, por lo que se puede corroborar que existe un cambio significativo en el % de error del pronóstico y del porcentaje de utilidad luego de la aplicación del MEED, por lo tanto, rechazamos Ho y aceptamos H1.

4. Discusión y conclusiones

Los resultados obtenidos en los pronósticos con el modelo propuesto nos dan cada vez predicciones más precisas. Éstas provienen de un modelo desagregado que se basa en las medidas sobre el error cuadrático medio-ECM y error absoluto medio-PEAM, dependiendo en gran medida del equilibrio entre el grado de incertidumbre y heterogeneidad de sus datos (^{López et al., 2017}).

Según ^{Render et al. (2015, pp.31-34)} “los modelos deben ser totalmente funcionales, fáciles de resolver y comprender, ser realistas y modificables, además de ser factibles en la obtención de requerimiento de datos de entrada”. Enfatizan los autores (op. cit.) además que el desarrollo del modelo debe ser minucioso para que se lo pueda resolver y se asemeje más a la realidad de predicción. Una vez examinados los trabajos y publicaciones de varios autores, se desarrolló el modelo de estimación estadística de la demanda denominado «MEED-JCES-2018», que establece factores primordiales para una predicción óptima y una estructura para un manejo práctico, empezando con un sistema de información que analiza la tendencia de la serie a pronosticar, la aplicación automática de métodos de series de tiempo como: El método de promedio móvil simple, promedio móvil ponderado, suavizamiento exponencial, suavización exponencial doble y regresión lineal, que conjuntamente con indicadores estadísticos financieros y de control, ayudan al mejoramiento de las estimaciones para detectar la presencia de errores, tomar acciones correctivas y tomar mejores decisiones.

La propuesta de un modelo para el cálculo de las estimaciones contribuye a las empresas en la disminución del abastecimiento excesivo, la minimización de los costos de materiales, producción y productos terminados. La aplicación de un modelo implica la evaluación y comparación de distintos métodos cuantitativos, con el objetivo de obtener mayor precisión en cuanto a su estimación, siendo el método más empleado el Método Winter (^{Garduño-García, 2011}).

En los modelos investigados se explica claramente su estructura. En el caso particular el modelo denominado SysPPAc compuesto por: un sistema de información, análisis tendencial, métodos de estimación estadística, indicadores de selección de métodos y generación de información; este modelo es netamente funcional ya que migra y clasifica data histórica, aplica modelos matemáticos de estimación basados en series de tiempo, promedios-móviles y suavización-exponencial, selecciona un número de períodos anteriores, el factor de ajuste para la valoración de cualquier patrón y/o tendencia de la serie a ser estimada, valida el modelo, genera información fundamental fiable y de manera automática (^{Montañez-Muñoz, 2010}).

Tomando en consideración el componente de tendencia, los errores de las estimaciones y la autocorrelación histórica, lo aconsejable es trabajar en función de una serie totalmente diferenciada y reducida en su varianza a través de la aplicación del logaritmo natural -serie retrasada en un periodo-, esto se ve reflejado en la mayoría de estudios de pronósticos y modelos de estimaciones (^{Peña Figueroa & Paredes Mora, 2016}).

Se establece la utilización de herramientas estadísticas y de probabilidad para el análisis del comportamiento de la el rango, el percentil 90 y el percentil 10 -los dos definen la probabilidad de ocurrencia del 80 %-, en base a este análisis y la utilización de métodos de pronósticos se construyen series de tiempo y se establecen parámetros de desempeño, se define a través del análisis de errores el método que modela de mejor manera el comportamiento de la serie. Finalmente, se evidencia que los valores pronosticados difieren de manera insignificante a los reales, es decir, existe una buena aproximación para predecir valores futuros, concluyendo que el análisis minucioso de estadígrafos aporta en gran medida a la definición o selección del modelo más adecuado y consecuentemente la aproximación más óptima al valor real (^{Silva-Romero, 2013}).

Se recomienda la actualización del modelo con la inclusión de nuevos métodos, técnicas y herramientas estadísticas para el muestreo, procesamiento, análisis y recolección de datos, así también como para el contraste de hipótesis. De la misma manera se recomienda el uso de técnicas de control y seguimiento, la inclusión de indicadores estadísticos y financieros que garanticen la calidad de la información generada por el modelo. Además, se sugiere mantener una data-base de buena calidad que sirva para posteriores análisis, entendiéndose por buena calidad de los datos: su disponibilidad, usabilidad, confiabilidad, pertinencia y calidad en su presentación. Asimismo, realizar una evaluación periódica del «MEED-JCES-2018», con el objeto de mejorar el mismo a través de la inserción de nuevas herramientas o aplicaciones informáticas (software estadístico) para el proceso de predicción, dichas mejoras deben sustentarse lógica, técnica y científicamente.